An Approach and Experiments for Human Respiratory Signal Recognition based on UWB Radar and Support Vector Machine
-
摘要: 与常规雷达相比，超宽带雷达具有距离分辨力高、近距离盲区小、穿透性强、目标识别率高等特点，已被广泛应用于灾后搜寻、救援工作中，以对受困生命体征目标进行生命探测。为实现使用超宽带雷达对受困生命体征目标的识别定位，本研究提出基于信号多特征提取技术及支持向量机模型的人体呼吸信号识别方法。首先，使用经验模态分解、变分模态分解及希尔伯特变换提取雷达探测信号的微多普勒特征，使用傅里叶变换提取宏观频谱特征，使用相关分析获取相关性特征；然后，以提取的信号特征为输入，使用支持向量机模型对信号进行分类，进而对人体呼吸信号进行识别，对人体位置进行定位。不同障碍物场景下的试验结果表明，本方法可有效识别砖墙、建筑楼板等遮挡物下的受困生命体征目标，并提供其位置信息。Abstract: Compared with conventional radar, the ultra-wideband (UWB) radar has the advantages of high distance resolution, small blind spot at close range, strong penetration, and high target recognition rate. Therefore, it has been widely used in post-disaster Radar-based Life Detecting System. In order to identify and locate the trapped person using UWB radar, a method based on signal multi-feature extraction and support vector machine model for human respiratory signal recognition is proposed in this paper. Firstly, we use empirical mode decomposition, variational mode decomposition, and Hilbert transformation to extract the micro-Doppler characteristics of echo signals use Fourier transformation to extract the spectrum characteristics and use correlation analysis to obtain the correlation characteristics. Then, the signals are classified by a support vector machine model based on these signal features. As a result, the respiratory signal can be identified and the position of the human body can be located. The experimental results obtained from different scenes show that the proposed method can effectively identify the human body which is shielded by brick walls and floor slabs, and the location of the human body can be determined at the same time.
-
Key words:
- Ultra-broadband radar /
- Life detection /
- Signal processing /
- Support vector machine
-
引言
“超宽带”（Ultra Wide Band，简称UWB）一词最早出现于1989年的美国国防部相关技术文档中。关于超宽带信号的理论研究最早出现在20世纪五六十年代，Harmuth于1969年首次提出了超宽带脉冲发射机、接收机的设计雏形（Harmuth，1969a，1969b；Gibbs，1970）。目前，超宽带主要应用于超宽带通信技术和超宽带雷达技术中。由于超宽带雷达技术可根据设计需求实现高穿透率、低功耗和高速宽带等要求（Withington等，2003），已被广泛应用于雷达生命探测领域，用于探测人类目标。震后人员搜救和医疗人体监测是超宽带雷达技术应用的主要方向（Li等，2009；Scalise等，2013）。
在生命探测任务中，呼吸和心跳是用来表示生命体征的最重要生理特征（Ossberger等，2004；Yarovoy等，2006；Luz等，2016）。为从雷达回波信号中识别呼吸和心跳特征，近年来国内外研究人员开展了大量研究，如Tariq等（2011）基于小波变换从回波信号中提取呼吸频率；Wu等（2016）提出一种加权积累算法，可实时识别呼吸信号；Li等（2014）利用奇异值分解（Singular Value Decomposition，简称SVD）和经验模态分解（Empirical Mode Decomposition，简称EMD）开发了面向复杂环境的呼吸和心跳频率提取方法；Ren等（2016）研发了使用超宽带脉冲多普勒雷达的基于相位分析的心率检测方法；孙公德等（2017）使用分布式超宽带雷达构建协同探测网络，对地震被困人员进行探测；Ma等（2021）使用能量、频率、小波熵和相关系数等信号特征，对宠物和人类生命特征进行区分，以保证超宽带雷达生命体征检测的可靠性。随着神经网络及机器学习技术在不同领域的广泛应用，部分研究人员将其应用于基于超宽带雷达的人体识别技术中，以提高人体检测精度（蒋留兵等，2019；王亚夫等，2021；崔学荣等，2021）。
使用超宽带雷达探测模块，本文提出基于人体呼吸特征的灾后人员探测方法。考虑单一信号特征在不同环境下的可靠性差异，联合多种信号分析处理技术，以提取微多普勒特征、宏观频谱特征及相关性特征等，从而提高人体识别的鲁棒性。基于提取的信号特征，使用支持向量机模型对信号进行分类，进而区分信号中的生命体信息及非生命体信息。根据分类结果，最终获取受困生命体征目标的位置信息。其中，用于训练支持向量机模型的数据为试验场景下的探测数据。随着试验数据和真实灾后场景下探测数据的积累，可获取识别可靠性更高、应用性更强的人体识别模型。
1. 基于支持向量机的人体呼吸信号识别算法
1.1 支持向量机分类模型
给定训练样本集
$ D = \left\{ {\left( {{{\boldsymbol{x}}_1},{{\boldsymbol{y}}_1}} \right),\left( {{{\boldsymbol{x}}_2},{{\boldsymbol{y}}_2}} \right), \cdots ,\left( {{{\boldsymbol{x}}_m},{{\boldsymbol{y}}_m}} \right)} \right\},\; $ $ {{\boldsymbol{y}}_i} \in \left\{ { - 1, + 1} \right\} $ ，分类学习的基本思想是找到1个超平面，将不同类别的样本进行划分（图1）。在本研究中，训练样本集中的${{\boldsymbol{x}}_m}$ 表示第m个探测样本的信号特征向量，${{\boldsymbol{y}}_m}$ 为对应的标注信息。划分超平面可通过下式描述：$$ {{\boldsymbol{w}}^{\text{T}}}{\boldsymbol{x}} + b = 0 $$ (1) 式中，
${\boldsymbol{w}} = \left( {{w_1},\;{w_2},\; \cdots ,\;{w_d}} \right)$ ，为法向量，法向量长度d等于x中特征值的数量，决定了超平面的方向；b为位移项，决定了超平面与原点之间的距离。支持向量机（Support Vector Machine，简称SVM）模型可用式（2）描述，即寻找具有最大间隔（
$\gamma = 2/\left\| {\boldsymbol{w}} \right\|$ ）的超平面，对样本进行划分（Cortes等，1995）。$$ \begin{gathered} \mathop {\min }\limits_{{\boldsymbol{w}},b} \;\;\frac{1}{2}{\left\| {\boldsymbol{w}} \right\|^2} \hfill \\ {\text{s}}{\text{.t}}{\text{.}}\;{y_i}\left( {{{\boldsymbol{w}}^T}{x_i} + b} \right) \geqslant 1,\;\;i = 1,2, \cdots ,m \hfill \\ \end{gathered} $$ (2) 考虑本研究中涉及的训练样本是非线性可分的，引入映射函数
$\phi \left( {\boldsymbol{x}} \right)$ 将原始的样本空间映射到1个更高维的特征空间，并引入损失函数，在最大化间隔的同时，使不满足约束的样本尽量少，则在高维特征空间中的超平面模型为：$$ f\left( {\boldsymbol{x}} \right) = {{\boldsymbol{w}}^{\text{T}}}\phi \left( {\boldsymbol{x}} \right) + b $$ (3) 相应地，支持向量机模型可表示为：
$$ \begin{gathered} \mathop {\min }\limits_{{\boldsymbol{w}},b,{\xi _i}} \;\;\frac{1}{2}{\left\| {\boldsymbol{w}} \right\|^2} + C\sum\limits_{i = 1}^m {{\xi _i}} \hfill \\ {\text{s}}{\text{.t}}{\text{.}}\;\;{y_i}\left( {{{\boldsymbol{w}}^{\text{T}}}\phi \left( {{{\boldsymbol{x}}_i}} \right) + b} \right) \geqslant 1 - {\xi _i} \hfill \\ \;\;\;\;\;{\xi _i} \geqslant 0\;\;,\;\;i = 1,2, \cdots ,m\; \hfill \\ \end{gathered} $$ (4) 式中，C为常数，且
$C > 0$ ；${\xi _i}$ 为松弛变量。求解式（4）所述问题时，会涉及到计算$\phi {\left( {{{\boldsymbol{x}}_i}} \right)^{\text{T}}}\phi \left( {{{\boldsymbol{x}}_j}} \right)$ ，这是样本${{\boldsymbol{x}}_i}$ 和${{\boldsymbol{x}}_j}$ 映射到高维特征空间后的内积，一般难以直接计算。为解决该问题，需使用核函数$\kappa \left( {{{\boldsymbol{x}}_i},{{\boldsymbol{x}}_j}} \right) = \phi {\left( {{{\boldsymbol{x}}_i}} \right)^{\text{T}}}\phi \left( {{{\boldsymbol{x}}_i}} \right)$ 进行求解（Cristianini等，2000），本研究所使用的核函数为：$$ \kappa \left( {{{\boldsymbol{x}}_i},{{\boldsymbol{x}}_j}} \right) = \exp \left( - \frac{{{{\left\| {{{\boldsymbol{x}}_i} - {{\boldsymbol{x}}_j}} \right\|}^2}}}{{2{\sigma ^2}}}\right) $$ (5) 式中，
$\sigma $ 为高斯核的带宽，且$\sigma > 0$ 。结合拉格朗日乘子法和SMO（Sequential Minimal Optimization）算法（Platt，1999）对式（4）进行求解，即可得到基于训练集D的支持向量机分类模型。1.2 人体呼吸信号识别算法
使用支持向量机分类模型对超宽带雷达探测信号中的人体呼吸信号进行识别，识别步骤依次为探测信号汇集、探测信号去噪及标准化、信号特征提取、信号分类、获取识别结果。算法总体流程如图2所示。
1.2.1 超宽带雷达回波信号预处理
使用超宽带雷达对目标进行扫描，获取一定时长的雷达回波信号，形成M×N维信号矩阵
${\boldsymbol{X}}\left( {m,n} \right)$ ，其中M为快时时刻（即距离单元数），N为慢时时刻，$m = 0,1, \cdots ,{{M}} - 1$ ，$n = 0,1, \cdots ,{{N}} - 1$ 。对于每个距离单元，记雷达回波信号为$ {x^m}(n) $ 。受设备自身和外界环境的影响，原始雷达回波信号中包含了大量杂波和噪声干扰。为削弱或消除这些干扰，使用式（6）对每个距离单元上的回波信号进行有限一阶差分滤波。
$$ {\tilde x^m}(n) = {x^m}\left( n \right){{ - }}{x^m}\left( {n - 1} \right) $$ (6) 为消除不同探测试验之间的量纲影响，使用式（7）对滤波后的回波信号进行标准化处理，获取对应的标准化信号。
$$ x_{{\rm{norm}}}^m\left( n \right) = \frac{{{{\tilde x}^m}\left( n \right)}}{{\displaystyle\sum {{{\tilde x}^m}{{\left( n \right)}^2}} }} $$ (7) 1.2.2 信号多特征提取
为训练支持向量机模型，并使用模型对信号进行分类，需要对信号进行特征提取。考虑不同探测环境下，各类信号特征受环境影响的程度不同，使用多种信号特征对雷达回波信号进行描述，以提高模型在不同探测环境中的鲁棒性。
（1）微多普勒特征提取
对标准化信号
$x_{\rm{norm}}^m(n)$ 进行经验模态分解（Huang等，1998），获取其本征模函数（Intrinsic Mode Functions，简称IMF），记为$IMF_l^E\;\left( {l = 1,2, \cdots ,{L^E}} \right)$ ，${L^E}$ 为经验模态分解后的IMF数量。由于第1阶本征模函数中包含了高频噪声成分，选取第2～4阶本征模函数进行后续计算。同时，对标准化信号
$x_{\rm{norm}}^m(n)$ 进行变分模态分解（Variational Mode Decomposition，简称VMD）（Dragomiretskiy等，2014），获取其固有模态分量$IMF_l^V\;\left( {l = 1,2, \cdots ,{L^V}} \right)$ ，${L^V}$ 为变分模态分解后的IMF数量。考虑人体呼吸信号频率较低，选取表征低频成分的第1～3阶固有模态分量进行后续计算。对上述分解得到的
$IMF_l^E\left( {l = 2,3,4} \right)$ 和$IMF_l^V\left( {l = 1,2,3} \right)$ 进行希尔伯特变换（Hilbert Transform，简称HT），便可得到相应的瞬时幅值和瞬时频率（Huang等，1998），如式（8）所示。$$ [{{A}}_l^{{\text{ins}}},{{f}}_l^{{\text{ins}}}] = {{H}}\left[ {IM{F_l}} \right] $$ (8) 式中，
$ {H}[·] $ 表示希尔伯特变换算子，${{A}}_l^{{\text{ins}}}$ 表示计算过程中得到的表征瞬时幅值的$IMF_l^E$ 或$IMF_l^V$ 的包络，${{f}}_l^{{\text{ins}}}$ 表示变换后得到的对应$IMF_l^E$ 或$IMF_l^V$ 的频率响应。求取各
${{A}}_l^{{\text{ins}}}$ 和${{f}}_l^{{\text{ins}}}$ 的均值、方差和二范数，组成能刻画探测目标精细运动特征的微多普勒特征向量${{\mathbf{\alpha }}_{\mathbf{1}}}$ （包含36个特征值）。（2）宏观频谱特征提取
宏观频谱特征反映了雷达回波信号在探测时长内的平均频域特征。一般来说，人体呼吸频率大概为0.2～0.7 kHz。因此，通过提取探测信号的宏观频域特征，可从频域平均能量上考量雷达回波信号中是否存在与人体呼吸信号特征频段相近的信号，从而作为识别依据。
具体地，对标准化信号
$x_{\rm{norm}}^m(n)$ 进行快速傅里叶变换（Fast Fourier Transform，简称FFT），得到傅里叶谱：$$ S\left( f \right) = {FFT} \left[ {x_{\rm{norm}}^m\left( n \right)} \right] $$ (9) 式中，
$ {FFT}[·] $ 表示快速傅里叶变换算子。基于傅里叶谱
$S\left( f \right)$ 提取其最大幅值及最大幅值对应的频率值，组成第2个信号特征：宏观频谱特征向量${{\mathbf{\alpha }}_2}$ 。（3）相关性特征
相关性特征用于表述探测信号与人体呼吸信号的相似程度。为进行这种对比，需人为构造1条无噪声平稳呼吸信号作为参考信号，本研究采用正弦函数对参考呼吸信号进行构建，如式（10）所示。
$$ {x_0} = 0.4\sin \left( {0.5{\text{π}} n} \right) $$ (10) 计算参考信号和标准化信号的相关系数
$\rho $ ，如式（11）所示。$\rho $ 值越大，表示探测信号与呼吸信号越相似。因此，记信号相关性特征为${{\mathbf{\alpha }}_3} = \rho $ 。$$ \rho = \frac{{{E} \left\{ {\left\{ {x_{{\rm{norm}}}^m\left( n \right) - {E} \left[ {x_{{\rm{norm}}}^m\left( n \right)} \right]} \right\}\left\{ {{x_0}\left( n \right) - {E} \left[ {{x_0}\left( n \right)} \right]} \right\}} \right\}}}{{\sqrt {{E} {{\left\{ {x_{{\rm{norm}}}^m\left( n \right) - {E} \left[ {x_{{\rm{norm}}}^m\left( n \right)} \right]} \right\}}^2}{E} {{\left\{ {{x_0}\left( n \right) - {E} \left[ {{x_0}\left( n \right)} \right]} \right\}}^2}} }} $$ (11) 1.2.3 基于支持向量机的人体定位
为得到有效的识别模型，首先需对支持向量机模型进行训练。训练步骤包括收集探测信号样本数据、对样本进行标注、进行数据预处理、提取信号特征、基于特征及标注对模型进行训练。本研究使用84 000条信号样本对模型进行训练，训练样本包括不同探测环境和探测距离下的雷达探测数据，如表1所示。
表 1 训练样本探测环境Table 1. Scenarios for human detection障碍物类别 障碍物厚度/cm 探测距离/m 无障碍 — 1、2、3、5、10、15、20 泡沫板 3 1、2、3、5、10、15、20 玻璃 1 1、2、3、5、10、15、20 木门 5 1、2、3、5、10、15、20 砖墙 28 1、2、3、5、10、15、20 模型训练完毕后，即可在新的探测任务中对任意探测距离上的探测信号进行分类。综合多组探测数据的多次分类结果，即可判断人体所在位置。使用支持向量机模型对受困生命体征目标位置进行识别的具体过程如图3所示。使用第k（k=1,2,···,K）组探测数据对第m（m=1,2,···,M）个距离单元上的回波信号进行分类，记分类结果为
$c_m^k$ 。其中，K为获取的探测数据样本组数量，$c_m^k$ 取值为1或0，取值为1时代表存在生命体，取值为0时代表不存在生命体。为提高识别结果的准确度和可靠性，基于所有K组探测数据，对于任意距离单元，取K次分类结果的均值作为最终识别结果，计算公式为：$$ C\left( m \right) = \frac{1}{K}\sum\limits_{k = 1}^K {c_m^k} $$ (12) 式中，
$C\left( m \right)$ 取值范围为0～1，人体所在位置为取值最接近1的$C\left( m \right)$ 对应距离的位置上。2. 超宽带雷达探测模块
本研究使用的设备为PluseOn440单基站雷达传感器模块（图4），该模块具有小型便携、频带较宽、采样频率高等特点，可满足人体微动特征探测试验的需求。
图 4 PluseOn440单基站雷达传感器模块及平板天线Figure 4. P440 monostatic radar module and panel antenna此外，为加强对单个生命体的探测能力，减少周边物件或非目标生命体对生命体征识别的影响，本研究使用定向平板天线（图4）配合PluseOn440单基站雷达传感器模块开展试验。平板天线具有增益高、扇形区方向图好、后瓣小等特点。使用的天线主要技术参数如表2所示。本研究使用Python语言对上述算法进行计算机实现。试验过程中算法运行环境如下：处理器AMD Ryzen 7 4800U，1.80 GHz，8核，内存16 GB，硬盘512 GB。
表 2 平板天线主要技术参数Table 2. Technical parameters of panel antenna参数名称 参数值 尺寸/mm 150×150×18 覆盖频段/GHz 3.25～3.75 3 dB角 30° 增益/dB 15 3. 试验验证
3.1 无障碍物场景
考虑无障碍物遮挡场景，对本识别方法进行试验验证。试验现场如图5所示。被探测人员包括2名男性及1名女性，每名被探测人员依次站立在距雷达10、15、20、25、30 m的位置。每次探测时长为3 min。针对无障碍物场景，共收集15组探测数据。在距离分辨率为0.92 cm的情况下，以每个距离单元上每10 s的探测信号作为1个测试样本，获取了无障碍物场景下共73 350条测试样本。
对无障碍物场景测试样本进行分类后，得到不同误差范围内的分类准确度（分类结果与人工标注结果相同的样本数量与样本总数的比值），如表3所示。当考虑±10 cm误差容许范围时，将被探测人员所在实际位置±10 cm范围内的探测数据样本均标注为呼吸信号类别。由表3可知，无障碍物场景下，本方法可得到可靠的分类结果，进而可对人体呼吸信号进行区分；探测距离较近时的准确度低于探测距离较远时，这是因为在相同的探测时长和采样频率下，近距离探测设置的最大探测距离较短，导致样本点总量较少，错分点对准确度统计的影响较大，且受天线后瓣的影响，位于天线后方的操作人员会对近距离回波信号造成一定影响。
表 3 无障碍物场景下分类准确度Table 3. Accuracy of classification in experiments without obstacle探测距离/m 准确度/% ±10 cm误差 ±30 cm误差 10 87 88 15 82 83 20 89 91 25 97 98 30 95 96 进一步地，可综合多个探测样本的分类结果，对人体所在位置进行识别。1名男性被探测人员位于探测距离为25 m的位置时，使用18组连续探测样本数据（即180 s的探测数据）得到的识别结果如图6所示。由图6可知，在无障碍物场景下，识别结果清晰指出了被探测人员所在位置，表明本研究提出的识别方法及模型可有效识别远距离处的人体呼吸信号。
图 6 无障碍物场景下探测距离为25 m时的识别结果Figure 6. Detection results of the experiment without obstacles when the human body is 25 m away3.2 砖墙隔挡场景
考虑24 cm厚砖墙遮挡的情况下，对本识别方法进行试验验证，试验现场如图7所示。被探测人员为1名男性，被探测人员依次站立在距雷达0.24、1.24、3.24、5.24、7.24 m的位置进行试验，每次试验时长为3 min。探测距离为7.24 m时进行了2次测试，因此，砖墙隔挡场景下共收集6组探测数据。在距离分辨率为0.92 cm的情况下，以每个距离单元上每10 s的探测信号作为1个测试样本，共获取砖墙隔挡场景下10 800条测试样本。
对所有测试样本进行分类，得到砖墙隔挡情况下不同误差范围内的分类准确度，如表4所示。由表4可知，砖墙隔挡场景下的分类准确度低于无遮挡时，但仍有70%以上的可靠性。在±10 cm误差范围内，最优工况的分类准确度可达85%。
表 4 砖墙隔挡场景下分类准确度Table 4. Accuracy of classification in the experiments with the block of brick wall探测距离/m 障碍物厚度/cm 准确度/% ±10 cm误差 ±30 cm误差 0.24 24 72 72 1.24 24 81 81 3.24 24 72 73 5.24 24 85 86 7.24 24 83 81 综合多次分类结果，对人体位置进行识别。图8所示为被探测人员位于探测距离7.24 m位置时的最终识别结果。取图8中最大值对应的位置为识别得到的人体位置，即认为被探测人员位于探测距离7.54 m处，与实际测量位置偏差30 cm。造成定位偏差的因素包括算法识别误差及硬件性能限制。算法识别误差可通过后续数据样本积累不断改进。硬件性能限制问题需通过优化雷达工作频段、增大天线增益倍数等手段加以解决，以提高雷达信号的穿透能力。总体而言，在受困生命体征目标被24 cm厚砖墙遮挡时，本方法仍能提供有效的定位结果。
图 8 砖墙隔挡场景下探测距离7.24 m时识别结果Figure 8. Detection results of the experiment with the block of a brick wall when the human body is 7.24 m away3.3 楼板隔挡场景
在建筑楼板遮挡的情况下，对本识别方法进行试验验证。楼板由钢筋及混凝土组成，每层楼板厚度约为0.1 m。被探测人员包括3名男性，探测工况如表5所示，共收集9组探测数据，试验现场如图9所示。在距离分辨率为0.92 cm的情况下，以每个距离单元上每10 s的探测信号作为1个测试样本，共获取楼板隔挡场景下10 695条测试样本。
表 5 楼板隔挡场景下探测工况Table 5. Scenarios for human detection with the block of floorslabs障碍物
层数障碍物
总厚度/m探测
距离/m探测
时长/min被探测
人员1 0.1 0.50 3 男性1 2 0.2 1.53 3 男性1 1 0.1 0.50 5 男性1 1 0.1 0.50 5 男性2 1 0.1 0.50 5 男性3 2 0.2 1.53 5 男性1 2 0.2 1.53 5 男性2 2 0.2 1.53 5 男性3 2 0.2 1.53 5 男性1 对所有测试样本进行识别后，得到楼板遮挡场景下不同误差范围内的分类准确度，如表6所示。由表6可知，受楼板内钢筋的影响，探测信号中的人体特征信息受到一定程度的干扰、削弱，导致该工况下的分类准确度低于其余工况。然而，在2层楼板遮挡的情况下，该方法对人体呼吸信号的分类准确度仍有73%，可为后续人体位置的进一步识别提供较可靠的分类结果。
表 6 楼板隔挡场景下分类准确度Table 6. Accuracy of classification in the experiments with the block of floorslabs楼板层数 障碍物厚度/m 探测距离/m 准确度/% ±10 cm误差 ±30 cm误差 1 0.1 0.50 75 78 2 0.2 1.53 73 77 图10所示为2层楼板隔挡场景下使用180 s的探测数据获取的人体位置识别结果。图10中最大值所在位置对应的探测距离为1.84 m，与实际测量距离偏差为31 cm。结果表明，楼板隔挡场景下的识别结果图像虽较复杂、干扰较多，但根据本方法得到的图像最大值位置仍能较准确地表征被探测人体所在位置。因此，在较复杂的环境干扰下，仍可通过本方法获得可靠的人体位置识别结果。
图 10 2层楼板隔挡场景下识别结果Figure 10. Detection results of the experiment with the block of 2 floorslabs4. 结论
本研究提出基于支持向量机分类模型及信号多特征提取技术的灾后受困生命体征目标探测定位方法。考虑单一信号特征在不同环境下的可靠性差异，可使用多种信号特征对探测信号进行描述，以提高识别算法的鲁棒性。基于大量现场测试数据，对支持向量机模型进行训练，获取可用于区分人体呼吸信息的分类模型。在空旷场地、砖墙隔挡、楼板遮挡等环境下的探测、识别试验结果表明，本方法可在无障碍场景下准确识别远距离人体信息，在砖墙、楼板等障碍物隔挡场景下获取受困生命体征目标的有效位置。本研究考虑的障碍物遮挡场景仍较简单，且识别结果的精度有提高空间，因此，在进一步的研究工作中，将针对识别效率、识别精度、障碍物场景补偿等问题进行分析，以对本方法进行完善。
-
图 4 PluseOn440单基站雷达传感器模块及平板天线
Figure 4. P440 monostatic radar module and panel antenna
图 6 无障碍物场景下探测距离为25 m时的识别结果
Figure 6. Detection results of the experiment without obstacles when the human body is 25 m away
图 8 砖墙隔挡场景下探测距离7.24 m时识别结果
Figure 8. Detection results of the experiment with the block of a brick wall when the human body is 7.24 m away
图 10 2层楼板隔挡场景下识别结果
Figure 10. Detection results of the experiment with the block of 2 floorslabs
表 1 训练样本探测环境
Table 1. Scenarios for human detection
障碍物类别 障碍物厚度/cm 探测距离/m 无障碍 — 1、2、3、5、10、15、20 泡沫板 3 1、2、3、5、10、15、20 玻璃 1 1、2、3、5、10、15、20 木门 5 1、2、3、5、10、15、20 砖墙 28 1、2、3、5、10、15、20 
下载: 导出CSV
表 2 平板天线主要技术参数
Table 2. Technical parameters of panel antenna
参数名称 参数值 尺寸/mm 150×150×18 覆盖频段/GHz 3.25～3.75 3 dB角 30° 增益/dB 15
下载: 导出CSV
表 3 无障碍物场景下分类准确度
Table 3. Accuracy of classification in experiments without obstacle
探测距离/m 准确度/% ±10 cm误差 ±30 cm误差 10 87 88 15 82 83 20 89 91 25 97 98 30 95 96
下载: 导出CSV
表 4 砖墙隔挡场景下分类准确度
Table 4. Accuracy of classification in the experiments with the block of brick wall
探测距离/m 障碍物厚度/cm 准确度/% ±10 cm误差 ±30 cm误差 0.24 24 72 72 1.24 24 81 81 3.24 24 72 73 5.24 24 85 86 7.24 24 83 81
下载: 导出CSV
表 5 楼板隔挡场景下探测工况
Table 5. Scenarios for human detection with the block of floorslabs
障碍物
层数障碍物
总厚度/m探测
距离/m探测
时长/min被探测
人员1 0.1 0.50 3 男性1 2 0.2 1.53 3 男性1 1 0.1 0.50 5 男性1 1 0.1 0.50 5 男性2 1 0.1 0.50 5 男性3 2 0.2 1.53 5 男性1 2 0.2 1.53 5 男性2 2 0.2 1.53 5 男性3 2 0.2 1.53 5 男性1
下载: 导出CSV
表 6 楼板隔挡场景下分类准确度
Table 6. Accuracy of classification in the experiments with the block of floorslabs
楼板层数 障碍物厚度/m 探测距离/m 准确度/% ±10 cm误差 ±30 cm误差 1 0.1 0.50 75 78 2 0.2 1.53 73 77
下载: 导出CSV
-
[1] 崔学荣, 杨雷, 李娟等, 2021. 复杂场景下基于UWB雷达的呼吸特征检测算法. 电子测量技术, 44(4): 70—74Cui X. R. , Yang L. , Li J. , et al. , 2021. Respiratory feature detection algorithm based on UWB radar in complex scene. Electronic Measurement Technology, 44(4): 70—74. (in Chinese) [2] 蒋留兵, 魏光萌, 车俐, 2019. 基于卷积神经网络的雷达人体动作识别方法. 计算机应用与软件, 36(11): 168—174, 234 doi: 10.3969/j.issn.1000-386x.2019.11.028Jiang L. B. , Wei G. M. , Che L. , 2019. Human motion recognition method by radar based on CNN. Computer Applications and Software, 36(11): 168—174, 234. (in Chinese) doi: 10.3969/j.issn.1000-386x.2019.11.028 [3] 孙公德, 郭勇, 沈建等, 2017. 分布式超宽带雷达地震被困人员协同探测技术. 震灾防御技术, 12(4): 966—977 doi: 10.11899/zzfy20170424Sun G. D. , Guo Y. , Shen J. , et al. , 2017. Collaborative detection technology for detecting trapped personnel by distributed UWB radar earthquake. Technology for Earthquake Disaster Prevention, 12(4): 966—977. (in Chinese) doi: 10.11899/zzfy20170424 [4] 王亚夫, 梁步阁, 杨德贵等, 2021. 基于CNN的超宽带穿墙雷达静目标数量识别技术. 传感器与微系统, 40(4): 19—22Wang Y. F. , Liang B. G. , Yang D. G. et al. , 2021. Quantity identifying technology for static target of ultra-wideband through-wall radar based on CNN. Transducer and Microsystem Technologies, 40(4): 19—22. (in Chinese) [5] Cortes C. , Vapnik V. , 1995. Support-vector networks. Machine Learning, 20(3): 273—297. [6] Cristianini N. , Shawe-Taylor J. , 2000. An introduction to support vector machines and other kernel-based learning methods. Cambridge: Cambridge University Press. [7] Dragomiretskiy K. , Zosso D. , 2014. Variational mode decomposition. IEEE Transactions on Signal Processing, 62(3): 531—544. doi: 10.1109/TSP.2013.2288675 [8] Gibbs J. E. , 1970. Transmission of information by orthogonal functions. Electronics & Power, 16(4): 138. [9] Harmuth H. , 1969a-09-30. System for the transmission of information by carrier waves over a single conductor: US, 3470324DA. [10] Harmuth H. F. , 1969b. Applications of Walsh functions in communications. IEEE Spectrum, 6(11): 82—91. doi: 10.1109/MSPEC.1969.5214175 [11] Huang N. E. , Shen Z. , Long S. R. , et al. , 1998. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 454(1998): 903—995. [12] Li C. Z. , Cummings J. , Lam J. , et al. , 2009. Radar remote monitoring of vital signs. IEEE Microwave Magazine, 10(1): 47—56. doi: 10.1109/MMM.2008.930675 [13] Li J. , Liu L. B. , Zeng Z. F. , et al. , 2014. Advanced signal processing for vital sign extraction with applications in UWB radar detection of trapped victims in complex environments. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(3): 783—791. doi: 10.1109/JSTARS.2013.2259801 [14] Luz E. J. D. S. , Schwartz W. R. , Cámara-Chávez G. , et al. , 2016. ECG-based heartbeat classification for arrhythmia detection: a survey. Computer Methods and Programs in Biomedicine, 127: 144—164. doi: 10.1016/j.cmpb.2015.12.008 [15] Ma Y. Y. , Wang P. F. , Huang W. Z. , et al. , 2021. A robust multi-feature based method for distinguishing between humans and pets to ensure signal source in vital signs monitoring using UWB radar. EURASIP Journal on Advances in Signal Processing, 2021(1): 27. doi: 10.1186/s13634-021-00738-2 [16] Ossberger G. , Buchegger T. , Schimback E. , et al. , 2004. Non-invasive respiratory movement detection and monitoring of hidden humans using ultra wideband pulse radar. In: 2004 International Workshop on Ultra Wideband Systems Joint with Conference on Ultra Wideband Systems and Technologies. Kyoto: IEEE, 395—399. [17] Platt J. C. , 1999. Fast training of support vector machines using sequential minimal optimization. In: Schölkopf B. , Burges C. J. C. , Smola A. J. , eds. , Advances in Kernel Methods: Support Vector Learning. Cambridge: MIT Press, 185—208. [18] Ren L. Y. , Wang H. F. , Naishadham K. , et al. , 2016. Phase-based methods for heart rate detection using UWB impulse Doppler radar. IEEE Transactions on Microwave Theory and Techniques, 64(10): 3319—3331. doi: 10.1109/TMTT.2016.2597824 [19] Scalise L. , Primiani V. M. , Russo P. , et al. , 2013. Wireless sensing for the respiratory activity of human beings: measurements and wide-band numerical analysis. International Journal of Antennas and Propagation, 2013: 396459. [20] Tariq A. , Ghafouri-Shiraz H. , 2011. Vital signs detection using Doppler radar and continuous wavelet Transform. In: Proceedings of the 5th European Conference on Antennas and Propagation. Rome: IEEE, 285—288. [21] Withington P. , Fluhler H. , Nag S. , 2003. Enhancing homeland security with advanced UWB sensors. IEEE Microwave Magazine, 4(3): 51—58. doi: 10.1109/MMW.2003.1237477 [22] Wu S. Y. , Tan K. , Xia Z. H. , et al. , 2016. Improved human respiration detection method via ultra-wideband radar in through-wall or other similar conditions. IET Radar, Sonar & Navigation, 10(3): 468—476. [23] Yarovoy A. G. , Ligthart L. P. , Matuzas J. , et al. , 2006. UWB radar for human being detection. IEEE Aerospace and Electronic Systems Magazine, 21(11): 22—26. doi: 10.1109/MAES.2006.284354 期刊类型引用(1)
1. 郑学召，丁文，黄渊，蔡国斌，马扬，刘盛铠，周博. 不同领域下超宽带雷达探测呼吸心跳信号研究综述. 雷达学报(中英文). 2025(01): 204-228 . 
百度学术其他类型引用(6)
-
下载:
点击查看大图
计量
- 文章访问数: 138
- HTML全文浏览量: 100
- PDF下载量: 10
- 被引次数: 7
