CN103529436A - 基于hht的无接触生命探测中呼吸和心跳信号的分离及时频分析方法 - Google Patents

Abstract

本发明公开了一种基于HHT的无接触生命探测中呼吸和心跳信号的分离及时频分析方法，包括如下步骤：采用带通滤波器分离呼吸和心跳信号，最大限度的滤除噪声和谐波；采用EMD分别对滤波后的呼吸和心跳信号进行分解，分解成单频信号的IMF；采用相关最大准则滤除包含呼吸谐波的IMF，即提取与原始信号相关最大的IMF作为呼吸或者心跳信号；将滤波输出信号直接进行Hilbert变换。本发明相比传统的时频分析技术，不仅可以有效去除呼吸和心跳信号的噪声和谐波干扰，而且具有更高的时频分辨率，从而有效刻画人体生命特征变化。

Description

基于HHT的无接触生命探测中呼吸和心跳信号的分离及时频分析方法

技术领域

本发明涉及一种信号分析的方法，特别涉及一种基于HHT的无接触生命探测中呼吸和心跳信号的分离及时频分析方法。

背景技术

无接触人体生命探测雷达利用人体的呼吸、心跳运动以及人体的肢体摆动对人体目标进行识别。人体静止时，人体呼吸和心跳运动会对雷达入射波产生一个多普勒调制，对此多普勒信号进行处理，便可以提取出人体的呼吸和心跳频率。

如图1为一种典型的连续波人体生命探测仪。雷达发射电磁波照射到人体上并反射回来，该人体反射多普勒信号经接收机放大，正交混频后变成基带信号，基带信号再经过A/D采样、数字信号处理后输出人体的呼吸和心跳信息，用于目标识别。

以点散射模型分析，设呼吸和心跳引起的腹腔振动分别为：

x_r(t)=m_rsinω_rt           (1)

x_h(t)=m_hsinω_ht

式中r表示呼吸，h表示心跳。m表示振动幅度；ω表示振动角频率。设人与雷达的固定距离为R₀。

则散射回波的相位为

$\mathrm{\φ}\left(t\right)=\frac{4\mathrm{\π}}{\mathrm{\λ}}x\left(t\right)$                (2)

$=\frac{4\mathrm{\π}}{\mathrm{\λ}}[R_0+x_r\left(t\right)+x_h\left(t\right)]$

正交基带输出为，

$B_I\left(t\right)=\cos (\mathrm{\φ}+\frac{4\mathrm{\π}{x}_r\left(t\right)}{\mathrm{\λ}}+\frac{4\mathrm{\π}{x}_h\left(t\right)}{\mathrm{\λ}})---(3.a)$

$B_Q\left(t\right)=\sin (\mathrm{\φ}+\frac{4\mathrm{\π}{x}_r\left(t\right)}{\mathrm{\λ}}+\frac{4\mathrm{\π}{x}_h\left(t\right)}{\mathrm{\λ}})---(3.b)$

其中

为由固定距离引起的固定相位。

由于人体心跳和呼吸引起的微运动，如果对公式(3)采用Bessel展开，则基带输出可以写成：

$B_I\left(t\right)=\underset{k=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\underset{l=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{J}_k\left(\frac{4\mathrm{\π}{m}_r}{\mathrm{\λ}}\right)J_l\left(\frac{4\mathrm{\π}{m}_h}{\mathrm{\λ}}\right)\cos (k{\mathrm{\ω}}_{r}t+l{\mathrm{\ω}}_{h}t+\mathrm{\φ})---(4.a)$

$B_Q\left(t\right)=\underset{k=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\underset{l=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{J}_k\left(\frac{4\mathrm{\π}{m}_r}{\mathrm{\λ}}\right)J_l\left(\frac{4\mathrm{\π}{m}_h}{\mathrm{\λ}}\right)\sin (k{\mathrm{\ω}}_{r}t+l{\mathrm{\ω}}_{h}t+\mathrm{\φ})---(4.b)$

由上式可以看出，人体正交多普勒雷达基带输出为一系列频率为ω_k,l=kω_r+lω_h的信号叠加。ω_1,0和ω_0,1为呼吸和心跳基频，其余ω_k,l为呼吸和心跳的谐波频率以及交叉项。由于m_r,m_h＜＜λ，呼吸和心跳基频幅度远远大于谐波幅度。由于人体的呼吸频率一般为0.1～0.3Hz，心跳信号为0.8～2Hz，常规的信号处理方法利用带通滤波器提取呼吸和心跳信号的基频分量，再进行时频分析处理，便可提取出人体的呼吸和心跳频率。

然而，实际人体探测多普勒雷达生命信号包含许多干扰，并且由公式(4)可知，对于单通道实信号，带通滤波器提取的呼吸和心跳信号实际上包含呼吸和心跳的谐波信号。由于呼吸信号远大于心跳信号，呼吸谐波信号有可能大于心跳基频信号。因此，为了精确估计呼吸和心跳信号，有必要去除谐波干扰信号。此外，当前人们对无接触生命探测雷达的呼吸和心跳频率估计多基于频谱分析，这些频谱分析技术往往缺乏实时特性，而传统的时频分析技术，如短时傅里叶变换、维格纳-维拉分布等受限于处理窗口而缺乏足够的时频分辨率实时估计呼吸和心跳频率。

发明内容

本发明的目的是为了克服上述问题，提供一种基于HHT的无接触生命探测中呼吸和心跳信号的分离及时频分析方法。

为达到上述目的，本发明采用的方法是：一种基于HHT的无接触生命探测中呼吸和心跳信号的分离及时频分析方法，包括如下步骤：

（1）、采用带通滤波器分离呼吸和心跳信号，最大限度的滤除噪声和谐波；

（2）、采用EMD分别对滤波后的呼吸和心跳信号进行分解，分解成单频信号的IMF；

（3）、采用相关最大准则滤除包含呼吸谐波的IMF，即提取与原始信号相关最大的IMF作为呼吸或者心跳信号；

（4）、将滤波输出信号直接进行Hilbert变换。

作为本发明的一种改进，所述的带通滤波器包括至少一个呼吸信号处理带通滤波器和一个心跳信号处理带通滤波器。

作为本发明的一种改进，所述的呼吸和心跳基带通滤波器分别采用600阶,β=6.5，带宽为0.1-0.6Hz的Kaiser带通滤波器以及600阶,β=6.5，带宽为1-2Hz Kaiser带通滤波器。

本发明的有益效果是：

本发明的基于HHT的无接触生命探测中呼吸和心跳信号的分离及时频分析方法，利用经验模态分解EMD分别将呼吸和心跳信号分解成一系列本征模函数(IMF)，并利用IMF自相关最大法剔除谐波和干扰信号，最后利用希尔伯特谱对剔除干扰的IMF进行时频分析。相比传统的时频分析技术，不仅可以有效去除呼吸和心跳信号的噪声和谐波干扰，而且具有更高的时频分辨率，从而有效刻画人体生命特征变化，同时通过在经验模态分解（EMD）处理信号之前，先用传统的带通滤波器进行预处理，使得信号处理更加的准确。

附图说明

图1为现有技术的无接触生命探测雷达系统框图。

图2为本发明的信号处理分析方法的结构框图。

具体实施方式

下面结合附图对本发明做具体的说明。

如图2所述为本发明的一种基于希尔伯特-黄变换(HHT)的无接触生命探测中呼吸和心跳信号的分离及时频分析方法的信号处理分析方法的框图，首先将生命探测雷达发出的回波信号分别采用600阶,β=6.5，带宽为0.1-0.6Hz的Kaiser带通滤波器和600阶,β=6.5，带宽为1-2Hz Kaiser带通滤波器分离呼吸和心跳信号。

然后利用EMD带通滤波器分解滤波后的呼吸和心跳信号。由于经过600阶,β=6.5，带宽为0.1-0.6Hz的Kaiser带通滤波器以及600阶,β=6.5，带宽为1-2Hz Kaiser带通滤波器分离出的呼吸和心跳信号仅包含少有的几个单频振荡，从而可以有效降低出现EMD混叠的概率，EMD分解出的IMF几乎是单频信号。我们采用相关最大准则滤除包含呼吸谐波的IMF，即提取与原始信号相关最大的IMF作为呼吸或者心跳信号，从而提取包含真实呼吸和心跳基频信号的IMF。

直接采用EMD分解实际数据时，经常会面临以下不足：(a)分解出的IMF并不一定是单一振荡函数，相邻频带内的多个分量有可能同时混合到一个IMF中，即模式混叠现象。(b)在低频范围内，EMD会分解出虚假的IMF，这些IMF没有实际的物理意义。因此在EMD处理信号之前，预先通过600阶,β=6.5，带宽为0.1-0.6Hz的Kaiser带通滤波器以及600阶,β=6.5，带宽为1-2Hz Kaiser带通滤波器处理，将原始的信号分成几个频带，又因为人的人的呼吸和心跳频带范围一般是已知的，能够有效地避免上述问题，从而使得测量结果更准确。

EMD即经验模态分解本质上是把一原始数据序列通过时域特性识别出其固有振荡。EMD通过所谓的“筛”过程直接从原始数据序列中得到一组自适应的基，这组基称为本征模函数(IMF)。IMF须满足两个条件：(1)在整个数据序列中，其极值数目与跨零点数目相等或者至多相差一个；(2)在整个数据序列，最小值得到的下包络和最大值定义的上包络的均值为零。具体来说，假设一个时间序列为x(t),EMD的实现步骤如下：

初始化r₀(t)=x(t)，i=1;

1.令h₀(t)=r_i-1(t),j=1

2.找出h_j-1(t)的所有极大值和极小值，并使用样条插值获取h_j-1(t)的上包络线H_up和下包络线H_low。

3.计算上包络线和下包络线的均值m_j-1(t)=(H_up+H_low)/2。h_j-1(t)和均值的差为：h_j(t)=h_j-1(t)-m_j-1(t)。

4.如果h_j(t)满足IMF的条件，此时h_j-1(t)就为一个imf_i(t)，执行步骤5，否则j+1，回到步骤2，重复2-4步骤。

5.定义剩余值：r_i(t)=r_i-1(t)-imf_i(t)。如果r_i(t)满足一定的停止标准，即为一个单调函数时，“筛”过程停止，否则i+1，回到步骤1。这里一般把停止标准设为极值数目小于等于一或者二。

在步骤4中，Huang.N.E等人提出了一种连续筛过程的标准偏差，用来作为一个IMF“筛”过程的停止条件。用S.D.表示，定义为：

$S.D.=\underset{t=0}{\overset{N}{\mathrm{\Σ}}}\left[\frac{{|h_j\left(t\right)-h_{j-1}\left(t\right)|}^2}{h_{j-1}^2\left(t\right)}\right]$

这里S.D.值一般取0.2-0.3。S.D.直接决定了产生一个合格IMF所需要的迭代次数，以及分解出的IMF个数。

通过“筛”过程，原始数据序列分解为一系列IMF和一个剩余量之和：

$x\left(t\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{imf}}_i\left(t\right)+r_N\left(t\right)$

(3)将每个IMF与滤波输出信号进行自相关，取自相关最大的IMF作为实际的呼吸或者心跳信号。

(4)利用Hilbert对信号进行时频分析。

对于每个IMF的实离散信号s(n),首先把实信号转化为复数形式

z(n)=imf(n)+jH{imf(n)}=a(n)expjφ((n))

其中H{·}为信号的Hilbert变换：

$H\left\{\mathrm{imf}\left(t\right)\right\}=\frac{1}{\mathrm{\π}}{\∫}_{-\∞}^{\∞}\frac{\mathrm{imf}\left(\mathrm{\τ}\right)}{t-\mathrm{\τ}}\mathrm{d\τ}$

然后估计每个IMF分量的瞬时频率：

$f\left(n\right)=\frac{1}{2\mathrm{\π}}\frac{1}{\mathrm{\Δt}}{[\mathrm{\φ}\left(n\right)-\mathrm{\φ}(n-1)]}_{2\mathrm{\π}}$

其中[·]_2π以2π约简。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (3)

1.一种基于HHT的无接触生命探测中呼吸和心跳信号的分离及时频分析方法，其特征在于：包括如下步骤：

（1）、采用带通滤波器分离呼吸和心跳信号，最大限度的滤除噪声和谐波；

（2）、采用EMD分别对滤波后的呼吸和心跳信号进行分解，分解成单频信号的IMF；

（3）、采用相关最大准则滤除包含呼吸谐波的IMF，即提取与原始信号相关最大的IMF作为呼吸或者心跳信号；

（4）、将滤波输出信号直接进行Hilbert变换。

2.根据权利要求1所述的一种基于HHT的无接触生命探测中呼吸和心跳信号的分离及时频分析方法，其特征在于：所述的带通滤波器包括至少一个呼吸信号处理带通滤波器和一个心跳信号处理带通滤波器。

3.根据权利要求2所述的一种基于HHT的无接触生命探测中呼吸和心跳信号的分离及时频分析方法，其特征在于：所述的呼吸和心跳基带通滤波器分别采用 600阶,                                                ，带宽为0.1 - 0.6Hz的Kaiser带通滤波器以及600阶, ，带宽为1-2Hz Kaiser带通滤波器。

Images