基于vmd的人体生命体征信号分离方法
【专利摘要】本发明提供了一种基于VMD的人体生命体征信号分离方法，包括以下步骤：步骤1，对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号进行动目标检测、距离门切换和低通滤波得到目标生命体征信号；步骤2，对步骤1获得的目标生命体征信号采用变分模态分解算法对目标生命体征信号进行处理，分离出预设个数的模态分量；步骤3，对步骤2中分离出的各个模态分量画出时域波形图及其频谱图并进行频谱分析获取所需目标生命体征信号。本发明通过变分模态分解算法能够有效地分离单目标及多目标生命体征信号中分离和提取。
【专利说明】
基于VMD的人体生命体征信号分离方法
技术领域
[0001] 本发明属于雷达技术领域，特别是一种基于VMD的人体生命体征信号分离方法。
【背景技术】
[0002] 基本的生命体征信息主要指的是呼吸、屯、跳、血压和体溫等，特别是呼吸和屯、跳信 号是衡量人体健康状况的重要指标。同时生命体征是判断病人的病情轻重和危险程度的指 正，体征参数的异常是引发医学突发紧急事件的重要原因。因而，对人体体征信息进行实时 监测对于病人的及时救治和家庭医疗监护具有非常重要的意义。超宽带雷达体制的生命体 征检测系统中，不管是单人的呼吸、屯、跳测量，还是多目标呼吸信号检测，其最重要的环节 都在于不同频率信号的准确分离并提取。因此，选择恰当的信号处理技术从上述生命体征 检测系统所采集到的信号中准确分离和提取不同频率的信号是该系统的关键所在。
[0003] 传统时频分析方法几乎都有一些不足之处，并且，对于人体的生命体征信号来说 其中单人呼吸和屯、跳信号的频率W及多人的呼吸信号频率很接近，而且屯、跳信号较为微 弱，传统方法不能准确表示信号的频率关于每一个时间点上的变化，甚至于无法分辨出屯、 固b、呼吸信号。对于最为经典的FFT变换来说，其要进行大量的实验获取数据并进行分析和 处理，同时分辨率较低是最为致命的缺陷;采用小波分析的方法会产生许多谐波，运可能会 掩盖微弱的屯、跳信号。经验模式分解EMD算法虽然在分辨率上有很大提高，但是对于噪声和 采样很敏感，同时缺乏数学理论的支持。
【发明内容】
[0004] 本发明的目的在于提供一种基于VMD的人体生命体征信号分离方法，W有效分离 和恢复单目标和多目标人体生命体征信号。
[0005] 实现本发明目的的技术解决方案为:一种基于VMD的人体生命体征信号分离方法， 步骤如下：
[0006] 步骤1，对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号X (t)进行动目标检测、距离口切换和低通滤波得到目标生命体征时域信号f(t);
[0007] 步骤2,对步骤1获得的目标生命体征信号采用VMD即变分模态分解算法对目标生 命体征信号f(t)进行处理，分离出预设个数的模态分量；
[000引步骤3,对步骤2中分离出的各个模态分量画出时域波形图并进行频谱分析获取所 需目标生命体征信号。
[0009]进一步地，步骤1所述对由基于超宽带雷达的非接触式生命体征检测系统获得的 雷达回波信号x(t)进行动目标检测、距离口切换和低通滤波得到目标生命体征时域信号f (t)，具体如下：
[0010] (1.1)动目标检测：首先求得每个距离口内所有慢时采样点的平均值Xi，此平均值 Xl为目标环境背景噪声，再将原信号对应相同的距离口中的每个采样点减去该平均值Xl就 得到含有目标运动信息的信号Xl(t);
[0011] (1.2)距离口切换:取固定窗长的点求平方和得到能量并取出最大值，该能量最大 值对应的距离口为此时能量最大距离口；然后滑窗，进行同样处理得到一组能量最大距离 口的数组，取该数组的众数即为最终的能量最大距离口；
[0012] (1.3)低通滤波:选取的距离口时域信号携带有高频噪声，引入一个低通滤波器h (n)滤除该高频噪声。
[001引进一步地，步骤帥所述对步骤1获得的目标生命体征信号采用VMD即变分模态分 解算法对目标生命体征信号f(t)进行处理，分离出预设个数的模态分量，具体如下：
[0014] (2.1)对步骤1得到的生命体征信号f(t)进行镜像延拓，进行傅立叶变换将频谱搬 移至频谱中屯、，再将频谱前一半取零，得到搬移至频谱中屯、的扩展信号频谱A(O);
[0015] (2.2)初始化K个模态{巧}，各模态对应中屯、频率{4}、拉格朗日乘子<[《1}和迭代次 数n;其中对于单目标，模态个数K取4;多目标时模态个数K取2 X D+2，D表示目标个数；
[0016] (2.3)计算更新模态
表示第i个， 《k《K，a表示数据保真平衡参数；
[0017] (2.4)计算更新中屯、频羣
[0018] (2.5)计算更新朗格朗日乘子
T表示双上 升时间步长；
[0019] (2.6)如果
^n>N，则迭代停止，否则返回执行步骤（2.3)- (2.5)，e表示判别约束条件，e >0，N表示迭代截止次数；
[0020] (2.7)将获得的K个模态成先进行逆傅里叶变换，最后解除镜像延拓使各分量恢复 与原信号f(t)相同的时域长度。
[0021 ]本发明与现有技术相比，其显著优点为：（1)先采取传统方法获取原始目标生命体 征信号，然后利用变分模态分解算法分离单目标生命体征信号中的呼吸和屯、跳信号分离W 及多目标生命体征信号中的呼吸信号；（2)对于噪声和采样具有较强的鲁棒性，能够保证较 好的分辨率W便分离不同频率又很接近的信号，有效可靠、分离效果优异。
[0022 ]下面结合说明书附图对本发明做进一步说明。
【附图说明】
[0023] 图1为本发明基于VMD的人体生命体征信号分离方法流程图，其中（a)为单目标人 体生命体征信号分离方法流程图，（b)为多目标人体生命体征信号分离方法流程图。
[0024] 图2为本发明中由采集数据获得的雷达回波信号能量图。
[0025] 图3为本发明中未经VMD算法处理的多目标生命体征信号。
[0026] 图4为本发明中经过VMD算法处理的各模态时域波形图，其中（a)为A的呼吸波形 图，（b)为B的呼吸波形图。
[0027] 图5为本发明中经过VMD算法处理的分离出的目标生命体征信号频谱图，其中（a) 为A的呼吸频谱图，（b)为B的呼吸频谱图。
【具体实施方式】
[0028] 结合图1，本发明基于VMD的人体生命体征信号分离方法，其中图1(a)为单目标人 体生命体征信号分离方法流程图，图1 (b)为多目标人体生命体征信号分离方法流程图。步 骤如下：
[0029] 步骤1，对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号X (t)进行动目标检测、距离口切换和低通滤波得到目标生命体征时域信号f(t);
[0030] (1.1)动目标检巧U:首先求得每个距离口内所有慢时采样点的平均值Xi，此平均值 Xl为目标环境背景噪声，再将原信号对应相同的距离口中的每个采样点减去该平均值Xl就 得到含有目标运动信息的信号Xl(t);
[0031] (1.2)距离口切换:取固定窗长的点求平方和得到能量并取出最大值，如在512距 离口取窗长为2048点，该能量最大值对应的距离口为此时能量最大距离口；然后滑窗，进行 同样处理得到一组能量最大距离口的数组，取该数组的众数即为最终的能量最大距离口；
[0032] (1.3)低通滤波:选取的距离口时域信号携带有高频噪声，为了滤除该高频噪声同 时防止其影响多目标生命体征信号频率的准确提取和分离，引入一个低通滤波器Kn)滤除 该高频噪声，该滤波器采用低通FIR滤波器，滤波器参数为:通带截止频率Qp为IHz、阻带截 止频率Q S为10化、通带纹波Sp为0.0 l地W及阻带衰减Ss为80地。
[0033] 步骤2,对步骤1获得的目标生命体征信号采用VMD即变分模态分解算法对目标生 命体征信号f(t)进行处理，分离出预设个数的模态分量，具体如下：
[0034] (2.1)对步骤1得到的生命体征信号f(t)进行镜像延拓，进行傅立叶变换将频谱搬 移至频谱中屯、，再将频谱前一半取零，得到搬移至频谱中屯、的扩展信号频谱/((〇);
[0035] (2.2)初始化K个模态{巧}，各模态对应中屯、频率拉格朗曰乘子护1}和迭代次 数n;其中对于单目标，模态个数K取4;多目标时模态个数K取2 X D+2，D表示目标个数；
[0036] (2.3)计算更新模态
i表示第i个，1 《k《K，a表示数据保真平衡参数：
[0037] (2.4)计算更新中屯、频羣
12 (2.5)计算更新朗格朗日乘子
，1表示双上 升时间步长； 2 (2.6)如昇
：^n>N，则迭代停止，否则返回执行步骤（2.3)- (2.5)，e表示判别约束条件，e >0，N表示迭代截止次数；
[0040] (2.7)将获得的K个模态與先进行逆傅里叶变换，最后解除镜像延拓使各分量恢复 与原信号f(t)相同的时域长度。
[0041] 步骤3,对步骤2中分离出的各个模态分量画出时域波形图并进行频谱分析获取所 需目标生命体征信号。
[0042] 通过步骤2中变分模态分解算法的处理之后，可W得到模态数目预先定义好的n个 模态，对所有模态求取频率信息并根据已知的被测多目标生命体征信号频率信息进行判 决，最后得到各个被测目标对应的生命体征信号。通过W上步骤最后就能得到分离的目标 生命体征信号。
[0043] 首先通过超宽带雷达生命体征检测系统获取包含有多目标人体生命体征信号的 雷达回波信号数据，得到雷达回波信号的能量图，图2是为由采集数据画出的信号能量图； 接着对雷达回波信号进行动目标检测、距离口切换和低通滤波得到未经VMD算法处理的目 标生命体征信号即如图3所示;为准确分离和恢复不同频率的生命体征信号，引进VMD算法 进行处理。对图3利用VMD算法进行分解处理得到经过VMD算法处理的各模态时域波形图即 图4，其中图4 (a)为A的呼吸波形图，图4 (b)为B的呼吸波形图。再对图4进行傅立叶变换处理 得到经过VMD算法处理的分离出的目标生命体征信号频谱图即图5,其中图5(a)为A的呼吸 频谱图，图5(b)为B的呼吸频谱图。
[0044] 综上所述，本发明先采取传统方法获取原始目标生命体征信号，然后利用变分模 态分解算法分离单目标生命体征信号中的呼吸和屯、跳信号分离W及多目标生命体征信号 中的呼吸信号，有效可靠、分离效果优异。
【主权项】
1. 一种基于VMD的人体生命体征信号分离方法，其特征在于，步骤如下： 步骤1，对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号x(t) 进行动目标检测、距离门切换和低通滤波得到目标生命体征时域信号f(t); 步骤2，对步骤1获得的目标生命体征信号采用VMD即变分模态分解算法对目标生命体 征信号f(t)进行处理，分离出预设个数的模态分量； 步骤3,对步骤2中分离出的各个模态分量画出时域波形图并进行频谱分析获取所需目 标生命体征?目号。2. 根据权利要求书1所述的基于VMD的人体生命体征信号分离方法，其特征在于，步骤1 所述对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号x(t)进行动 目标检测、距离门切换和低通滤波得到目标生命体征时域信号f(t)，具体如下： (1.1) 动目标检测：首先求得每个距离门内所有慢时采样点的平均值X1，此平均值^为 目标环境背景噪声，再将原信号对应相同的距离门中的每个采样点减去该平均值 X1就得到 含有目标运动信息的信号xi(t); (1.2) 距离门切换:取固定窗长的点求平方和得到能量并取出最大值，该能量最大值对 应的距离门为此时能量最大距离门；然后滑窗，进行同样处理得到一组能量最大距离门的 数组，取该数组的众数即为最终的能量最大距离门； (1.3) 低通滤波:选取的距离门时域信号携带有高频噪声，引入一个低通滤波器h(n)滤 除该尚频噪声。3. 根据权利要求书1所述的基于VMD的人体生命体征信号分离方法，其特征在于，步骤2 中所述对步骤1获得的目标生命体征信号采用VMD即变分模态分解算法对目标生命体征信 号f(t)进行处理，分离出预设个数的模态分量，具体如下： (2.1) 对步骤1得到的生命体征信号f(t)进行镜像延拓，进行傅立叶变换将频谱搬移至 频谱中心，再将频谱前一半取零，得到搬移至频谱中心的扩展信号频谱; (2.2) 初始化Κ个模态，各模态对应中心频率{(64}、拉格朗日乘子}和迭代次数η; 其中对于单目标，模态个数Κ取4;多目标时模态个数Κ取2 X D+2，D表示目标个数； (2.3) 计算更新模态i表示第i个，l<i<K，l<k ，α表示数据保真平衡参数； (2.4) 计算更新中心频_(2.5) 计算更新朗格朗日乘弓，τ表示双上升时 间步长； (2 · 6)如果? (<1:或11>1则迭代停止，否则返回执行步骤(2 · 3)-(2 · 5)，ε k 2 2 表示判别约束条件，ε > Ο，N表示迭代截止次数； (2.7)将获得的K个模态4先进行逆傅里叶变换，最后解除镜像延拓使各分量恢复与原 信号f(t)相同的时域长度。
【文档编号】G06F19/00GK105956388SQ201610269283
【公开日】2016年9月21日
【申请日】2016年4月27日
【发明人】李彧晟, 季文韬, 唐良勇, 洪弘, 顾陈, 朱晓华
【申请人】南京理工大学