連續(xù)波雷達(dá)生命信息檢測(cè)和提取技術(shù)

楊秀芳， 馬江飛， 高瑞鵬

(西安理工大學(xué) 機(jī)械與精密儀器工程學(xué)院，陜西 西安 710048)

?

連續(xù)波雷達(dá)生命信息檢測(cè)和提取技術(shù)

楊秀芳， 馬江飛， 高瑞鵬

(西安理工大學(xué) 機(jī)械與精密儀器工程學(xué)院，陜西 西安 710048)

雷達(dá)生命信號(hào)是微弱信號(hào)，常常淹沒在噪聲中，這些雜波噪聲具有非平穩(wěn)隨機(jī)性，有效去噪是對(duì)有用信號(hào)提取和分離前的必要手段。本文完善了連續(xù)波雷達(dá)生命信號(hào)的理論模型，采用提升小波變換，通過比較不同閾值函數(shù)的去噪效果，確定最佳閾值函數(shù)。結(jié)果表明：利用提升小波變換、采用一種新型的改進(jìn)軟閾值函數(shù)去噪技術(shù)，信號(hào)的信噪比(SNR)和均方誤差(MSE)均優(yōu)于傳統(tǒng)去噪方法。

雷達(dá)生命信號(hào)； 理論模型； 提升小波變換； 閾值去噪； 改進(jìn)軟閾值函數(shù)

信號(hào)去噪是信號(hào)處理領(lǐng)域的主要研究內(nèi)容之一。傳統(tǒng)的去噪方法如中值濾波和Wiener濾波等，不足之處在于無法刻畫信號(hào)的非平穩(wěn)特性，并且使得信號(hào)變換后的熵增高，為了克服這些缺點(diǎn)，近年來利用小波變換解決非平穩(wěn)信號(hào)的去噪技術(shù)引起了國內(nèi)外研究者的廣泛興趣。

文獻(xiàn)[1]利用dB3小波變換分離了雷達(dá)生命信號(hào)中的呼吸和心跳信號(hào)；文獻(xiàn)[2]對(duì)心電信號(hào)進(jìn)行改進(jìn)閾值算法處理，去除掉心電信號(hào)中基線漂移、工頻干擾和肌電干擾信號(hào)的影響；文獻(xiàn)[3]用自適應(yīng)提升小波變換對(duì)心音信號(hào)進(jìn)行了降噪處理，取得了不錯(cuò)的效果；文獻(xiàn)[4]用小波變換的方法對(duì)光纖溫度傳感系統(tǒng)的測(cè)量信號(hào)實(shí)現(xiàn)了有效的降噪處理；文獻(xiàn)[5]分別用小波變換和提升小波變換對(duì)受到較大噪聲污染的X射線脈沖星信號(hào)進(jìn)行降噪處理，證明了提升小波的降噪效果優(yōu)于傳統(tǒng)的小波變換；文獻(xiàn)[6]對(duì)sym8小波實(shí)施提升方案，再用軟閾值函數(shù)和硬閾值函數(shù)對(duì)強(qiáng)噪聲干擾下的雷達(dá)生命信號(hào)進(jìn)行了去噪處理；文獻(xiàn)[7]對(duì)含噪的Block信號(hào)采用奇異值分解(Singular Value Decomposition)多次迭代方案實(shí)現(xiàn)了有效去噪；文獻(xiàn)[8]用小波變換方法對(duì)簡支梁振動(dòng)信號(hào)進(jìn)行去噪處理，以便減少EMD分解過程的計(jì)算量和分解層數(shù)；文獻(xiàn)[9]用自適應(yīng)閾值函數(shù)去噪方案對(duì)加入強(qiáng)噪聲的水下金屬圓柱體的回波信號(hào)進(jìn)行了有效的去噪處理；文獻(xiàn)[10]對(duì)油庫閥門內(nèi)漏聲發(fā)射信號(hào)，采用dB5小波變換處理，有效去除掉檢測(cè)信號(hào)中電磁信號(hào)的干擾。

與傳統(tǒng)的小波變換相比，提升小波變換有以下特點(diǎn)：①運(yùn)算速度快；②不需要額外的內(nèi)存；③可實(shí)現(xiàn)整數(shù)小波變換。

本文采用提升小波變換，結(jié)合不同的閾值函數(shù)，對(duì)雷達(dá)生命信號(hào)進(jìn)行去噪處理，以去噪信號(hào)的信噪比(SNR)和均方誤差(MSE)為評(píng)價(jià)指標(biāo)，選取了最佳的閾值函數(shù)，以實(shí)現(xiàn)對(duì)雷達(dá)生命信號(hào)進(jìn)行最佳去噪處理。

1　雷達(dá)生命信號(hào)理論模型的建立

雷達(dá)生命信號(hào)理論模型的建立，包括雷達(dá)回波信號(hào)模型的建立和噪聲信號(hào)模型的建立。

1.1多普勒雷達(dá)回波信號(hào)理論模型

用雷達(dá)探測(cè)人體生命信息時(shí)，雷達(dá)發(fā)射的電子波照射到人體上，以多普勒效應(yīng)的理論，人體的生命特征信息——呼吸和心跳會(huì)對(duì)雷達(dá)波的相位進(jìn)行調(diào)制。

設(shè)雷達(dá)發(fā)射的電子波為連續(xù)的單頻信號(hào)(頻率為f0)，其表達(dá)式為：

sτ(t)=A0cos(2πf0t+q0)

(1)

設(shè)目標(biāo)與雷達(dá)的距離為：

r(t)=r0+x(t)

(2)

則有：

sr(t)=mA0cos[(2pf0t+q0-2kr(t)]=

(3)

設(shè)呼吸和心跳引起的雷達(dá)與目標(biāo)的距離起伏分別為：

x1(t)=Δ1sin(2πf1t)

(4)

x2(t)=Δ2sin(2πf2t+ψ0)

(5)

式中，Δ1、Δ2分別表示呼吸和心跳的幅度；f1、f2分別表示呼吸和心跳的頻率。

則雷達(dá)回波信號(hào)為：

sr(t)=μA0cos[(2πf0t+φ0-2kx1(t)]+

μA0cos[(2πf0t+φ0-2kx2(t)]

(6)

1.2多普勒雷達(dá)生命信號(hào)的理論模型

回波信號(hào)sr(t)與本振信號(hào)sτ(t)在混頻器中混頻：

s(t)=sτ(t)×sr(t)

經(jīng)過低通濾波器和放大后，得到雷達(dá)生命信號(hào)：

(7)

式中，φ1、φ2是不隨時(shí)間變化的恒定相位。

圖1是雷達(dá)生命信號(hào)模型式(7)的仿真圖。這里選用了兩種頻率的雷達(dá)波：1.8 GHz和35 GHz，對(duì)應(yīng)的波長分別為166.67 mm和8.57 mm，這兩種波長分別是生物雷達(dá)波中波長較長和波長較短的波長之一；仿真中選用的呼吸和心跳頻率分別為0.3 Hz(呼吸每分18次和1.2 Hz(心跳每分72次)，幅值分別為2 mm和5 mm。

圖1　多普勒雷達(dá)生命信號(hào)的時(shí)域和頻域Fig.1　Time-domain and frequency-domain of the Doppler effect radar life signal

從圖1可以明顯看出，雷達(dá)生命信號(hào)的頻譜并不含有生命信號(hào)頻譜——呼吸和心跳的頻率，而實(shí)際的情況是，使用這個(gè)波段的雷達(dá)波是可以探測(cè)到生命信息的，所以多普勒雷達(dá)模型與實(shí)際的情況存在差異。

1.3生物電場效應(yīng)的雷達(dá)生命信號(hào)模型

以電磁場的理論分析，人體的生物組織是一種變介電系數(shù)的介質(zhì)，其攜帶的生物電場用式(8)表示：

(8)

式中：ε(t)為介電常數(shù)，ε0為真空介電常數(shù)，εr為人體的相對(duì)介電常數(shù)；σ(t)為電導(dǎo)率，σ0是人體的電導(dǎo)率；x(t)是呼吸或心跳引起的體表位置的變化值。

應(yīng)用電磁場的麥克斯韋方程和物質(zhì)方程：

(9)

對(duì)式(9)應(yīng)用等效極化電流概念和積分方程法求解[11]，可以得到人體散射電場為：

(10)

由式(10)可知，當(dāng)外加電磁場被人體散射后，散射場具有體表變化信號(hào)x(t)與入射場相乘的形式，這意味著散射場除了多普勒頻移外，還具有調(diào)幅波的性質(zhì)，所以雷達(dá)生命信號(hào)的表達(dá)式應(yīng)為：

(11)

從圖2可看出，雷達(dá)生命信號(hào)的頻譜中含有生命信號(hào)頻譜——呼吸頻率0.3 Hz和心跳的頻率1.2 Hz，這與實(shí)際的情況相符合。

圖2　生物電效應(yīng)雷達(dá)生命信號(hào)的時(shí)域和頻域Fig.2　Time-domain and frequency-domain of bioelectricity effect radar life signal

1.4雜波信號(hào)的理論模型

實(shí)際在雷達(dá)回波中包含有很強(qiáng)的雜波，這些雜波分為固定物體雜波和運(yùn)動(dòng)物體雜波兩類。 固定物(如建筑物)反射雜波可以近似為高斯分布的有色噪聲,用c(t)表示，其功率譜密度函數(shù)呈高斯?fàn)睿?/p>

式中，ξ為濾波因子，相當(dāng)于雜波的高斯形功率譜的展寬程度。則雜波的功率譜密度函數(shù)可寫為：

可得雜波的功率為：

考慮到雜波過程，雷達(dá)生命信號(hào)模型為：

(12)

式中， c(t)為雜波過程。

2　提升小波變換閾值去噪原理

小波變換去噪是解決非平穩(wěn)特性噪聲有效方法。在傳統(tǒng)的小波變換中，加入提升方案，然后再對(duì)分析信號(hào)進(jìn)行小波變換，稱為提升小波變換。在MATLAB中，通過函數(shù)lwt可實(shí)現(xiàn)對(duì)分析信號(hào)的提升小波變換，得到所需要分解層的近似分量和細(xì)節(jié)分量，通過函數(shù)lwtcoef可得到不同分解層的提升小波低頻系數(shù)向量和高頻系數(shù)向量。計(jì)算高頻系數(shù)閾值并用不同的閾值函數(shù)對(duì)高頻系數(shù)向量進(jìn)行處理，得到新的高頻系數(shù)向量；最后由低頻系數(shù)向量和新的高頻系數(shù)向量重構(gòu)信號(hào)，從而達(dá)到對(duì)原信號(hào)去噪的目的。

總的來說，提升小波閾值去噪步驟可歸納如下：①對(duì)分析信號(hào)進(jìn)行多層的提升小波分解，獲得小波分解系數(shù)；②對(duì)小波分解系數(shù)進(jìn)行閾值處理；③對(duì)處理完的小波系數(shù)進(jìn)行反變換，重構(gòu)出去噪后的信號(hào)。

閾值去噪的關(guān)鍵是構(gòu)造閾值函數(shù)和閾值估計(jì)。閾值估計(jì)方案有極大極小值閾值方案、自適應(yīng)閾值方案、無偏似然估計(jì)方案和自適應(yīng)閾值方案；在閾值函數(shù)的構(gòu)造方面，近年來，很多學(xué)者做了大量的工作[12-16]，常用的閾值函數(shù)有硬閾值函數(shù)和軟閾值函數(shù)，其表達(dá)式如式(13)、(14)所示，其函數(shù)曲線圖如圖3(a)、(b)所示，這兩種函數(shù)的去噪方法在文獻(xiàn)[1]中已使用過。

(13)

(14)

這里主要構(gòu)造另外兩種閾值函數(shù)：半軟閾值函數(shù)和改進(jìn)型閾值函數(shù)。半軟閾值函數(shù)可以克服硬閾值函數(shù)過分扼殺小波系數(shù)或軟閾值造成邊緣模糊的現(xiàn)象，如圖3(c)所示，其表達(dá)式為：

(15)

式中，ω為原小波系數(shù)，η(ω)為閾值化后的小波系數(shù)，T1、T2為閾值。

改進(jìn)型閾值函數(shù)是對(duì)軟閾值函數(shù)應(yīng)用更高的階數(shù)，使得在噪聲小波系數(shù)和有用信號(hào)小波系數(shù)之間存在一個(gè)平滑過渡區(qū)，這樣更符合自然信號(hào)的連續(xù)特性。如圖3(d)所示，其表達(dá)式為：

(16)

圖3　不同閾值函數(shù)曲線Fig.3　The curves of different threshold functions

3　雷達(dá)生命信號(hào)的仿真及去噪處理

依據(jù)建立的雷達(dá)生命信號(hào)的理論模型，在MATLAB軟件平臺(tái)上，對(duì)雷達(dá)生命信號(hào)式(12)進(jìn)行仿真。仿真中，雷達(dá)波長為166.67 mm的雷達(dá)生命信號(hào)的信噪比是2.046 8，均方誤差是1.763 9；雷達(dá)波長為8.57 mm的雷達(dá)生命信號(hào)的信噪比是0.942 6，均方誤差是1.980 6。

圖4給出了兩種波長雷達(dá)生命信號(hào)的時(shí)域圖和頻域圖，圖中設(shè)定信號(hào)的采樣頻率fs=10 Hz,采樣時(shí)間t=25.6 s，則頻率的分辨率為0.039 Hz。

前期研究表明，在雷達(dá)生命信號(hào)處理中sym8為較好的小波基，小波變換的分解層數(shù)為3?，F(xiàn)在仍然用sym8小波，對(duì)仿真信號(hào)做提升小波變換，在分解層數(shù)3，采用自適應(yīng)閾值方案，用文中提到的閾值函數(shù)進(jìn)行去噪處理，用新型函數(shù)——改進(jìn)型閾值函數(shù)做去噪處理，選取閾值函數(shù)中的k分別為1、2、3、4，通過信號(hào)處理的評(píng)價(jià)指標(biāo)——信噪比(SNR)和均方誤差(MSE)的比較，可以選擇出最佳的k值。圖5、圖6分別給出了不同閾值函數(shù)去噪后雷達(dá)生命信號(hào)的時(shí)域和頻域曲線，表1、表2列出了去噪后雷達(dá)生命信號(hào)的SNR和MSE數(shù)值。

圖4　雷達(dá)生命信號(hào)的時(shí)域和頻域Fig.4　Time-domain and frequency-domain of radar life signal

圖5　去噪后雷達(dá)生命信號(hào)時(shí)域圖Fig.5　The time domain diagram of radar life signals after denoising

圖5(a)是對(duì)波長為166.67 mm的雷達(dá)生命信號(hào)先進(jìn)行提升小波變換，然后用不同閾值函數(shù)去噪后的時(shí)域圖。與圖4(a)的雷達(dá)生命信號(hào)對(duì)比發(fā)現(xiàn)，這幾種去噪方案都顯著地抑制了雷達(dá)生命信號(hào)中的噪聲信號(hào)。比對(duì)圖5(a)與圖2(a)，圖2(a)是不含噪的波長為166.67 mm的雷達(dá)生命信號(hào)，該信號(hào)含有兩種頻率——呼吸頻率和心跳頻率，比對(duì)結(jié)果發(fā)現(xiàn)，這幾種去噪方案將較弱的生命信號(hào)作為噪聲擬制掉了，使得去噪后的信號(hào)呈現(xiàn)單頻性。因此本文采用提升小波變換的不同閾值函數(shù)的去噪方案對(duì)雷達(dá)生命信號(hào)實(shí)現(xiàn)了有效去噪，同時(shí)也抑制了較弱的生命信號(hào)。

對(duì)于圖5(b)的分析結(jié)果同上。

圖6　去噪后雷達(dá)生命信號(hào)頻域圖Fig.6　The frequency domain diagram of radar life signal after denoising

圖6(a)是對(duì)波長為166.67 mm的雷達(dá)生命信號(hào)先進(jìn)行提升小波變換，然后用不同閾值函數(shù)去噪處理后的頻域圖，圖中峰值頻率是0.311 3 Hz，該頻率為呼吸信號(hào)頻率。

與圖4(a)的頻譜圖進(jìn)行比對(duì)，這幾種去噪方案有效擬制了高頻噪聲，但同時(shí)將頻率為1.206 Hz的心跳信號(hào)作為噪聲擬制掉了。

對(duì)于圖6(b)的分析結(jié)果同上。

從去噪信號(hào)的時(shí)域和頻域比對(duì)不同閾值函數(shù)去噪的效果，較難判斷那種閾值函數(shù)去噪效果更好。表1給出了不同閾值函數(shù)去噪后的評(píng)價(jià)指標(biāo)信噪比SNR和均方誤差MSE值，很容易發(fā)現(xiàn)，采用改進(jìn)閾值函數(shù)，且函數(shù)中的k=1時(shí)評(píng)價(jià)指標(biāo)值最優(yōu)，這個(gè)結(jié)論對(duì)不同的雷達(dá)波都適用。

表1　不同閾值函數(shù)去噪效果比較

4　結(jié)　論

為了解決雷達(dá)生命信號(hào)的去噪問題，本文對(duì)雷達(dá)生命信號(hào)進(jìn)行了3層的提升小波分解，對(duì)1～3層的細(xì)節(jié)分量進(jìn)行不同閾值函數(shù)的去噪處理，然后再進(jìn)行逆提升小波變換，獲得去噪后的雷達(dá)生命信號(hào)。比對(duì)去噪前后雷達(dá)生命信號(hào)的時(shí)域圖和頻域圖，本文采用的這幾種閾值函數(shù)對(duì)雷達(dá)生命信號(hào)中的高頻噪聲進(jìn)行了有效去除。用去噪信號(hào)的評(píng)價(jià)指標(biāo)SNR和MSE來衡量，改進(jìn)閾值函數(shù)(k=1)為最佳去噪函數(shù)，這一結(jié)論對(duì)波長為166.67 mm和8.57 mm的雷達(dá)波都適用。

本文采用的這幾種去噪閾值函數(shù)，可以有效地從雷達(dá)生命信號(hào)分理處呼吸信號(hào)，但較弱的心跳信號(hào)都被作為噪聲抑制掉了，這一問題將留作后續(xù)研究。

[1]楊秀芳，張偉，王若嘉,等.基于小波變換的雷達(dá)生命信號(hào)提升方法[J]. 光子學(xué)報(bào),2013,42(11):1370-1374.

YANG Xiufang, ZHANG Wei, WANG Ruojia, et al Study on the extraction method of radar life signal based on wavelet transform[J]. ACTA Photonica Sinica,2013,42(11):1370-1374.

[2]歐陽波，程棟，王玲. 改進(jìn)小波閾值算法在心電信號(hào)去噪中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用， 2015,51(4): 213-217.

OUYANG Bo, CHENG Dong, WANG Ling. Improved wavelet threshold algorithm in application of ECG signal denoising[J]. Computer Engineering and Applications, 2015,51(4): 213-217.

[3]郭興明，吳玉春，肖守中. 自適應(yīng)提升小波變換在心音信號(hào)預(yù)處理中的應(yīng)用[J].儀器儀表學(xué)報(bào)， 2009，30 (4): 802-806.

GUO Xingming, WU Yuchun, XIAO Shouzhong. Application of adaptive lifting wavelet transform in pre-processing of heart sound signal[J]. Chinese Journal of Scientific Instrument, 2009,30(4): 802-806.

[4]劉磊，于淼，楊瑞娟，等. 小波去噪用于光纖拉曼溫度傳感系統(tǒng)[J]. 中國激光，2013,40(6):0605005.

LIU Lei, YU Miao, YANG Ruijuan, et al. Wavelet denoising applied in optical fiber raman temperature sensor system[J].Chinese Journal of Lasers, 2013, 40(6):0605005.

[5]劉秀平，李小平，孫海峰. 提升小波的X射線脈沖星信號(hào)降噪[J]. 光學(xué)學(xué)報(bào), 2013,33(3):0304002.

LIU Xiuping, LI Xiaoping, SUN Haifeng. X-ray pulsar signal de-noising using lifting scheme wavelet[J]. Acta Optica Sinica, 2013,33(3):0304002.

[6]楊秀芳，張偉，楊宇祥.基于提升小波變換的雷達(dá)生命信號(hào)去噪技術(shù)[J]. 光學(xué)學(xué)報(bào), 2014,34(3):0328003.

YANG Xiufang, ZHANG Wei, YANG Yuxiang. Denoising technology of radar life signal based on lifting wavelet transform[J]. Acta Optica Sinica, 2014,34(3):0328003.

[7]查翔，倪世宏，張鵬．一類非線性信號(hào)去噪的奇異值分解有效迭代方法[J]．電子與信息學(xué)報(bào)，2015,37(6):1330-1335.

ZHA Xiang, NI Shihong, ZHANG Peng. Effective iteration method of a class of nonlinear signal denoising based on singular value decomposition[J].Journal of Electronics &Information Technology, 2015,37(6): 1330-1335.

[8]湯寶平, 何啟源, 蔣恒恒, 等. 利用小波去噪和HHT的模態(tài)參數(shù)識(shí)別[J]. 振動(dòng)、測(cè)試與診斷, 2009:29(2):197-200.

TANG Baoping, HE Qiyuan, JIANG Hengheng, et al. Modal parameter identification based on Hilbert Huang Transform and wavelet de-noising[J]. Journal of Vibration,Measurement & Diagnosis, 2009, 29(2): 197-200.

[9]吳光文，王昌明，包建東，等. 基于自適應(yīng)函數(shù)的小波閾值去噪方法[J].電子與信息學(xué)報(bào)，2014:36(6):1340-1347.

WU Guangwen, WANG Changming, BAO Jiandong, et al. A wavelet threshold de-noising algorithm based on adaptive threshold function[J].Journal of Electronics &Information Technology,2014,36(6):1340-1347.[10]宗富興，銳愛社，汪輝，等. 基于CCA和WT的油庫閥門內(nèi)漏聲發(fā)射信號(hào)去噪[J]. 儀器儀表學(xué)報(bào)，2014,35(9):2004-2011.

ZONG Fuxing, RUI Aishe, WANG Hui, et al. Denoising method for acoustic emission signal in oil depot internal valve leakage inspection based on CCA and WT[J].Chinese Journal of Scientific Instrument,2014, 35(9):2004-2011.

[11]易大方，劉文斌. 介質(zhì)板上的振子天線特性研究[J]. 電子科學(xué)學(xué)刊,1994,16(1):76-80.

YI Dafang, LIU Wenbin. Characteristics of a dipole antenna on a dielectric slab[J]. Journal of Electronics, 1994,16(1):76-80.

[12]SANAM T F, SHAHNAZ C. Noisy speech enhancement based on an adaptive threshold and a modified hard treshloding function in wavelet packet domain[J]. Digital Signal Processing,2013,23(3):941-951.

[13]STEFAN W, CHEN K W, GUO H B, et al. Wavelet-based de-noising of positron emission tomography scans[J]. Journal of Scientific Computing, 2012, 50(3):665-667.

[14]LIU W Y, HAN J G. The optimal Mexican hat wavelet filter de-noising method based on cross-validation method[J]. Neurocomputing, 2013,108:31-35.

[15]LI J,CHENG C K, JIANG T Y. Wavelet de-noising of partial discharge signals based on genetic adaptive threshold estimation[J]. IEEE Transactions on dielectrics and Electrical Insulation,2012,19(2):543-549.

[16]BEENAMOL M, PRABAVATHY S, MOHANALIN J. Wavelet based seismic signal de-noising using Shannon and stsllis entropy[J]. Computers and Mathematics with Applications,2012,64(12):3580-3593.

(責(zé)任編輯王衛(wèi)勛)

Detection and extraction technology of CW radar life signal

YANG Xiufang, MA Jiangfei, GAO Ruipeng

(School of Mechanical and Precision Instrument Engineering,Xi’an University of Technology, Xi’an 710048,China)

As the radar life signal is weak,it is often submerged in the noise.Because of non-stationary and randomicity of these clutter signals, it is necessary to denoise efficiently before extracting and separating useful signals. This study improves the radar life signal’s theoretical model of the continuous wave, processes de-noising by introducing lifting wave transform and determines the best threshold function through comparing the de-noising effects of different threshold functions. The result indicates that both SNR and MSE of the signal are better than the traditional ones by using lifting wavelet transform and combining with a newly improved method for soft threshold function de-noising.

radar life signal; theoretical model; lifting wavelet transform; threshold de-noising; improved soft threshold function

10.19322/j.cnki.issn.1006-4710.2016.03.006

2015-12-10

國家自然科學(xué)基金資助項(xiàng)目(11502198)

楊秀芳，女，碩導(dǎo)，研究方向?yàn)楣怆姍z測(cè)與信息提取技術(shù)。E-mail:yxf5078@xaut.edu.cn

TP312

A

1006-4710(2016)03-0283-07