基于非接触式检测的多目标人体呼吸信号监测方法及装置与流程

本发明涉及信号处理技术领域，尤其涉及一种基于非接触式检测的多目标人体呼吸信号监测方法及装置。

背景技术：

人体的呼吸信号是衡量人体健康状况的重要指标，对人体呼吸信号的监测在医疗监护、家庭监护等具有非常重要的意义。通过对人体呼吸信息进行实时监测，由呼吸信号作为判断病人的病情轻重、危险程度的指征，可以及时了解病人的病情和发展趋势，及时发现异常状况。

对于人体呼吸信号的检测，目前包括两种检测方式，一种是接触式检测方式，如采用呼吸带等，该类方式需要固定在人体上完成检测，操作复杂、使用不便，且只能针对单个人体目标进行检测，检测效率低；另一种是非接触式检测方式，如采用雷达进行信号采集等，无需接触人体即可实现检测，且能够同时检测多个目标人体的信号。但是人体的生命体征信号除呼吸信号外，还包括心跳等信号，通过雷达等非接触式检测方式获取到的人体信号，需要通过进一步信号处理环节分离、提取出所需信号，即其有效性取决于信号的准确分离和提取。

针对非接触式检测方式中信号分析方法，目前主要有时频分析方法、FFT分析方法、小波分析方法以及EMD(经验模态分解)算法等，其中由于多人的呼吸信号频率很接近，传统时频分析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，甚至于无法分辨出呼吸信号；对于FFT变换方法来说，其要进行大量的实验获取数据并进行分析和处理，实现过程复杂，且更为重要的是分辨率低；小波分析方法会产生许多谐波，影响呼吸信号的检测，因而不适用于呼吸信号的检测分析；人体呼吸信号伴随着随机噪声，且不同人之间的呼吸频率非常接近，EMD算法需要严重依赖信号的极值点求均值，因而在分解信号时存在模式混叠、噪声鲁棒性差等问题，使得呼吸频率无法有效分离。

技术实现要素：

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种具有实现方法简单、能够实现多目标人体呼吸信号的有效分离及监测，抗模式混叠性能以及抗噪性能好，且分离的精度及效率高的基于非接触式检测的多目标人体呼吸信号监测方法及装置。

为解决上述技术问题，本发明提出的技术方案为：

一种基于非接触式检测的多目标人体呼吸信号监测方法，步骤包括：

1)信号检测：通过非接触式检测系统对目标区域进行检测，获取得到包含多目标人体呼吸信号的目标信号；

2)WA-EMD信号分离：将所述步骤1)获取到的目标信号基于窗平均-经验模态分解算法进行分离，得到多个模态分量；

3)多目标信号识别：对所述步骤2)得到的各模态分量分别进行频谱分析，根据频谱分析结果筛选出人体呼吸信号，并对筛选出的各人体呼吸信号进行识别，得到对应不同目标人体的呼吸信号。

作为本发明方法的进一步改进，所述基于窗平均-经验模态分解算法进行分离的具体步骤为：

2.1)信号划分：将获取到的目标信号x(t)分成若干个信号段x_i(t)，且当t＝t_i时，在持续时间间隔△t_i＝t_i+1-t_i内信号为x_i(t)，其中i＝1,2,3....；

2.2)频率跟踪：分别跟踪查找各信号段x_i(t)的最高频率f_i；

2.3)模态分量提取：根据查找到的最高频率f_i，对各信号段x_i(t)进行加窗并求取平均值提取得到所有的本征模函数φ(t)，得到多个模态分量。

作为本发明方法的进一步改进，所述步骤2.2)的具体步骤为：

2.21)获取目标信号x(t)中的第一个连续时间段△t₀所对应的信号起始段x_i(t)，其中i＝0；利用快速傅里叶变换提取所述信号起始段的峰值，估计得到对应的最高频率f₀，并作为频率跟踪的初始频率，即在t∈(t₀,t₁)区间内f(t)≈f₀，其中f(t)为时间t时的跟踪频率信号；

2.22)令△t_i～10/f_i-1，其中△t_i为第i段的数据长度，f_i-1为第i-1段数据的最高频率；提取信号段x_i(t)的最高频率f_i，其中i＝1,2,3,...，并判断是否满足|f_i-f_i-1|≤αf_i-1，α为定义的跟踪参数，如果是，则由当前提取到的最高频率f_i作为当前跟踪频率，即在t∈(t_i,t_i+1)区间内f(t)≈f_i；否则认为所跟踪频率成分消失，保持当前跟踪频率不变，即f_i＝f_i-1；

2.23)重复执行步骤2.22)，直到跟踪完目标信号x(t)中所有数据，得到所有信号段的最高频率f_i，i＝0,1,2,3,...，完成跟踪过程。

作为本发明方法的进一步改进，所述步骤2.3)的具体步骤为：

2.31)第一轮筛选：设定用于配置窗函数周期T与最高频率f_i之间的倍数关系的可调参数β；

令β＝1，按照式计算待分离合成信号x(t)的平均值其中ω_T为窗函数且满足窗函数周期T按下式计算得到；

由目标信号x(t)减去计算得到的平均值得到本征模函数

2.32)第二轮筛选：令β＝3，按照式计算本征模函数φ₀(t)的平均值由计算得到的平均值减去平均值得到本征模函数φ₁(t)，即

2.33)重复执行步骤2.31)、2.32)，直到筛选出所有的本征模函数φ_n(t)，其中n＝2,3,4,...，并将第n次迭代过程中筛选得到的φ₀(t)叠加至第n-1次迭代过程中所筛选出的本征模函数φ_n-1(t)，最终得到包含不同目标人体呼吸信号的多个模态分量。

作为本发明方法的进一步改进，所述步骤2.33)中迭代过程中具体按下式计算计算得到迭代判定指数△(t)，当数据点满足△(t)>c₁的总个数小于c₂且△(t)<c₃时迭代停止；

其中，maxφ_i(t)和minφ_i(t)分别表示φ_i(t)的最大值和最小值，i＝0,1；c₁、c₂、c₃为设定的迭代停止调节参数。

作为本发明方法的进一步改进，所述步骤3)的具体步骤为：

3.1)对所述步骤2)得到的各模态分量进行傅里叶变换，求取得到各模态分量所对应的峰值频率；

3.3)根据求取得到的各峰值频率初步筛选出所有可能的人体呼吸信号分量；

3.4)将筛选出的所有可能的人体呼吸信号分量，分别与预先采集的各目标人体的参考呼吸信号进行对比，最终识别得到对应各目标人体的呼吸信号。

作为本发明方法的进一步改进，所述步骤3)后还包括呼吸次速率获取步骤4)，具体步骤为：

4.1)将识别得到的对应各人体目标的呼吸信号分别进行希尔伯特变换得到时变的频率信号；

4.2)对所述步骤4.1)获得的频率信号进行加窗平滑处理并进行转化，获取得到对应各人体目标的呼吸速率。

作为本发明方法的进一步改进，所述步骤1)的具体步骤为：

1.1)雷达检测：通过超宽带雷达生命体征检测系统对目标区域中同一距离下的多个人体呼吸信号进行检测；

1.2)MTI动目标检测：接收超宽带雷达生命体征检测系统的雷达回波信号，计算所述雷达回波信号中每个距离门内所有慢时采样点的平均值，将所述雷达回波信号中对应相同的距离门中的每个采样点均减去所述平均值，得到含有目标运动信息的目标信号；

1.3)距离门切换：获取目标信号中指定窗长内能量最大值，能量由对窗长内各信号点求平方和得到，并取能量最大值所对应的距离门作为当前次处理的能量最大距离门；对目标信号进行滑窗，返回执行步骤1.2)，直至完成对目标信号处理，得到多个能量最大距离门；由得到的多个能量最大距离门确定最终的能量最大距离门；

1.4)滤波去噪处理：将对步骤1.2)处理后目标信号进行低通滤波处理，得到包含多目标人体呼吸信号的目标信号输出。

本发明进一步提供一种基于非接触式检测的多目标人体呼吸信号分离装置，包括：

信号检测模块，用于通过非接触式检测系统对目标区域进行检测，获取得到包含多目标人体呼吸信号的目标信号；

WA-EMD信号分离模块，将所述信号检测模块获取到的目标信号基于窗平均-经验模态分解算法进行分离，得到多个模态分量；

多目标信号识别模块，对所述WA-EMD信号分离模块得到的各模态分量分别进行频谱分析，根据频谱分析结果筛选出人体呼吸信号，并对筛选得出的各人体呼吸信号进行识别，得到对应不同目标人体的呼吸信号。

作为本发明装置的进一步改进，所述WA-EMD信号分离模块包括：

信号划分单元，用于将获取到的目标信号x(t)分成若干个信号段x_i(t)，且当t＝t_i时，在持续时间间隔△t_i＝t_i+1-t_i内信号为x_i(t)，其中i＝1,2,3....；

频率跟踪单元，用于分别跟踪查找各信号段x_i(t)的最高频率f_i；

模态分量提取单元，用于根据查找到的最高频率f_i，对各信号段x_i(t)进行加窗并求取平均值提取得到所有的本征模函数φ(t)，得到多个模态分量；

所述多目标信号识别模块包括：

频谱分析单元，用于对所述WA-EMD信号分离模块得到的各模态分量进行傅里叶变换，求取得到各模态分量所对应的峰值频率；

信号筛选单元，用于根据求取得到的各峰值频率初步筛选出所有可能的人体呼吸信号分量；

信号识别单元，用于将筛选出的所有可能的人体呼吸信号分量，分别与预先采集的各目标人体的参考呼吸信号进行对比，最终识别得到对应各目标人体的呼吸信号。

与现有技术相比，本发明的优点在于：

1)本发明基于非接触式检测人体呼吸信号，检测操作简单，能够同时检测得到多目标人体信号；同时考虑多目标人体呼吸信号的特性，采用WA-EMD算法进行信号分离，能够在高噪声背景下提取较为微弱的有用信号，实现不同目标人体呼吸信号的有效分离，再进一步结合对分离出的模态分量进行识别，确定对应各呼吸信号的人体目标，得到对应不同目标人体的呼吸信号，能够实现多人呼吸信号的有效监测；

2)本发明基于窗平均-经验模态分解算法对信号分离，利用加窗求均值的方法得到局部信号的均值，能够准确分离出同一距离下不同目标人体、不同频率的呼吸信号，且不会产生模式混叠，抗模式混叠性能以及抗噪性能好；

3)本发明在分离出各个模态分量后，对各个模态分量进行频谱分析，初步筛选出所有可能的人体呼吸信号分量，进一步将筛选出的所有可能的人体呼吸信号分量与参考呼吸信号进行对比，识别出各呼吸信号所对应的人体目标，最终得到对应不同目标人体的呼吸信号，信号识别实现简单且识别精度高，从而结合信号分离与信号识别能够实现各目标人体呼吸信号的实时监测。

附图说明

图1是本实施例基于非接触式检测的多目标人体呼吸信号监测方法的实现流程示意图。

图2是本实施例原始雷达回波以及回波预处理结果示意图。

图3是本实施例WA-EMD处理后各IMF分量的时域波形结果示意图。

图4是本实施例分离出的不同目标人体呼吸速率结果示意图。

图5是本实施例基于非接触式检测的多目标人体呼吸信号监测装置的结构示意图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图1所示，本实施例基于非接触式检测的多目标人体呼吸信号监测方法，步骤包括：

1)信号检测：通过非接触式检测系统对目标区域进行检测，获取得到包含多目标人体呼吸信号的目标信号；

2)WA-EMD信号分离：将步骤1)获取到的目标信号基于窗平均-经验模态分解算法进行分离，得到多个模态分量(第一个IMF分量～第n个IMF分量)；

3)多目标信号识别：对步骤2)得到的各模态分量分别进行频谱分析，根据频谱分析结果筛选出人体呼吸信号，并对筛选出的各人体呼吸信号进行识别，得到对应不同目标人体的呼吸信号(目标1呼吸信号～目标m呼吸信号)。

窗平均-经验模态分解(Window Average EMD，WA-EMD)算法是利用加窗求均值的方法取代EMD中的三次样条插值得到局部信号的均值，本实施例基于非接触式检测多目标人体呼吸信号，检测操作简单，同时考虑多目标人体呼吸信号的频率等特性，采用WA-EMD算法进行信号分离，能够在高噪声背景下提取较为微弱的有用信号，实现不同目标人体呼吸信号的有效分离，且具有较好的抗模式混叠性能以及抗噪性能，进一步结合对分离出的模态分量进行识别，确定对应各呼吸信号的人体目标，得到对应不同目标人体的呼吸信号，能够实现多人呼吸信号的有效监测。

本实施例中，步骤1)的具体步骤为：

1.1)雷达检测：通过超宽带雷达生命体征检测系统对目标区域中同一距离下的多个人体呼吸信号进行检测；

1.2)MTI动目标检测：接收超宽带雷达生命体征检测系统的雷达回波信号，计算所述雷达回波信号中每个距离门内所有慢时采样点的平均值，将所述雷达回波信号中对应相同的距离门中的每个采样点均减去所述平均值，得到含有目标运动信息的目标信号；

1.3)距离门切换：获取目标信号中指定窗长内能量最大值，能量由对窗长内各信号点求平方和得到，并取能量最大值所对应的距离门作为当前次处理的能量最大距离门；对目标信号进行滑窗，返回执行步骤1.2)，直至完成对目标信号处理，得到多个能量最大距离门；由得到的多个能量最大距离门确定最终的能量最大距离门；

1.4)滤波去噪处理：将对步骤1.2)处理后目标信号进行低通滤波处理，得到包含多目标人体呼吸信号的目标信号输出。

本实施例具体通过超宽带雷达生命体征检测系统检测目标区域中同一距离下的人体信号，获取到的目标信号为包含多目标人体呼吸信号的合成信号。本发明具体实施例中得到雷达回波以及回波预处理后结果如图2所示，其中，图(a)对应为接收的原始雷达回波，图(b)对应为MTI动目标检测结果，图(c)对应为最优距离门处时域波形结果，图(d)对应为去噪处理后时域波形结果。由图可知，对雷达回波信号进行动目标检测、距离门切换和低通滤波等预处理后，可以得到的纯净回波信号。当然也可以采用其他传统方法获取多目标人体呼吸信号。

本实施例中，基于窗平均-经验模态分解算法进行分离的具体步骤为：

2.1)信号划分：将获取到的目标信号x(t)分成若干个信号段x_i(t)，且当t＝t_i时，在持续时间间隔△t_i＝t_i+1-t_i内信号为x_i(t)，其中i＝1,2,3....；

2.2)频率跟踪：分别跟踪查找各信号段x_i(t)的最高频率f_i；

2.3)模态分量提取：根据查找到的最高频率f_i，对各信号段x_i(t)进行加窗并求取平均值提取得到所有的本征模函数φ(t)，得到多个模态分量。

本实施例基于窗平均-经验模态分解算法对信号分离时，利用加窗求均值的方法得到局部信号的均值，能够准确分离出同一距离下不同目标人体、不同频率的呼吸信号，且不易产生模式混叠，抗模式混叠性能以及抗噪性能好。

本实施例中，步骤2.2)的具体步骤为：

2.21)获取目标信号x(t)中的第一个连续时间段△t₀所对应的信号起始段x_i(t)，其中i＝0；利用快速傅里叶变换提取信号起始段的峰值，估计得到对应的最高频率f₀，并作为频率跟踪的初始频率，即在t∈(t₀,t₁)区间内f(t)≈f₀，其中f(t)为时间t时的跟踪频率信号，f₀为跟踪频率信号的初始部分；

2.22)令△t_i～10/f_i-1，其中△t_i为第i段的数据长度，f_i-1为第i-1段数据的最高频率；提取信号段x_i(t)的最高频率f_i，其中i＝1,2,3,...，并判断是否满足跟踪标准：

|f_i-f_i-1|≤αf_i-1 (1)

其中α为定义的跟踪参数(本实例具体取α<1)；

如果是，则由当前提取到的最高频率f_i作为当前跟踪频率，即在t∈(t_i,t_i+1)区间内f(t)≈f_i；否则认为所跟踪频率成分消失，保持当前跟踪频率不变，即f_i＝f_i-1；

2.23)重复执行步骤2.22)，直到跟踪完目标信号x(t)中所有数据，得到所有信号段的最高频率f_i，i＝0,1,2,3,...，完成跟踪过程。

本实施例中，步骤2.3)的具体步骤为：

2.31)第一轮筛选：设定用于配置窗函数周期T与最高频率f_i之间的倍数关系的可调参数β；

令β＝1，按照式(2)计算待分离合成信号x(t)的平均值

其中ω_T为窗函数且满足窗函数周期T按式(3)计算得到；

由目标信号x(t)减去计算得到的平均值得到本征模函数

2.32)第二轮筛选：令β＝3，按照式(4)计算本征模函数φ₀(t)的平均值

由计算得到的平均值减去平均值得到本征模函数φ₁(t)，即

2.33)重复执行步骤2.31)、2.32)，直到筛选出所有的本征模函数φ_n(t)，其中n＝2,3,4,...，并将第n次迭代过程中筛选得到的φ₀(t)叠加至第n-1次迭代过程中所筛选出的本征模函数φ_n-1(t)，最终得到包含不同目标人体呼吸信号的多个模态分量(IMF分量)。

本实施例通过两轮筛选提取本征模函数(IMF)，第一轮时β＝1、第二轮时β＝3，能够有效的筛选出所有的IMF分量，同时将在第n次迭代过程中筛选得到的φ₀(t)叠加至第n-1次迭代过程中所筛选出的本征模函数φ_n-1(t)，可以避免能量泄露。

本实施例中，步骤2.33)中具体按下式计算计算得到迭代判定指数△(t)，当数据点满足△(t)>c₁的总个数小于c₂且△(t)<c₃时迭代停止；

其中，maxφ_i(t)和minφ_i(t)分别表示φ_i(t)的最大值和最小值，i＝0,1；c₁、c₂、c₃为设定的迭代停止调节参数，本实施例具体取c₁＝0.01，c₂＝％1(输入数据的第一个值)，c₃＝0.1。

如图3所示，本发明具体实施例中基于WA-EMD算法采用上述方法分离得到的IMF分量的时域波形图(IMF1～IMF4)，由图可知，基于WA-EMD算法能够准确分离出人体呼吸信号，且分离效果好。

本实施例中，步骤3)的具体步骤为：

3.1)对步骤2)得到的各模态分量进行傅里叶变换，求取得到各模态分量所对应的峰值频率；

3.3)根据求取得到的各峰值频率初步筛选出所有可能的人体呼吸信号分量；

3.4)将筛选出的所有可能的人体呼吸信号分量，分别与预先采集的各目标人体的参考呼吸信号进行对比，最终识别得到对应各目标人体的呼吸信号。

本实施例在分离出各个模态分量后，对各个模态分量进行频谱分析，依据人体呼吸频率范围初步筛选出所有可能的人体呼吸信号分量，也可以采用其他方式进行初步筛选以进一步提高筛选精度。由于筛选出的各人体呼吸信号分量并无法确定与各目标人体的对应关系，本实施例进一步将筛选出的所有可能的人体呼吸信号分量与参考呼吸信号进行对比，识别出各呼吸信号所对应的人体目标，最终得到对应不同目标人体的呼吸信号，从而能够实现对各目标人体呼吸信号的有效监测。参考呼吸信号具体可采用呼吸带预先采集各目标人体的呼吸信号，也可以根据实际需求采用其他方式采集得到。

如图3所示，本发明具体实施例中通过对IMF1～IMF4分量进行初步筛选，可得出IMF2和IMF3分量即为对应人体呼吸信号分量，再将IMF2和IMF3分量分别与各目标人体的参考呼吸信号进行对比，即可确定IMF2和IMF3分量所对应的目标人体，从而得到确定目标人体的呼吸信号。

本实施例中，步骤3)后还包括呼吸速率获取步骤，具体步骤为：

4.1)将识别得到的对应各人体目标的呼吸信号分别进行希尔伯特变换得到时变的频率信号；

4.2)对步骤4.1)获得的频率信号进行加窗平滑处理并进行转化，获取得到对应各人体目标的呼吸速率。

本实施例获取到各目标人体的呼吸信号、呼吸频率后，经过希尔伯特变换、加窗平滑处理等转换得到实时呼吸速率，由实时呼吸速率可更为直观的表征目标人体的呼吸状况。本发明具体实施例中对上述筛选出的IMF2、IMF3分量分别进行希尔伯特变换以及加窗平滑处理后，得到如图4所述呼吸次数曲线图，由呼吸次数曲线图即可得到目标人体的呼吸变化趋势。

如图5所示，本实施例多目标人体呼吸信号分离装置，包括：

信号检测模块，用于通过非接触式检测系统对目标区域进行检测，获取得到包含多目标人体呼吸信号的目标信号；

WA-EMD信号分离模块，将信号检测模块获取到的目标信号基于窗平均-经验模态分解算法进行分离，得到多个模态分量；

多目标信号识别模块，对WA-EMD信号分离模块得到的各模态分量分别进行频谱分析，根据频谱分析结果筛选出人体呼吸信号，并对筛选得出的各人体呼吸信号进行识别，得到对应不同目标人体的呼吸信号。

本实施例中，WA-EMD信号分离模块具体包括：

信号划分单元，用于将获取到的目标信号x(t)分成若干个信号段x_i(t)，且当t＝t_i时，在持续时间间隔△t_i＝t_i+1-t_i内信号为x_i(t)，其中i＝1,2,3....；

频率跟踪单元，用于分别跟踪查找各信号段x_i(t)的最高频率f_i；

模态分量提取单元，用于根据查找到的最高频率f_i，对各信号段x_i(t)进行加窗并求取平均值提取得到所有的本征模函数φ(t)，得到多个模态分量；

本实施例中，多目标信号识别模块具体包括：

频谱分析单元，用于对WA-EMD信号分离模块得到的各模态分量进行傅里叶变换，求取得到各模态分量所对应的峰值频率；

信号筛选单元，用于根据求取得到的各峰值频率筛选出所有可能的人体呼吸信号分量；

信号识别单元，用于将筛选出的所有可能的人体呼吸信号分量，分别与预先采集的各目标人体的参考呼吸信号进行对比，识别得到对应各目标人体的呼吸信号。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。