基于MEEMD和apFFT的人体生命体征信号的提取研究

黄晓红 尹扬帆 梁聪

摘  要： 非接触式的人体生命体征信号的检测在生产生活中有着非常重要的应用。为了准确提取人体生命体征信号，提出一种基于改进的集合经验模态分解（MEEMD）和全相位频谱（apFFT）分析的人体生命体征信号的检测提取方法。进行了15组实验，分别采集5名志愿者在3种距离下的雷达回波信号，实测数据分析处理结果表明，MEEMD有很好的分解效果，抑制了模态混叠效应，同时采用apFFT进行频谱分析，与FFT相比，提高了呼吸和心跳信号的信噪比，说明基于MEEMD和apFFT的方法能够准确地提取人体的心跳与呼吸信号，实现了人体生命体征的检测。

关键词： 人体生命体征; 信号提取; MEEMD; apFFT; 信号采集; 数据分析

中图分类号： TN911.7?34                         文献标识码： A                        文章编号： 1004?373X（2020）23?0030?05

Abstract： The detection of non?contact human vital sign signals has a very important application in production and life. In order to accurately extract the vital sign signals of human body， a human vital sign signal detection and extraction method based on modified ensemble empirical mode decomposition （MEEMD） and all?phase FFT （apFFT） is proposed. Fifteen groups of experiments were carried out， and the radar echo signals of 5 volunteers at 3 different distances were collected. The measured data analysis results show that MEEMD has a good decomposition effect， suppressing the modal aliasing effect. In comparison with FFT， as for spectrum analysis， apFFT adopted with MEEMD can improve the signal?to?noise ratio of breathing and heartbeat signals. It shows the method based on MEEMD and apFFT can accurately extract the heartbeat and respiratory signals of human body， and realize the detection of human vital signs.

Keywords： human vital sign; signal extraction; MEEMD; apFFT; signal acquisition; data analysis

0  引  言

人体呼吸和心跳引起的胸腔振动属于运动目标的微动，每个目标的微动特性一般是唯一的。目标微动会对雷达入射波产生一个额外的时变多普勒频移，即雷达中的微多普勒。微多普勒反映了目标微动结构的动力学特征，可以广泛应用于人体呼吸心跳信号的提取中[1]。采用FMCW毫米波雷达，对受测目标进行非接触式生命信号检测[2]，虽然能够去除自由空间内其他物体，或者人体自身抖动的干扰，但是呼吸谐波的存在同样会干扰测试结果。故针对呼吸和心跳信号的提取问题，选择合适并且恰当的信号处理算法就显得尤为重要。

传统的雷达生命信号分离和提取的方法，例如采用带通滤波器进行信号分离，不能有效地解决呼吸谐波对心跳信号的干扰问题[3?4]。1998年，经验模态分解（Empirical Mode Decomposition，EMD）的提出为自适应信号处理方法提供了新的思路，并广泛应用于非线性、非平稳信号的处理中，但其存在模态混叠问题[5?6]。

自EMD提出以来，关于模态分解的改进研究一直是一个热点问题，其主要改进方法有如下几种：集合经验模态分解（EEMD）虽然能够在一定程度上抑制模态混叠，但是分量中存在噪声残留[7];补充的总体平均经验模态分解（CEEMD）效果与EEMD相比，减小了重构误差;自适应加噪的集合经验模态分解（CEEMDAN）虽然解决了EEMD中的噪声残留问题，但在其分解分量中可能存在虚假分量[8]。改进的集合经验模态分解（Modified Ensemble Empirical Mode Decomposition，MEEMD）相对于以上几种方法，能够明显抑制模态混淆，计算量降低，重构误差小，具有明显的优越性。全相位数字信号处理是一种能够很好地减小频谱泄露的信号处理方法[9]。相比于传统FFT谱分析，全相位FFT谱分析能够明显抑制频谱泄露，故非常适合做频率估计[10]。

综上，本文提出基于MEEMD和全相位频谱（All?phase FFT，apFFT）分析的人体生命体征信号处理算法，实测数据处理结果表明，该算法具有良好的分解效果，对模态混叠有一定的抑制作用，能够实现呼吸和心跳信号的分离和提取。

1  生命信号处理算法

1.1  改进的集合经验模态分解算法（MEEMD）

对于任意非平稳信号[x（t）]，MEEMD方法分解步骤如下[11]：

1.2  apFFT分析

apFFT分析是将输入信号进行全相位预处理后再进行FFT变换，全相位频谱分析的最大优点就是频谱泄露小[13]。

全相位预处理过程如下：

构造[N]点的Hanning窗，并对自身求卷积，得到[2N-1]点的卷积窗win1;计算[2N-1]点的win1的和，用win1的每一项与win1的和做商，得到[2N-1]点的归一化卷积窗win2;将待测数据的1～（[2N-1]）项与win2相乘，得到加窗的[2N-1]项;将第1项和[N]+1项，第2项和[N+2]项，…，第[N-1]项和第[2N-1]项依次相加，得到经过预处理的[N]点序列，对序列进行FFT，即得到apFFT的结果[14?15]。

1.3  算法流程

本文提出基于MEEMD和apFFT的生命体征信号的提取算法，可以将雷达回波信号中高频成分与低频成分进行层层筛选，从而再进一步进行apFFT分析，绘制频谱图，达到提取呼吸与心跳信号的目的。

具体步骤如下：

1） 采用MEEMD对雷达回波信号进行分解，得到若干个信号分量。

2） 采用apFFT对分解得到的各个分量进行频谱分析，频谱峰值在0.2～0.6 Hz区间的属于一类信号分量，在0.9～2 Hz区间的属于二类信号分量。

3） 判断一类信号中IMF分量的数量，若数量小于等于2，则直接利用这两个IMF分量重构呼吸信号;若数量大于2，则选取两个能量之和占此类信号总能量大于70%的IMF分量，用于重构呼吸信号。

4） 重复步骤3），从第二类信号中选择合适的分量重构心跳信号。

2  实验过程与结果分析

2.1  实验数据的采集

2.1.1  雷达参数、实验环境设备

实验采用的毫米波雷达模块，最大的有效全向辐射功率符合FCC规定，不会对人体产生危害。

雷达的具体参数为，载频24 GHz，波长12.5 mm，带宽150 MHz，采样时间为20 s。

24 GHz雷达生命信号检测的实验环境和设备如图1所示。被测者身高183 cm，体重90 kg，健康状况良好，实验者保持静息状态，站在雷达前，胸腔与雷达基本处于同一水平线。

2.1.2  雷达回波分析

雷达回波是对其接收到的信号进行采样后得到的数据，为二维矩阵。锯齿波周期中采样点的数量为256，为[N]×256矩阵，[N]是慢时间采样点的数量，对应每次雷达回波快拍，256是快时采样点的数量，对应每次雷达回波的快时采样，快时采样点对应距离信息。首先，对矩阵进行二维FFT，结果得到复数矩阵，矩阵是256列，代表256个距离单元，由于雷达的距离分辨率为1 m，在实验中人所在的位置是确定的，直接取出人所在的距离门信号即为人体生命体征信号。

2.2  实验过程及结果

2.2.1  雷达生命信号提取

受测者距离雷达1.5 m，故选择256列中的第二列信息，第二列雷达回波信号时域图如图2a）所示（由于雷达回波信号为复信号，故仅画其实部图），雷达回波信号频域图如图2b）所示。

从图2中可以看到，出现明显峰值点的频率在0.521 Hz与1.388 Hz，分别对应呼吸频率与心跳频率，而1.82 Hz处的峰值是呼吸的二次谐波，0.868 Hz不在呼吸和心跳的定义区间内，故不予考虑。通过和参考的心率（80 次/min，1.33 Hz）对比發现，此时雷达的检测误差为0.008 Hz。

2.2.2  呼吸、心跳信号提取

首先，对图2中的雷达回波信号进行MEEMD分解，分解完成后得到11个分量，采用apFFT对每个分量进行频谱分析，得到相应的频谱图，如图3所示。

MEEMD提取呼吸与心跳信号基于以下原理：能够反映生命体征信号的主要分量集中在低频部分，其中心跳信号频率的范围约为0.8～2 Hz，呼吸信号频率的范围约为0.2～0.6 Hz。仅采用符合频率范围的部分信号分量对心跳和呼吸信号进行重构。

采用apFFT绘制MEEMD分解结果频谱图如图4所示。

根据得到的频谱图中各个信号分量频谱的谱峰值所处的频率，对需要的各分量进行分类，选择符合规定的分量重构心跳和呼吸信号。

一类IMF分量只含有IMF4和IMF6两个分量，故直接求和重构，如图5a）所示，求得谱峰值为1.388 Hz。二类IMF分量含有IMF8，IMF9两个分量，故直接求和重构，如图5b）所示，求得谱峰值为0.520 Hz。

2.2.3  性能分析

1） 信噪比比较

如表1～表3所示分别为5名被测试者在0.6 m，1.5 m和2.3 m采集的雷达生命信号经过MEEMD分解后，FFT和apFFT频谱分析后的重构结果及信噪比。其中，[F1]表示呼吸频率，[F2]表示心跳频率，SNR1表示呼吸信号信噪比，SNR2表示心跳信号信噪比。信噪比的定义如下：

由表1～表3可以看出，相对于FFT，apFFT有效提高了呼吸和心跳信号的信噪比，信噪比分别平均提高了1.11 dB和0.99 dB。

2） 检测误差

表4～表6分别为志愿者在0.6 m，1.5 m，2.3 m处，基于本文方法提取得到的心跳信号频率和心跳参考信号的误差。由表4～表6可以看出，本文方法的测量误差非常小。

3  结  语

本文采用毫米波雷达作为检测硬件，提出一种基于MEEMD和apFFT的人体生命体征信号提取算法，实现了非接触式人体生命体征信号检测。实验数据分析结果表明，该方法能够准确得到人体的呼吸和心跳频率，MEEMD提高了信号分离的准确性和实时性，同时采用apFFT进行频谱分析，与FFT频谱分析相比，有效地提高了呼吸与心跳信号的信噪比，说明将MEEMD与apFFT引入到呼吸与心跳信号分离处理以及重构方面的可行性和有效性。

参考文献

[1] 李坡.雷达目标微动信号分离与参数估计方法研究[D].南京：南京理工大学，2012.

[2] KIM B S， JIN Y， KIM S， et al. A low?complexity FMCW surveillance radar algorithm using two random beat signals [J]. Sensors， 2019， 19（3）： 608.

[3] 王亮.基于超宽带雷达生命探测算法研究[D].杭州：浙江大学，2017.

[4] 刘震宇，陈惠明，陆蔚，等.基于改进经验模态分解的雷达生命信号检测[J].仪器仪表学报，2018，39（12）：171?178.

[5] 詹武平，吴艳琴，黄顺东，等.雷达宽带回波周期特征提取的Hilbert?Huang变换方法[EB/OL].[2013?07?09].https：//www.doc88.com/p?2468786368747.html.

[6] LV Chenhuan， ZHAO Jun， WU Chao， et al. Optimization of the end effect of Hilbert?Huang transform （HAT） [J]. Chinese journal of mechanical engineering， 2017， 30（3）： 732?745.

[7] 雷亚国.基于改进Hilbert?Huang变换的机械故障诊断[J].机械工程学报，2011，47（5）：71?77.

[8] 韩庆阳，孙强，王晓东，等.CEEMDAN去噪在拉曼光谱中的应用研究[J].激光与光电子学进展，2015，52（11）：274?280.

[9] 王飞宇.基于全相位数字信号处理的基因识别算法研究[D].宁波：宁波大学，2014.

[10] 盧新宁.基于全相位FFT的铁道信号频率检测算法研究[D].海口：海南大学，2013.

[11] 郑旭，郝志勇，卢兆刚，等.基于MEEMD的内燃机机体活塞敲击激励与燃烧爆发激励分离研究[J].振动与冲击，2012，31（6）：109?113.

[12] 郑近德，程军圣，杨宇.改进的EEMD算法及其应用研究[J].振动与冲击，2013，32（21）：21?26.

[13] 方汉方.基于FFT超声波传输时间高精度测量的研究[D].成都：西华大学，2012.

[14] 王婧.基于水声信号处理的明渠流量测量方法研究[D].沈阳：沈阳航空航天大学，2010.

[15] LIU Sujuan， LV Ning， CUI Jiashuai， et al. Improved blind timing skew estimation based on spectrum sparsity and ApFFT in time?interleaved ADCs [J]. IEEE transactions on instrumentation and measurement， 2019， 68（1）： 78?86.