SFCW生物雷达人体细粒度运动信号微多普勒特征增强方法研究

SFCW生物雷达人体细粒度运动信号微多普勒特征增强方法研究

祁富贵a,岳超b,梁福来a,吕昊a,李川涛a,李钊a,刘淼a,王健琪a

第四军医大学,a.生物医学工程学院 电子学教研室;b.学员旅四营十六连,陕西 西安 710032

[摘 要]目的本文提出了一种基于反权重系数的综合距离累积时频变换方法,增强了步进频连续波超宽带生物雷达人体细粒度运动信号的微多普勒特征。方法基于双通道步进频连续波(SFCW)雷达系统,通过将人体运动超宽带雷达信号不同距离单元信号分别进行时频变换得到各自时间-频率谱,然后根据各自相对应合理权重沿距离轴进行累积。结果基于反权重综合距离累积时频谱效果好,信号特征明显,较远距离穿墙情况下,运动信号微多普勒特征因衰减较大而较为微弱时,本方法优势十分明显。结论此法充分利用人体运动SFCW超宽带雷达信号不同距离单元信息,在保证信号特征完整性和原始性的基础上合理有效地增强运动信号时间-频谱中的微多普勒特征。

[关键词]超宽带生物雷达;人体细粒度运动;穿墙探测;反权重系数;步进频连续波;微多普勒

0 前言

人体运动状态探测识别、分类在实际应用中具有重要的应用价值,比如在反恐行动中对恐怖分子或被挟持人员的状态分析,各种灾害现场搜救人员对被困人员状况的掌控,公共安全防护中异常行为人员的识别,以及伤员术后肢体恢复情况的评价等情况均需要时刻掌握人体运动状态[1-2]。生物雷达因其免受光线和探测角度影响可实现全天候穿透探测,逐渐成为探测技术研究热点。目前,针对连续波生物雷达在自由空间下对人体运动信号的探测与识别的研究已取得较大的进展[3-4],然而考虑在反恐行动、灾害搜救等实际穿墙探测环境下对穿透探测性能、抗干扰能力和信号质量的要求,本研究采用的步进频连续波(Stepped Frequency Continuous Wave,SFCW)超宽带生物雷达,其抗干扰能力强且具备较高的分辨率和穿透性,能够提供运动信号的距离信息,在后期识别中具有独特的优势。

在反恐行动和灾害搜救等实际场景中,包含身体各部分细微变化的细粒度运动出现频率最高,比如手势、原地跳跃,挥手、蹲下起立等。而对于此类细粒度运动,单纯依赖主体运动多普勒特征进行识别分类的方法将失效[5],而由四肢运动形成的微多普勒特征将成为最重要的识别信号。Chen等[6-7]指出除目标主体运动外,其目标各部件运动也存在各自的微多普勒特征,可以反映复杂人体结构运动特征,为目标细微运动分类(尤其是人体不同运动分类)提供了新思路[8-9]。同时,时频变换作为有效非平稳信号分析工具,可以将含有多频率组分的信号在时频域上的不同特征更加高效地体现出来,不仅能够区分粗粒度运动,更能较好地区分仅有细微差别的细粒性运动,为人体运动状态分析识别提供有效信息。目前,研究者们在自由空间下利用联合时频分布技术对除躯干运动外的各肢体(手臂和腿)运动形成的微多普勒特征进行分析,从而对挥手、走-停-走[10],摆单臂行走、双臂行走等有距离运动[4]进行识别分类。

在穿透探测中,由于穿墙回波信号衰减较大或者因目标离雷达较远而信号较弱时,微多普勒特征容易变得十分微弱,运动整体时频谱特征变得模糊,导致运动特征可识别度降低。Kim等[8-9]基于人体运动微多普勒时频谱特征值,利用智能识别算法对爬行、持枪行走等7种运动状态进行识别分类,在自由空间下效果优异,但在穿墙条件下较近距离内运动信号微多普勒特征已急剧削弱,识别分类准确率变低。为此,针对运动幅度较大、非平稳、随机性强的人体运动信号,本研究提出了一种基于反权重系数人体运动超宽带雷达信号时间—频率谱综合距离累积方法。本方法对人体运动超宽带雷达信号不同距离单元上的不同频谱特征信息充分利用,以期使得人体细粒度运动微多普勒特征更加明显,为后期人体运动的有效特征提取和高效识别准确率奠定基础。

1 材料与方法

1.1 SFCW雷达实验平台

本研究基于双通道SFCW雷达系统,系统的主要技术指标:工作带宽0.5~3.5 GHz,发射机步进点数101~301(可调),发射机频率采样间隔30 MHz,最大发射功率10 dBm,动态范围≥72 dB,AD精度≥12 bit,采样率为4 ms/次。天线系统采用1发2收天线阵,天线采用平面对数螺旋天线,发射天线与接收天线采用交叉极化,整个SFCW雷达采集系统,见图1(a)。

利用SFCW雷达穿墙探测人体运动场景,见图1(b),受试者位于实验室砖墙一侧,正对紧贴砖墙另一侧的雷达。采集数据时,每次仅有一位受试者位于砖墙一侧以自然状态执行特定动作,每个特定动作重复执行并持续20 s左右,雷达探测回波经后期软件采集得到原始离散信号。本研究分别在隔墙3 m处采集原地踏步、原地跳跃和蹲下捡物信号,然后分别在4、5、6 m处采集原地踏步信号。

图1 SFCW雷达采集系统及实验场景图

1.2 基于不同距离累积方式的人体运动超宽带雷达信号时频分析方法

SFCW超宽带雷达因其具有距离分辨率可使人体运动各部位的距离信息变化在雷达回波时间-距离图像上明显地表现出来。在超宽带雷达中,运动信号经过采样后得到sig(t),其表示处于一个相邻处理间隔(Coherent Processing Interval,CPI)的一个目标散射中心信号。在此CPI中,其假定目标运动维持在单个距离单元中,并且每个距离单元都得到一个信号,即可获得一系列信号{Sigil(t)}(i表示距离单元索引)。此时对单个距离单元信号进行时频变换是分析微多普勒特征的有效方法。文献[5]指出,如果目标在CPI中运动距离处于单个距离单元长度内,则此方法有效。若目标在CPI中运动距离超出单个距离单元长度,此时散射中心信号将分布于多个距离单元,此方法将失效。根据本系统参数和采样率参数,在CPI内,人体运动各散射中心运动均处于单个不同距离单元内。

原地踏步运动在SFCW雷达原始回波时间-距离像上主要分布在1200~1500点(图2(a))。对此单通道原始回波依次进行距离压缩、去背景和低通滤波(截止频率为60 Hz)等预处理,得到原地踏步SFCW雷达回波预处理信号(图2(b)),其运动起伏变化在图像上清晰可见。在对回波预处理信号进行时频分析时,不同距离单元信号的利用方式将对时频分析效果产生重要影响。在以往研究方法主要有优选一点法和有效距离平均法两种。

1.2.1 最优一点法和有效距离平均法

(1)最优一点法:在距离单元上取信号最优一点。通过在超宽带雷达时间距离像中选择最强或者信号特征代表性最优的距离单元信号sigbest,然后进行时频分析。本研究基于能量最强原则选择最优点。

(2)有效距离平均法:将有效运动特征范围内不同距离单元上部分信号叠加求平均,然后得到sigaverage,并对其进行时频分析。

以上两种方法常见于超宽带雷达人体呼吸心跳信号探测时,由于人体呼吸相对于体动幅度小、规律性强、平稳性好,取最优点并不会丢失过多信号特征。有效距离内多点信号合理平均时,合理个数距离单元平均后不易造成信号特征丢失,可以增强信号能量,提高信噪比。

1.2.2 基于反权重系数人体运动超宽带雷达信号时间-频率谱综合距离累积方法

对于人体原地踏步、跳跃等细粒度运动,根据其原始时间-距离图可以发现:运动跨多距离单元,幅度大、非平稳、弱周期,运动人体各散射中心(各肢体结构)的运动将粗略地分布于不同的距离单元,从而对回波信号形成不同的频率调制。另外,超宽带雷达信号经过穿墙衰减之后,各组分微多普勒特征将被削弱,使得运动整体时频谱特征变得模糊,不利于人体运动状态分析识别。因此本研究提出基于反权重系数人体运动超宽带雷达信号时间-频率谱综合距离累积方法,充分利用超宽带雷达信号不同距离单元上不同散射中心信号的时频信息,对人体运动信号微多普勒时频谱特征进行增强。首先,笔者需要得到联合距离-时间-频率分布(Joint-Range-Time-Frequency-Representation,JRTFR)[11],见图3。

图2 原地踏步SFCW雷达信号预处理前后时间-距离图

图3 超宽带雷达信号联合距离-时间-频率分布流程图

通过对每个距离单元信号进行时频变换得到时间-频率谱(Time-Frequency-Representation,TFR)并将不同距离单元上的TFR按顺序聚集从而得到整个人体运动超宽带雷达信号在有效距离内的JRTFR立方体,三坐标轴分别表示距离、时间、频率,见图3。然后,将整个JRTFR沿距离轴对每个距离单元信号所得TFR按相应反权重系数进行距离累积。最终将得到整个运动信号综合距离累积时频分布(Comprehensive Distance Accumulation Time-Frequency Representation,CDATFR)。

本文基于增强由肢体运动所形成的微多普勒特征的目的,采用反权重系数对不同距离单元时频谱进行综合距离累积,反权重累积如公式(1)所示:(1)

其中ωi表示不同距离单元TFR所对应的权重,si表示不同距离单元所得到的TFR,i=1...nn表示运动信号TFR信号有效距离单元长度。

在选择权重系数ω时,本研究根据人体细粒度运动超宽带雷达信号独有特点而采用反权重系数进行距离累积。以图2原地踏步信号为例,在原始雷达回波信号伪彩图的运动特征有效范围内,在距离轴方向上中间部分主要来源于散射面积较大的躯干运动和少量肢体运动,其能量较强。而在向其两侧能量逐渐减弱,主要来源于散射面积较小的肢体运动和逐渐减少的躯干运动,如手臂和腿的运动。当信号经过穿墙衰减或者因目标离雷达较远而信号较弱时,肢体造成的微多普勒将急剧衰减。为此,将能量值较弱的距离单元TFR赋予较大的权重而能量值较大的距离单元TFR赋予较小的权重,从而利用反权重系数ω增强由手臂、腿等肢体运动形成微多普勒特征。

2 结果

本研究采用短时傅里叶变换(STFT)对人体运动雷达信号进行时间-频率谱分析,其中窗函数采用0.42 s的Hanning窗。本实验主要分为两部分:

(1)第一部分主要利用基于3种距离累积方法的时频变换对相同距离处不同人体细粒度运动穿墙探测超宽带信号进行时间-频率谱分析。以原地踏步、原地跳跃和蹲下捡物为例,其实验结果,见图4。

(2)第二部分主要利用基于3种距离累积方法的时频变换对不同距离处相同人体细粒度运动穿墙探测超宽带信号进行时间-频率谱分析,以原地踏步为例。实验结果,见图5。

图4(b)表明有效距离内信号平均法距离累积后再进行时频分析,效果最差。图4(a)表明取最优一点时频分析效果稍好但信号特征较弱。图4(c)表明基于反权重综合距离累积时频谱效果最好,信号特征明显。

图4 人体穿墙3 m SFCW雷达信号时频谱

图5 人体人体原地踏步运动SFCW穿墙雷达信号时频谱

图5分别为穿墙4 m、5 m、6 m处原地踏步运动信号基于三种距离累积方式条件下STFT时频谱。通过观察可以发现,在穿墙4 m处,距离平均法已经失效,所得时频谱微多普勒特征已急剧削弱,很难看出原地踏步运动变化特征。最优一点法效果优于距离平均法,在穿墙5 m处仍可以较为粗略的看出原地踏步运动的节律性变化,但此时由手臂和腿等肢体运动形成的高频微多普勒特征已极其微弱并且较为混乱模糊。而本文提出的综合距离累积时频变换方法性能优越。虽然与3 m处原地踏步动作时频谱图4(c)相比,随着穿墙距离增加,部分能量较为微弱的肢体运动信号高频微多普勒特征已经被急剧削弱。但其在穿墙6 m处也能较好的表现出原地踏步运动的节律性变化,躯干运动多普勒特征和肢体运动微多普勒特征仍能明显区分,利于运动特征分析。因此,在较远距离穿墙情况下,运动信号微多普勒特征因衰减较大而较为微弱时,本方法优势十分明显。

3 讨论

第一部分实验结果中,对于原地踏步、原地跳跃、蹲下捡物3种跨多个距离单元的大幅度、非平稳信号,人体各个肢体结构的散射中心将粗略地分布于不同的距离单元,因而不同距离单元信号将包含不同肢体的运动信息,并且相邻距离单元信号具有一定的相关性。若采用最优一点法,将丢失许多不同肢体结构所形成的微多普勒信息。若采用有效距离平均法,分布在不同距离单元内信号的正负值很容易相互抵消或者被改变从而导致运动特征被减弱或者被改变。然而采用本研究提出的综合距离累积时频变换方法则可以清楚的看出人体运动的节律性变化,并且由躯干运动形成的多普勒特征和肢体运动所形成的微多普勒特征也可以明显区分。如图4(c)所示,由于在原地踏步、原地跳跃和蹲下捡物时,人体躯干运动频率较低但散射面积大、能量强,因此其在时频图中就主要分布在0~8 Hz以内,而手臂和腿等肢体运动速度快故瞬时频率高,因而在时频图中主要分布于8 Hz以上。另外,由于肢体运动在原地跳跃时比踏步时更加随机不规律,故而从原地跳跃时频谱中就可看出包含高频信息的微多普勒特征变化更加紊乱。

第二部分实验结果中,随着穿墙距离的增大,人体运动的高频微多普勒特征相对低频微多普勒特征衰减更快。这可能是因为距离增大,手臂等肢体相对躯干运动速度快、散射面积较小,其形成的高频微多普勒衰减更快并更容易淹没于随机无规律噪声和干扰中,因而更难在时频谱中表现出有规律的运动特征。

4 结论

本研究基于穿墙探测的需求选择SFCW雷达对人体细粒度运动进行穿透探测。针对人体运动超宽带雷达信号微多普勒特征容易由于穿墙探测或者距离增大而急剧衰减,从而不利于人体运动信号的有效分析和识别的问题,本研究提出了一种基于反权重系数综合距离累积时频变换方法。其充分利用人体运动SFCW超宽带雷达信号不同距离单元信息,在较好地保证信号特征完整性和原始性的基础上增强运动信号微多普勒特征。

在实验研究中,首先通过基于3种距离累积方式的时频处理方法对同一穿墙距离处原地踏步、原地跳跃和蹲下捡物3种穿墙超宽带雷达信号进行时频谱分析,结果表明本研究提出的综合距离累积时频变换方法针对人体细粒度运动信号处理效果优于目前常用的最优一点法和距离平均法,证明了此方法对不同运动信号的广泛适用性。另外,实验还通过基于3种距离累积方式的时频处理方法对不同穿墙距离处的原地踏步穿墙超宽带雷达信号进行时频谱分析,结果表明综合距离累积时频变换方法在运动信号微多普勒特征因穿墙或距离增而削弱时,可以较好地增强微多普勒特征。

本研究提出的综合距离累积时频变换方法能够高效利用人体运动超宽带雷达信号距离信息,较大程度上合理增强运动信号中微多普勒特征,为穿墙探测或远距离探测条件下人体细粒度运动的有效分析和准确识别奠定了基础。在下一步研究中,希望对随着距离增大运动高频微多普勒特征削弱过快问题进行深入研究并提出相应的解决方法。

[参考文献]

[1] Fairchild DP,Narayanan RM.Micro-doppler radar classification of human motions under various training scenarios[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2013:873407-873411.

[2] Bryan JD,Kwon J,Lee N,et al.Application of ultra-wide band radar for classification of human activities[J].IET Radar Sonar Navig,2012,6(3):172-179.

[3] Fairchild DP,Narayanan RM.Classification and modeling of human activities using empirical mode decomposition with S-band and millimeter-wave micro-Doppler radars[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2012:83610X-15.

[4] Lyonnet B,Ioana C,Amin MG.Human gait classification using microDoppler time-frequency signal representations[C].Radar Conference,2010 IEEE.IEEE,2010: 915-919.

[5] Smith GE,Ahmad F,Amin MG.Micro-Doppler processing for ultra-wideband radar data[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2012: 83610L-83610L-10.

[6] Chen VC.Analysis of radar micro-Doppler with time-frequencytransform[C].Statistical Signal and Array Processing,2000. Proceedings of the Tenth IEEE Workshop on.IEEE,2000:463-466.

[7] Chen VC,Li F,Ho SS,et al.Micro-Doppler effect in radar:phenomenon, model, and simulation study[J].IEEE T Aero Elec Sys,2006,42 (1):2-21.

[8] Kim Y,Ling H.Human activity classification based on micro-Doppler signatures using an artificial neural network[C]. Antennas and Propagation Society International Symposium, 2008.AP-S 2008.IEEE.IEEE,2008:1-4.

[9] Kim Y,Ling H.Human activity classification based on micro-Doppler signatures using a support vector machine[J].IEEE T Geosci Remote S,2009,47(5):1328-1337.

[10] Lai CP,Ruan Q,Narayanan RM.Hilbert-Huang Transform (HHT) analysis of human activities using through-wall noise radar[C].Signals,Systems and Electronics,2007.ISSSE'07. International Symposium on.IEEE,2007:115-118.

[11] Chen VC.Joint time-frequency analysis for radar signal and imaging[C].Geoscience and Remote Sensing Symposium, 2007.IGARSS 2007.IEEE International.IEEE,2007:5166-5169.

A Study on the Micro-Doppler Signature Enhanced Technique for the Finer-Grained Human Activity Signal Acquired by the SFCW Bio-radar

QI Fu-guia, YUE Chaob, LIANG Fu-laia, LV Haoa, LI Chuan-taoa, LI Zhaoa, LIU Miaoa, WANG Jian-qia
a.Teaching and Research Section of Electronics, School of Biomedical Engineering; b.No.16 Company of the 4thBattalion, Student Brigade,the Fourth Military Medical University, Xi’an Shaanxi 710032, China

Abstract:ObjectiveA comprehensive distance accumulation time-frequency transform method based on the anti-weights factor is proposed in this study, so as to enhance the micro-Doppler signatures of the finer-grained human activity, which would be weakened dramatically due to the process of penetrating the wall and the increasing detection range, which is not conducive to effective analysis and accurate recognition of finer-grained human activity.MethodsThe corresponding time-frequency representation (TFR) was obtained by performing a time-frequency transform in each range based on the stepped frequency continuous wave radar signal of the finer-grained human activity.ResultsA comprehensive time-frequency representation was obtained from the summation of the different TFRs based on their corresponding weight along the range axis. Consequently, the time-micro-Doppler signature reflected in the time-frequency representation was enhanced significantly.ConclusionThe technique guaranteed the integrity and primitive characteristics of the signal and laida good foundation for analyzing effectively and recognizing accurately the finer-grained human activity when detecting through-wall or remotely.

[中图分类号]TN957.51

[文献标志码]A

doi:10.3969/j.issn.1674-1633.2016.02.009

[文章编号]1674-1633(2016)02-0039-05

收稿日期:2015-11-20

基金项目:国家重大科研仪器设备研制专项(61327805);国家科技支撑计划课题(2014BAK12B02)。

通讯作者:王健琪,第四军医大学生物医学工程系电子学教研室主任,教授,博士生导师,主要研究方向:生物雷达生命探测。

Abstract:: ultra-wideband radar; finer-grained human activity; through-wall detection; anti-weights factor; distance accumulation; micro-Doppler