CN106546979A - 一种基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法 - Google Patents

Abstract

本发明公开了一种基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，属于生物雷达或雷达式生命探测技术领域。技术方案为：首先，通过多天线超宽谱雷达系统提供关于人体目标呼吸的多通道信息；其次，将各个通道的原始雷达回波数据经过预处理和目标关联后进行自适应Kalman滤波融合；最后，输出探测到的人体呼吸波形。本发明的创新之处在于提出了一种超宽谱雷达式人体呼吸增强探测方法，通过对多天线接收提供的多通道信息进行数据融合，解决人体目标方位和姿势变化导致的微弱呼吸检测难题，从而增强超宽谱雷达在穿墙侦测、地震救援等应用中的人体呼吸探测能力。

Description

一种基于多天线数据融合的超宽谱雷达式人体呼吸增强探测 方法

技术领域

本发明属于生物雷达或雷达式生命探测技术领域，具体涉及一种基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法。

背景技术

超宽谱雷达可用于人体目标的非接触探测，特别是当人体目标处于静止状态时，超宽谱雷达可通过探测人体呼吸引起的胸部微动来实现人体呼吸的探测。由于超宽谱雷达发射的电磁波能穿透衣物、墙壁、废墟等非金属遮挡或障碍，基于超宽谱雷达的人体目标探测技术可被广泛应用于生物医学、国家安全、应急救援等领域。

但由于人体呼吸引起的胸部微动位移仅为毫米级别、再加上电磁传播路径上可能存在强烈衰减，超宽谱雷达回波中包含的人体呼吸响应十分微弱。现阶段，基于超宽谱雷达的人体呼吸探测技术大多采用单发单收天线，基本解决了人体目标或被测对象正对雷达天线时的探测问题。根据雷达探测原理，超宽谱雷达探检测的人体呼吸强度主要取决于目标呼吸引起的胸部微动在超宽谱雷达径向上的位移分量大小。

然而，在实际应用中人体目标的方位和姿势难以事先确定，导致该位移分量远低于人体目标正对雷达时的情形，因此超宽谱雷达回波中包含的人体呼吸响应比人们预期的要微弱的多。但是到目前为止，尚没有方法解决这一问题。这也是超宽谱雷达在实际应用中，特别是在穿墙侦测、地震救援等穿透探测场合，探测性能受到影响从而难以发挥出其优秀效果的重要原因之一。

发明内容

本发明的目的在于提供一种基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，该方法能够有效解决人体目标方位和姿势导致的微弱呼吸检测问题，从而提高超宽谱雷达的实际探测性能。

本发明是通过以下技术方案来实现：

一种基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，首先，通过多天线超宽谱雷达系统提供关于人体目标呼吸的多通道信息；其次，将各个通道的原始雷达回波数据经过预处理和目标关联后进行自适应Kalman滤波融合；最后，输出探测到的人体呼吸波形和呼吸频率。

所述多天线超宽谱雷达系统采用冲激脉冲形式，系统工作宽度控制在250～750MHz。

所述多天线超宽谱雷达系统由三个功能模块组成：天线阵列、雷达主机及计算机；

天线阵列是由1个发射天线和4个接收天线组成的线性阵列，排列方式有以下三种：

第一种：以发射天线为中心，接收天线1～4分别位于发射天线左右两侧并紧靠其放置，与发射天线的距离由天线的水平物理尺寸决定；

第二种：以发射天线为中心，接收天线1～4分别位于发射天线左右两侧均匀放置，天线间距不限；

第三种：接收天线1～4紧靠并置，发射天线位于接收天线右侧，接收天线和发射天线之间的距离不限。

所述预处理在各个通道内进行，用于去除杂波和噪声，具体包括信噪比改善、背景去除及归一化处理；

信噪比改善是在二维超宽谱原始回波数据的距离和时间上同时进行滑动平均和抽样，在提高回波数据的信杂噪比同时降低数据大小；

背景去除用于去除雷达回波数据中不随时间变化的静态背景杂波，采用时间上减平均实现；

归一化处理是将回波数据各个距离点上的时间序列的功率进行归一化，补偿回波强度随距离增加带来的衰减。

目标关联是把同一个目标的呼吸信号关联到一起，根据人体目标的先验距离信息，手动选择出各个通道回波数据对应距离点上的时间序列信号。

自适应Kalman滤波融合过程采用如下式的状态空间模型：

x_k+1＝A_kx_k+w_k (1)

z_k＝H_kx_k+v_k

式中，x_k表示时间点k时的状态矢量，z_k表示测量矢量，A_k表示状态转移矩阵，H_k表示测量矩阵；式中的两个方程为过程方程和测量方程，w_k和v_k分别表示过程噪声和测量噪声，其均值和协方差定义如下：

式中，E{·}表示数学期望，{·}^T表示矩阵的转置，Q_i和R_i分别对应过程噪声和测量噪声的协方差矩阵；

通过在最小均方意义上最小化误差协方差矩阵的后验估计，即E{e_ke_k ^T}，其中，代表状态矢量x_k与其最优估计的误差，则得到Kalman滤波器的时间更新方程：

式中，表示在人体呼吸模型的基础上时间点k时的先验状态估计；表示基于实测数据获得的后验状态估计；其中，代表误差协方差矩阵的先验估计；P_k＝E{e_ke_k ^T}，其中，代表误差协方差矩阵的后验估计；因而，Kalman滤波器的测量更新方程为：

式中，K_k代表Kalman增益，它决定了在实测数据与动态模型估计间的更新权重。

人体呼吸过程选择采用恒速Constant Velocity模型进行描述，根据该模型，式(1)中的状态矢量为x_k＝{x_k，v_k}^T，其中x_k和v_k分别表示人体呼吸过程中胸部微动的位置和速度，该式中的状态转移矩阵A_k则被认为是时不变的A，其定义如下：

式中，Δt表示目标关联获得的时间序列的采样间隔，该值大小为采样速率4Hz的倒数，即0.25s；

基于测量融合的Kalman融合架构，即目标关联获取的4组时间序列被组合成一个增强测量矩阵式中，分别代表数据通道1，2，3，4中的呼吸时间序列，则按照式(1)，数据融合由测量矩阵H_k和z_k的乘积实现；其中，H_k同样采用时不变矩阵H，其定义如下：

因而，测量噪声的协方差矩阵为式中，i＝1，2，3，4代表各通道时间序列的噪声协方差。

通过自动识别状态空间模型中的过程噪声的协方差矩阵，从而实现自适应Kalman滤波，具体操作如下：

首先，采用一个衰减因子α_k去调整公式(3)中的过程噪声协方差矩阵Q_k，即Q_k+1＝α_kQ_k，当Kalman滤波器处于最优状态时，从实测数据估计得到的新息协方差实际值与理论值应该相等，因此，衰减因子α_k定义如下：

式中，trαce(·)表示矩阵的迹，代表实际的新息序列，代表理论新息序列；

其次，测量噪声的协方差矩阵R_k用目标关联后的各通道时间序列的噪声协方差估计得到，后者定义如下：

式中，代表时间序列中的一段数据，std代表对该段数据差分。

与现有技术相比，本发明具有以下有益的技术效果：

本发明公开的基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，涉及的多天线超宽谱雷达系统采用冲激脉冲体制，能同时保证穿透能力和对人体呼吸的检测能力。该雷达采用线性天线阵列，由1个发射天线和4个接收天线组成，每个接收天线及其接收机、模数转换器等组成4个独立的雷达回波数据通道。各个数据通道的原始雷达回波数据经过预处理和目标关联后进行自适应Kalman滤波融合，该Kalman滤波器采用恒速CV模型描述人体呼吸引起的胸部位移，并采用自适应衰减因子实现该模型过程噪声的自动识别。自适应Kalman滤波融合后输出检测到的人体呼吸波形。本发明创新的提出了超宽谱雷达式人体呼吸增强探测方法，通过对多天线接收提供的多通道信息进行数据融合，解决人体目标方位和姿势变化导致的微弱呼吸检测难题，从而增强超宽谱雷达在穿墙侦测、地震救援等应用中的人体呼吸探测能力。

附图说明

图1为多天线超宽谱雷达系统天线阵列的线性排列方式；(a)、(b)、(c)分别为三种线性排列方式；

图2为基于Kalman数据融合的回波处理算法流程；

图3为预处理后4个通道的超宽谱雷达回波数据：(a)通道1，(b)通道2，(c)通道3，(d)通道4；

图4为目标关联后4个通道的呼吸时间序列：(a)为通道1时域波形；(b)为通道1频谱；(c)为通道2时域波形；(d)为通道2频谱；(e)为通道3时域波形；(f)为通道3频谱；(g)为通道4时域波形；(h)为通道4频谱；

图5为效能评价实验示意图；

图6为志愿者目标探测结果：(a)时域波形，(b)频谱；

图7模拟呼吸装置探测结果：(a-b)接收天线1-4分别位于发射天线左右两侧并紧靠其放置，(c-d)接收天线1-4分别位于发射天线左右两侧均匀放置，(e-f)接收天线1-4紧靠并置且发射天线位于接收天线右侧。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

本发明所涉及的多天线超宽谱雷达系统采用冲激脉冲体制，系统工作宽度控制在250～750MHz，能同时保证穿透能力和对人体呼吸的检测能力。该雷达采用线性天线阵列，由1个发射天线和4个接收天线组成，每个接收天线及其接收机、模数转换器(Analog-to-Digital Convertor，ADC)等组成4个独立的雷达回波数据通道。各个数据通道的原始雷达回波数据经过预处理和目标关联后进行自适应Kalman滤波融合，该Kalman滤波器采用恒速(Constant Velocity，CV)模型描述人体呼吸引起的胸部位移，并采用自适应衰减因子实现该模型过程噪声的自动识别。自适应Kalman滤波融合后输出检测到的人体呼吸波形。

该系统主要由三个功能模块组成：天线阵列、雷达主机和计算机。其中天线阵列由1个发射天线和4个接收天线组成的线性阵列，具体排列方式包括3种，参见图1：

第一种，如图1中(a)所示，以发射天线为中心，接收天线1-4分别位于发射天线左右两侧并紧靠其放置，与发射天线的距离由天线的水平物理尺寸决定；

第二种，如图1中(b)所示，以发射天线为中心，接收天线1-4分别位于发射天线左右两侧均匀放置，天线间距不限；

第三种，如图1中(c)所示，接收天线1-4紧靠并置，发射天线位于接收天线右侧，两者之间的距离不限。图1中Tx代表发射天线，Rx1-4分别代表4个接收天线。

下面对基于Kalman数据融合的回波处理算法进行详细说明：

参见图2，该多天线超宽谱雷达系统回波数据融合算法的基本流程，由三个主要步骤组成：预处理，目标数据关联和自适应Kalman滤波。

1、预处理

预处理主要在各个数据通道内进行，用于杂波和噪声的去除，包括3个功能模块：信噪比改善、背景去除、归一化。其中，信噪比改善是在二维超宽谱原始回波数据的距离和时间上同时进行滑动平均和抽样，在提高回波数据的信杂噪比同时降低数据大小；背景去除用于去除雷达回波数据中不随时间变化的静态背景杂波，采用时间上减平均实现；归一化是将回波数据各个距离点上的时间序列的功率进行归一化，从而补偿回波强度随距离增加带来的衰减。

参见图3，为经过预处理后的4个通道的超宽谱雷达回波数据，(a)通道1，(b)通道2，(c)通道3，(d)通道4；其中包含时间和距离二维信息，距离用脉冲双程走时ns表示。由于人体呼吸比较微弱，再加上目标的方位和姿势问题，从这些数据中难以观察到人体呼吸对应的周期性变化。经预处理中的时间抽样后，数据时间维度上的采样速率由原来的64Hz变为4Hz，满足人体呼吸检测时的奈奎斯特采样要求。

2、目标关联

数据关联是把属于同一个目标的呼吸信号关联到一起，是多目标数据融合的重要环节。由于本发明仅涉及单个人体目标的呼吸探测，目标关联采用手动方式实现。具体实现方式为根据人体目标的先验距离信息，手动选择出各个通道回波数据对应距离点上的时间序列信号。图4显示了图3数据的目标关联结果(左侧)及其功率谱(右侧)，从上至下分别对应通道1，2，3，4。(a)为通道1时域波形；(b)为通道1频谱；(c)为通道2时域波形；(d)为通道2频谱；(e)为通道3时域波形；(f)为通道3频谱；(g)为通道4时域波形；(h)为通道4频谱；其中通道1选自48.0ns处，通道2选自46.8ns处，通道3选自51.6ns处，通道4选自45ns处。如图4所示，无论是从时域还是从频域，均难以观察到人体呼吸的特征。实际上图中每一个接收通道相当于一套单发单收的超宽谱雷达系统，从而表明基于这种架构的超宽谱雷达难以应对人体方位和姿势导致的微弱呼吸探测问题。

3、自适应Kalman滤波

Kalman滤波主要基于动态系统或过程的过程模型和统计知识，一般地，该过程模型采用如下的状态空间模型

x_k+1＝A_kx_k+w_k (1)

z_k＝H_kx_k+v_k

式中x_k时间点k时的状态矢量，z_k表示测量矢量，A_k表示状态转移矩阵，H_k表示测量矩阵。照此定义，上式中的两个方程实际上就是通常所说的过程方程和测量方程。因而w_k和v_k分别表示过程噪声和测量噪声，其均值和协方差定义如下：

E{w_k}＝E{V_k}＝0

式中，E{·}表示数学期望，{·}^T表示矩阵的转置，Q_i和R_i分别对应过程噪声和测量噪声的协方差矩阵。通过在最小均方意义上最小化误差协方差矩阵的后验估计，即E{e_ke_k ^T}，其中代表状态矢量x_k与其最优估计的误差，可得到Kalman滤波器的时间更新方程：

式中，表示在过程知识的基础上时间点k时的先验状态估计；表示基于实测数据获得的后验状态估计；其中代表误差协方差矩阵的先验估计；P_k＝E{e_ke_k ^T}，其中，代表误差协方差矩阵的后验估计。因而Kalman滤波器的测量更新方程为：

式中K_k代表Kalman增益，它决定了在实测数据与动态模型估计间的更新权重。

为了应用上述方程至人体呼吸检测，首先需要一个合适的动态模型来描述人体呼吸过程。由于本发明涉及的人体呼吸检测技术仅需探测呼吸特征的有无，因此常用的CV模型完全满足要求。根据该模型，式(1)中的状态矢量为x_k＝{x_k，v_k}^T，其中x_k和v_k分别表示人体呼吸过程中胸部微动的位置和速度。该式中的状态转移矩阵A_k则可被认为是时不变的A，其定义如下：

式中，Δt表示目标关联获得的时间序列的采样间隔，该值大小为采样速率4Hz的倒数，即0.25s。

本发明采用基于测量融合的Kalman融合架构，即目标关联获取的4组时间序列被组合成一个增强测量矩阵式中i＝1，2，3，4分别代表数据通道1，2，3，4中的呼吸时间序列。按照式(1)，数据融合可由测量矩阵H_k和z_k的乘积实现。本发明中H_k同样采用时不变矩阵H，其定义如下：

因而，测量噪声的协方差矩阵为式中i＝1，2，3，4代表各通道时间序列的噪声协方差。

本发明可自动识别状态空间模型中的过程噪声的协方差矩阵，从而实现自适应Kalman滤波。

首先，采用一个衰减因子α_k去调整公式(3)中的过程噪声协方差矩阵Q_k，即Q_k+1＝α_kQ_k。当Kalman滤波器处于最优状态时，从实测数据估计得到的新息协方差(innovationcovariance)实际值与理论值应该相等，因此衰减因子α_k定义如下

式中，trace(·)表示矩阵的迹，代表实际的新息序列，代表理论新息序列。

其次，测量噪声的协方差矩阵R_k用目标关联后的各通道时间序列的噪声协方差估计得到，后者定义如下：

式中，代表时间序列中的一小段数据，std代表对该段数据差分。

本发明设计具体实验对以上方法的效能进行评价：

如图5所示，该UWB生物雷达穿透一堵28cm厚的砖墙对墙后进行探测。探测过程中包括2种情况：

1)采用一位25岁的成年男性志愿者作为探测目标(P1)，探测过程中该目标蜷缩在一张行军床上，保持静止并正常呼吸；

2)采用一种模拟呼吸装置作为探测目标(P2)，该装置通过伺服马达驱动精密线性模组，将模组的旋转转化为线性位移，从而带动模组上安装的金属板运动来模拟人体呼吸引起的胸部位移，探测过程中该模组放置时使其运动方向与雷达径向垂直。

图6为志愿者目标的探测结果，天线排列采用如图1中(a)所示方式，可以看出采用该发明的方法可成功检测到目标的呼吸。图5中，(b)显示目标呼吸频率0.21Hz，与实际相符。图7为模拟呼吸装置的探测结果，从上到下分别对应天线排列方式为图1(a)、(b)和(c)时的情形。(a-b)接收天线1-4分别位于发射天线左右两侧并紧靠其放置，(c-d)接收天线1-4分别位于发射天线左右两侧均匀放置，(e-f)接收天线1-4紧靠并置且发射天线位于接收天线右侧。图中结果显示，即使在这种极端情形下——目标的运动方向垂直于雷达径向，采用图1(c)所示的天线排列方式，对多通道数据进行融合仍可检测到目标的呼吸运动。

Claims (8)

1.一种基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，其特征在于，首先，通过多天线超宽谱雷达系统提供关于人体目标呼吸的多通道信息；其次，将各个通道的原始雷达回波数据经过预处理和目标关联后进行自适应Kalman滤波融合；最后，输出探测到的人体呼吸波形和呼吸频率。

2.根据权利要求1所述的基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，其特征在于，所述多天线超宽谱雷达系统采用冲激脉冲形式，系统工作宽度控制在250～750MHz。

3.根据权利要求1所述的基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，其特征在于，所述多天线超宽谱雷达系统由三个功能模块组成：天线阵列、雷达主机及计算机；

天线阵列是由1个发射天线和4个接收天线组成的线性阵列，排列方式有以下三种：

第一种：以发射天线为中心，接收天线1～4分别位于发射天线左右两侧并紧靠其放置，与发射天线的距离由天线的水平物理尺寸决定；

第二种：以发射天线为中心，接收天线1～4分别位于发射天线左右两侧均匀放置，天线间距不限；

第三种：接收天线1～4紧靠并置，发射天线位于接收天线右侧，接收天线和发射天线之间的距离不限。

4.根据权利要求1所述的基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，其特征在于，所述预处理在各个通道内进行，用于去除杂波和噪声，具体包括信噪比改善、背景去除及归一化处理；

信噪比改善是在二维超宽谱原始回波数据的距离和时间上同时进行滑动平均和抽样，在提高回波数据的信杂噪比同时降低数据大小；

背景去除用于去除雷达回波数据中不随时间变化的静态背景杂波，采用时间上减平均实现；

归一化处理是将回波数据各个距离点上的时间序列的功率进行归一化，补偿回波强度随距离增加带来的衰减。

5.根据权利要求1所述的基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，其特征在于，目标关联是把同一个目标的呼吸信号关联到一起，根据人体目标的先验距离信息，手动选择出各个通道回波数据对应距离点上的时间序列信号。

6.根据权利要求1所述的基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，其特征在于，自适应Kalman滤波融合过程采用如下式的状态空间模型：

x_k+1＝A_kx_k+w_k (1)

z_k＝H_kx_k+v_k

式中，x_k表示时间点k时的状态矢量，z_k表示测量矢量，A_k表示状态转移矩阵，H_k表示测量矩阵；式中的两个方程为过程方程和测量方程，w_k和v_k分别表示过程噪声和测量噪声，其均值和协方差定义如下：

$\begin{array}{c}E\left\{w_k\right\}=E\left\{v_k\right\}=0\\ E\left\{w_i{v_j}^T\right\}=0\\ E\left\{w_i{w_j}^T\right\}=\left\{\begin{array}{cc}{Q}_i,& i=j\\ 0,& i\≠j\end{array}\right.\\ E\left\{v_i{v_j}^T\right\}=\left\{\begin{array}{cc}{R}_i,& i=j\\ 0,& i\≠j\end{array}\right.\end{array}---\left(2\right)$

式中，E{·}表示数学期望，{·}^T表示矩阵的转置，Q_i和R_i分别对应过程噪声和测量噪声的协方差矩阵；

通过在最小均方意义上最小化误差协方差矩阵的后验估计，即E{e_ke_k ^T}，其中，代表状态矢量x_k与其最优估计的误差，则得到Kalman滤波器的时间更新方程：

${\hat{x}}_{k+1}^{-}=A_k{\hat{x}}_k---\left(3\right)$

$P_{k+1}^{-}=A_k{P}_k{A_k}^T+Q_k$

式中，表示在人体呼吸模型的基础上时间点k时的先验状态估计；表示基于实测数据获得的后验状态估计；其中，代表误差协方差矩阵的先验估计；P_k＝E{e_ke_k ^T}，其中，代表误差协方差矩阵的后验估计；因而，Kalman滤波器的测量更新方程为：

$\begin{array}{c}{K}_k=P_k^{-}{H_k}^T{(H_k{P}_k^{-}{H_k}^T+R_k)}^{-1}\\ {\hat{x}}_k={\hat{x}}_k^{-}+K_k(z_k-H_k{\hat{x}}_k^{-})\\ P_k=(I-K_k{H}_k)P_k^{-}\end{array}---\left(4\right)$

式中，K_k代表Kalman增益，它决定了在实测数据与动态模型估计间的更新权重。

7.根据权利要求6所述的基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，其特征在于，人体呼吸过程选择采用恒速Constant Velocity模型进行描述，根据该模型，式(1)中的状态矢量为x_k＝{x_k，v_k}^T，其中x_k和v_k分别表示人体呼吸过程中胸部微动的位置和速度，该式中的状态转移矩阵A_k则被认为是时不变的A，其定义如下：

$A=\left[\begin{array}{cc}1& \mathrm{\Δ}t\\ 0& 1\end{array}\right]---\left(5\right)$

式中，Δt表示目标关联获得的时间序列的采样间隔，该值大小为采样速率4Hz的倒数，即0.25s；

基于测量融合的Kalman融合架构，即目标关联获取的4组时间序列被组合成一个增强测量矩阵，式中，i＝1，2，3，4分别代表数据通道1，2，3，4中的呼吸时间序列，则按照式(1)，数据融合由测量矩阵H_k和z_k的乘积实现；其中，H_k同样采用时不变矩阵H，其定义如下：

$H=\left[\begin{array}{cc}1& 0\\ 1& 0\\ 1& 0\\ 1& 0\end{array}\right]---\left(6\right)$

因而，测量噪声的协方差矩阵为式中，i＝1，2，3，4代表各通道时间序列的噪声协方差。

8.根据权利要求7所述的基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法，其特征在于，通过自动识别状态空间模型中的过程噪声的协方差矩阵，从而实现自适应Kalman滤波，具体操作如下：

首先，采用一个衰减因子α_k去调整公式(3)中的过程噪声协方差矩阵Q_k，即Q_k+1＝α_kQ_k，当Kalman滤波器处于最优状态时，从实测数据估计得到的新息协方差实际值与理论值应该相等，因此，衰减因子α_k定义如下：

${\mathrm{\α}}_k=\frac{trace\left(E\right\{d_k{d_k}^T\left\}\right)}{trace(H_k{P}_k^{-}{H_k}^T+R_k)}---\left(7\right)$

式中，trace(·)表示矩阵的迹，代表实际的新息序列，代表理论新息序列；

其次，测量噪声的协方差矩阵R_k用目标关联后的各通道时间序列的噪声协方差估计得到，后者定义如下：

$R_k^i=\frac{std\left({\mathrm{\Δz}}_k^i\right)}{\sqrt{2}}---\left(8\right)$

式中，代表时间序列中的一段数据，std代表对该段数据差分。