非接触生命参数检测系统动/静目标的识别技术
Technology for motional/motionless object recognition in noncontact lifeparameter detecting system
LI Jie, WANG JianQi, JING XiJing, XIE Sheng, LU GuoHua , ZHANG Yang
Department of Electronics, School of Biomedical Engineering, Fourth Military Medical University, Xian 710033, China
【Abstract】 AIM: To offer more object information to the rescue team by recognizing the motional/motionless state of an object in the detecting range of a noncontact lifeparameter detecting system. METHODS: After extracting the respiration signals and the body signals, we compared the frequency domain energy of the signals with the threshold by a method based on Fast Fourier Transform (FFT). RESULTS: In human detecting experiment of 20 cm and 30 cm thick wall, the motional/motionless state of an object was found to be well related to the energy ratio between the respiration signals and body signals within the detecting range of the system. CONCLUSION: This method can be used by noncontact lifeparameter detecting system in different detecting conditions and can rapidly recognize the motional/motionless state of an object, thus enhancing the function of the system.
【Keywords】 object recognition; fast fourier transform; energy ratio; threshold; Delphi
【摘要】 目的： 识别非接触生命参数检测系统探测范围内目标的运动/静止状态，为探测人员提供更加丰富的目标信息. 方法：提取系统检测到的呼吸路信号和体动路信号，选取最优的数据长度分别进行快速傅里叶变换(FFT)，对变换后两路信号的频域能量分析比较，参照设定的阈值进行识别. 结果：20 cm和30 cm穿墙探人实验表明，在系统的探测范围内，目标的运动/静止壮态与呼吸路信号和体动路信号的频域能量比有着良好的相关性. 结论： 本方法适用于不同的探测环境中的非接触生命参数检测系统，能够迅速对目标的运动/静止状态进行识别，增强了此系统的使用功能.
【关键词】 目标识别；快速傅里叶变换；能量比；阈值；Delphi
0引言
非接触生命参数检测系统是利用非接触检测技术[1-3]，通过对雷达技术、电子技术及计算机技术综合运用,从携有微弱人体生命体征(呼吸、体动等)的雷达回波信号中检测出人体生命参数[4]. 利用这种技术，可以实现对人体呼吸、体动进行非接触的探测，而且还可以穿透一定的介质(砖墙或废墟)，间隔一定的距离探测人体的生命特征[5]. 目前，非接触生命参数检测系统只能探测有/无生命体信息，在实际应用中，为进一步了解生命体的状态，(静止或移动)，本研究提出了动(躯体运动)/静(平静呼吸)目标识别技术，通过对检测到的信号频域能量分析比较，以判定目标的运动/静止.
1设计思路
非接触生命参数检测系统的信号经预处理[6]，输出分：呼吸路和体动路两路信号. 通过对目标处于运动和静止两种状态时的体动路信号进行时域和频域分析，当人体目标处于运动状态时，反射回来的雷达波所携带的体动路信息能量大于目标处于静止状态时的体动路信息能量(Fig 1). 如果我们设置了适当的能量阈值，那么当能量大于该阈值时，就可以判断此时的目标处于运动状态；反之，则处于静止状态. 由于探测环境复杂，目标的不同距离，穿透介质的不同类型和厚度，都将影响雷达的回波能量，因此阈值的设置就成关键，为此我们拟采用能量比的方法，结合大量试验结果，设置适宜的阈值.
2算法设计
2.1关键算法实现
2.1.1数据长度数据长度的选取关系到系统识别速度. 目标的走动和身体的晃动多表现为瞬时的运动信号，所以数据长度不宜太长；数据长度太短提供的信息量过少，易造成系统的误判，因此数据长度的长短直接影响到识别效果. 通过实验发现，采用5 s以上的数据作为数据长度，由于数据长度过长，系统识别的速度也因之较长(大于5 s)，无法实现瞬间判别. 采用3 s的数据则可以克服这一缺点，同时也能够作出准确识别，系统的识别速度为3～4 s，满足实际需要. 因此，当采样频率为fS时，数据长度为3×fS，以此数据长度分别对呼吸路和体动路信号作FFT，得出两路信号的频谱图.
2.1.2有效频率范围非接触生命参数检测系统中有确定的频率范围(fLffH),呼吸路信号和体动路信号包含低频成分，尤其是呼吸路信号接近于直流分量，直流分量的存在对频谱分析带来很大影响(主要影响下面描述的模的最大值)，因此必须去除频谱中的直流分量. 去除直流分量后得到有效频率范围，按照实际频率f相对于采样频率fS的运算公式：
f=fS×k〖〗N，(k为频点，N为FFT长度)
通过实际频率的计算得出有效频率范围所对应的频点范围(k1, k2).
2.1.3体动路能量当目标处于运动状态时，体动路信号模的最大值大于目标处于静止状态时模的最大值. 用模的最大值乘以有效频率范围即为体动路能量，模的最大值越大，体动路能量值也就越大(实际中应该用模的平方乘以作为能量，由于不影响结果，为了减少运算量，算法省去了求平方这一步). 在取模的最大值时，为了降低系统的偶然性，算法采用取平均值法. 对体动信号进行FFT变换后，找出模值最大的3个点，以这3个值的平均值作为模的最大值MOmax. 体动路能量计算公式为：
E=MOmax(k2-k1).
2.1.4呼吸路能量雷达反射信号的能量大小与目标的距离的平方成反比，与目标的运动幅度的平方成正比. 由于受到目标的距离的影响，不能仅仅根据体动能量的大小作为动/静目标的判定依据. Fig 2中，通过分析，目标分别处于运动和静止状态时，呼吸路信号的能量变化远远小于体动路信号能量的变化，而呼吸路信号的能量大小与目标的距离的平方成反比. 利用这一特点，我们把呼吸路信号的能量作为参考能量，用呼吸路信号的能量与体动路信号的能量比值作为判断依据，就可以去除目标距离对动/静识别带来的影响.
呼吸路信号进行FFT变换后，把有效频率范围中频率分量的模累加，所得到的值即为呼吸路能量E. 用呼吸路能量除以体动路能量，得出的值为能量比γ. 能量比越大，则体动能量越小，目标即处于静止状态；能量比越小，则体动能量越大，目标即处于运动状态.
γ=E〖〗E
2.1.5设定γ阈值γ阈值的设定是动/静目标识别的关键所在. 通过对所拥有的现有天线进行反复的实验，我们发现在不同的环境、穿透不同厚度的墙体、选用不同的观察对象，当目标处于运动状态时，γ的范围为(0.1～0.6)；当目标处于静止状态时，γ的范围为(1.5～20). 因此把阈值设定为0.9,当能量比小于此阈值时，判定为动目标；反之，则为静目标.
2.2软件流程软件的编写是采用面向对象的程序设计Delphi作为开发平台的. 动/静目标识别要求对数据进行实时运算处理，软件流程设计关系到系统性能的优劣，Fig 3为软件的流程图.
3结果
分别进行20 cm和30 cm砖墙隔墙探人实验，实验结果如Tab 1和Tab 2所示. 表120 cm砖墙隔墙探人实验结果(略)表230 cm砖墙隔墙探人实验结果(略)
通过实验得出结论，设定阈值为0.9，穿透20 cm单砖墙，目标距天线6.4 m以内，可以准确识别目标的运动/静止状态，反应时间约3～4 s；穿透30 cm单砖墙，目标距天线5.4 m以内，可以准确识别目标的运动/静止状态，反应时间约3～4 s，符合设计要求.
4讨论
非接触生命参数检测系统穿透砖墙或废墟等介质，能够检测到有无生命体的存在，但却无法向使用人员提供更多的目标信息. 目标是否走动，躯体是否有动作，是对目标进行分类的重要参数，使用人员可以借助此类信息对探测区域的人员状况进一步分析，为救援、反恐等行动提供必要的参考. 动/静目标识别技术的开发，能够迅速准确地对目标地运动或静止状态进行识别，并给出确定结果.
动/静目标识别算法避免了单纯采用时域能量判别的弊端. 从Fig 1中我们可以看出，当目标处于运动状态时，时域信号的波形起伏远远大于目标处于静止状态波形起伏，对时域信号进行方差计算，得到时域信号的能量. 通过对能量大小的分析，我们也可以判断目标是否处于运动状态. 但这种方法只能在目标距离一定的情况下进行判断，因为固定频率的连续波雷达无法提供距离信息，而雷达回波的能量与目标距离的平方成反比，目标距离的变化也会引起能量的变化. 若仅以能量的变化作为判别动/静目标的标准，目标距离的远近对能量的影响使我们无法找到固定的阈值，因此采用频域的方法，并借助呼吸路能量作为参考能量,能够有效的消除距离对识别带来的影响.
目前γ阈值的设定是通过实验积累的方法，在不同的环境，穿透不同的介质，对不同的目标进行识别，获得适宜的阈值. 由于影响阈值的因素很多(如环境、介质等)，所以目前还不能给出经验公式来确定阈值，有待进一步研究.
【参考文献】
[1] Kwok MC, Pepper MG. Noninvasive detection of ventricular wall motion by electromagnetic coupling [J]. Med Biol Eng Comput, 1991;29(2)：136-140.
[2] 倪安胜，王健琪，杨国胜，等. 基于FFT频域积累的非接触生命参数信号检测[J]. 第四军医大学学报，2003;24(2)：172-175.
Ni AS, Wang JQ, Yang GS, et al. Noncontact lifeparameters signal detecting of frequency domain signal integration based on FFT [J]. J Fourth Mil Med Univ, 2003,24(2)：172-175.
[3] 杨冬，王健琪，荆西京，等. 基于BP神经网络的非接触生命参数信号检测[J]. 第四军医大学学报，2004；25(14):1249-1251.
Yang D, Wang JQ, Jing XJ, et al. Detection of noncontact lifeparameter signals by BP neural network [J]. J Fourth Mil Med Univ, 2004;25(14):1249-1251.
[4] Wang JQ, Zheng CX, Jing XJ, et al. Study on a noncontact life parameter detection system using millimeter wave [J]. Space Med Med Eng, 2004;17(3)：157-161.
[5] 路国华，王健琪，杨国胜，等. 非接触生命体征检测系统中噪声的非线性压缩[J]. 中国医疗器械杂志，2001;25(6)：316-317.
Lu GH, Wang JQ, Yang GS, et al. Nonlinear compression for noises in noncontact vital signs detecting system [J]. Chin J Med Instrument, 2001;25(6)：316-317.
[6] 荆西京，王健琪，路国华，等. 雷达式非接触生命参数检测的信号预处理[J] . 医疗卫生装备，2003;24(11)：21.
Jing XJ, Wang JQ, Lu GH, et al. Signal preprocessing of noncontact life parameters detection by radar technology [J].Chin Med Equip J, 2003L24(11)：21.
基金项目：国家自然科学基金(60171021)
通讯作者：王健琪. Tel. (029)83374395Email.wangjq@fmmu.edu.cn
作者简介：李杰(1980)，男(汉族)，安徽省六安市人. 硕士生(导师王健琪). Tel. (029)83374845Ext.806Email. feihu96@eyou.com
(第四军医大学生物医学工程系电子学教研室，陕西 西安 710033)
编辑何扬举, 百拇医药(李杰，王健琪，荆西京，谢昇，路国华，张杨)
LI Jie, WANG JianQi, JING XiJing, XIE Sheng, LU GuoHua , ZHANG Yang
Department of Electronics, School of Biomedical Engineering, Fourth Military Medical University, Xian 710033, China
【Abstract】 AIM: To offer more object information to the rescue team by recognizing the motional/motionless state of an object in the detecting range of a noncontact lifeparameter detecting system. METHODS: After extracting the respiration signals and the body signals, we compared the frequency domain energy of the signals with the threshold by a method based on Fast Fourier Transform (FFT). RESULTS: In human detecting experiment of 20 cm and 30 cm thick wall, the motional/motionless state of an object was found to be well related to the energy ratio between the respiration signals and body signals within the detecting range of the system. CONCLUSION: This method can be used by noncontact lifeparameter detecting system in different detecting conditions and can rapidly recognize the motional/motionless state of an object, thus enhancing the function of the system.
【Keywords】 object recognition; fast fourier transform; energy ratio; threshold; Delphi
【摘要】 目的： 识别非接触生命参数检测系统探测范围内目标的运动/静止状态，为探测人员提供更加丰富的目标信息. 方法：提取系统检测到的呼吸路信号和体动路信号，选取最优的数据长度分别进行快速傅里叶变换(FFT)，对变换后两路信号的频域能量分析比较，参照设定的阈值进行识别. 结果：20 cm和30 cm穿墙探人实验表明，在系统的探测范围内，目标的运动/静止壮态与呼吸路信号和体动路信号的频域能量比有着良好的相关性. 结论： 本方法适用于不同的探测环境中的非接触生命参数检测系统，能够迅速对目标的运动/静止状态进行识别，增强了此系统的使用功能.
【关键词】 目标识别；快速傅里叶变换；能量比；阈值；Delphi
0引言
非接触生命参数检测系统是利用非接触检测技术[1-3]，通过对雷达技术、电子技术及计算机技术综合运用,从携有微弱人体生命体征(呼吸、体动等)的雷达回波信号中检测出人体生命参数[4]. 利用这种技术，可以实现对人体呼吸、体动进行非接触的探测，而且还可以穿透一定的介质(砖墙或废墟)，间隔一定的距离探测人体的生命特征[5]. 目前，非接触生命参数检测系统只能探测有/无生命体信息，在实际应用中，为进一步了解生命体的状态，(静止或移动)，本研究提出了动(躯体运动)/静(平静呼吸)目标识别技术，通过对检测到的信号频域能量分析比较，以判定目标的运动/静止.
1设计思路
非接触生命参数检测系统的信号经预处理[6]，输出分：呼吸路和体动路两路信号. 通过对目标处于运动和静止两种状态时的体动路信号进行时域和频域分析，当人体目标处于运动状态时，反射回来的雷达波所携带的体动路信息能量大于目标处于静止状态时的体动路信息能量(Fig 1). 如果我们设置了适当的能量阈值，那么当能量大于该阈值时，就可以判断此时的目标处于运动状态；反之，则处于静止状态. 由于探测环境复杂，目标的不同距离，穿透介质的不同类型和厚度，都将影响雷达的回波能量，因此阈值的设置就成关键，为此我们拟采用能量比的方法，结合大量试验结果，设置适宜的阈值.
2算法设计
2.1关键算法实现
2.1.1数据长度数据长度的选取关系到系统识别速度. 目标的走动和身体的晃动多表现为瞬时的运动信号，所以数据长度不宜太长；数据长度太短提供的信息量过少，易造成系统的误判，因此数据长度的长短直接影响到识别效果. 通过实验发现，采用5 s以上的数据作为数据长度，由于数据长度过长，系统识别的速度也因之较长(大于5 s)，无法实现瞬间判别. 采用3 s的数据则可以克服这一缺点，同时也能够作出准确识别，系统的识别速度为3～4 s，满足实际需要. 因此，当采样频率为fS时，数据长度为3×fS，以此数据长度分别对呼吸路和体动路信号作FFT，得出两路信号的频谱图.
2.1.2有效频率范围非接触生命参数检测系统中有确定的频率范围(fLffH),呼吸路信号和体动路信号包含低频成分，尤其是呼吸路信号接近于直流分量，直流分量的存在对频谱分析带来很大影响(主要影响下面描述的模的最大值)，因此必须去除频谱中的直流分量. 去除直流分量后得到有效频率范围，按照实际频率f相对于采样频率fS的运算公式：
f=fS×k〖〗N，(k为频点，N为FFT长度)
通过实际频率的计算得出有效频率范围所对应的频点范围(k1, k2).
2.1.3体动路能量当目标处于运动状态时，体动路信号模的最大值大于目标处于静止状态时模的最大值. 用模的最大值乘以有效频率范围即为体动路能量，模的最大值越大，体动路能量值也就越大(实际中应该用模的平方乘以作为能量，由于不影响结果，为了减少运算量，算法省去了求平方这一步). 在取模的最大值时，为了降低系统的偶然性，算法采用取平均值法. 对体动信号进行FFT变换后，找出模值最大的3个点，以这3个值的平均值作为模的最大值MOmax. 体动路能量计算公式为：
E=MOmax(k2-k1).
2.1.4呼吸路能量雷达反射信号的能量大小与目标的距离的平方成反比，与目标的运动幅度的平方成正比. 由于受到目标的距离的影响，不能仅仅根据体动能量的大小作为动/静目标的判定依据. Fig 2中，通过分析，目标分别处于运动和静止状态时，呼吸路信号的能量变化远远小于体动路信号能量的变化，而呼吸路信号的能量大小与目标的距离的平方成反比. 利用这一特点，我们把呼吸路信号的能量作为参考能量，用呼吸路信号的能量与体动路信号的能量比值作为判断依据，就可以去除目标距离对动/静识别带来的影响.
呼吸路信号进行FFT变换后，把有效频率范围中频率分量的模累加，所得到的值即为呼吸路能量E. 用呼吸路能量除以体动路能量，得出的值为能量比γ. 能量比越大，则体动能量越小，目标即处于静止状态；能量比越小，则体动能量越大，目标即处于运动状态.
γ=E〖〗E
2.1.5设定γ阈值γ阈值的设定是动/静目标识别的关键所在. 通过对所拥有的现有天线进行反复的实验，我们发现在不同的环境、穿透不同厚度的墙体、选用不同的观察对象，当目标处于运动状态时，γ的范围为(0.1～0.6)；当目标处于静止状态时，γ的范围为(1.5～20). 因此把阈值设定为0.9,当能量比小于此阈值时，判定为动目标；反之，则为静目标.
2.2软件流程软件的编写是采用面向对象的程序设计Delphi作为开发平台的. 动/静目标识别要求对数据进行实时运算处理，软件流程设计关系到系统性能的优劣，Fig 3为软件的流程图.
3结果
分别进行20 cm和30 cm砖墙隔墙探人实验，实验结果如Tab 1和Tab 2所示. 表120 cm砖墙隔墙探人实验结果(略)表230 cm砖墙隔墙探人实验结果(略)
通过实验得出结论，设定阈值为0.9，穿透20 cm单砖墙，目标距天线6.4 m以内，可以准确识别目标的运动/静止状态，反应时间约3～4 s；穿透30 cm单砖墙，目标距天线5.4 m以内，可以准确识别目标的运动/静止状态，反应时间约3～4 s，符合设计要求.
4讨论
非接触生命参数检测系统穿透砖墙或废墟等介质，能够检测到有无生命体的存在，但却无法向使用人员提供更多的目标信息. 目标是否走动，躯体是否有动作，是对目标进行分类的重要参数，使用人员可以借助此类信息对探测区域的人员状况进一步分析，为救援、反恐等行动提供必要的参考. 动/静目标识别技术的开发，能够迅速准确地对目标地运动或静止状态进行识别，并给出确定结果.
动/静目标识别算法避免了单纯采用时域能量判别的弊端. 从Fig 1中我们可以看出，当目标处于运动状态时，时域信号的波形起伏远远大于目标处于静止状态波形起伏，对时域信号进行方差计算，得到时域信号的能量. 通过对能量大小的分析，我们也可以判断目标是否处于运动状态. 但这种方法只能在目标距离一定的情况下进行判断，因为固定频率的连续波雷达无法提供距离信息，而雷达回波的能量与目标距离的平方成反比，目标距离的变化也会引起能量的变化. 若仅以能量的变化作为判别动/静目标的标准，目标距离的远近对能量的影响使我们无法找到固定的阈值，因此采用频域的方法，并借助呼吸路能量作为参考能量,能够有效的消除距离对识别带来的影响.
目前γ阈值的设定是通过实验积累的方法，在不同的环境，穿透不同的介质，对不同的目标进行识别，获得适宜的阈值. 由于影响阈值的因素很多(如环境、介质等)，所以目前还不能给出经验公式来确定阈值，有待进一步研究.
【参考文献】
[1] Kwok MC, Pepper MG. Noninvasive detection of ventricular wall motion by electromagnetic coupling [J]. Med Biol Eng Comput, 1991;29(2)：136-140.
[2] 倪安胜，王健琪，杨国胜，等. 基于FFT频域积累的非接触生命参数信号检测[J]. 第四军医大学学报，2003;24(2)：172-175.
Ni AS, Wang JQ, Yang GS, et al. Noncontact lifeparameters signal detecting of frequency domain signal integration based on FFT [J]. J Fourth Mil Med Univ, 2003,24(2)：172-175.
[3] 杨冬，王健琪，荆西京，等. 基于BP神经网络的非接触生命参数信号检测[J]. 第四军医大学学报，2004；25(14):1249-1251.
Yang D, Wang JQ, Jing XJ, et al. Detection of noncontact lifeparameter signals by BP neural network [J]. J Fourth Mil Med Univ, 2004;25(14):1249-1251.
[4] Wang JQ, Zheng CX, Jing XJ, et al. Study on a noncontact life parameter detection system using millimeter wave [J]. Space Med Med Eng, 2004;17(3)：157-161.
[5] 路国华，王健琪，杨国胜，等. 非接触生命体征检测系统中噪声的非线性压缩[J]. 中国医疗器械杂志，2001;25(6)：316-317.
Lu GH, Wang JQ, Yang GS, et al. Nonlinear compression for noises in noncontact vital signs detecting system [J]. Chin J Med Instrument, 2001;25(6)：316-317.
[6] 荆西京，王健琪，路国华，等. 雷达式非接触生命参数检测的信号预处理[J] . 医疗卫生装备，2003;24(11)：21.
Jing XJ, Wang JQ, Lu GH, et al. Signal preprocessing of noncontact life parameters detection by radar technology [J].Chin Med Equip J, 2003L24(11)：21.
基金项目：国家自然科学基金(60171021)
通讯作者：王健琪. Tel. (029)83374395Email.wangjq@fmmu.edu.cn
作者简介：李杰(1980)，男(汉族)，安徽省六安市人. 硕士生(导师王健琪). Tel. (029)83374845Ext.806Email. feihu96@eyou.com
(第四军医大学生物医学工程系电子学教研室，陕西 西安 710033)
编辑何扬举, 百拇医药(李杰，王健琪，荆西京，谢昇，路国华，张杨)