本發明涉及信號處理技術領域，尤其涉及一種基于非接觸式檢測的多目標人體呼吸信號監測方法及裝置。

背景技術：

人體的呼吸信號是衡量人體健康狀況的重要指標，對人體呼吸信號的監測在醫療監護、家庭監護等具有非常重要的意義。通過對人體呼吸信息進行實時監測，由呼吸信號作為判斷病人的病情輕重、危險程度的指征，可以及時了解病人的病情和發展趨勢，及時發現異常狀況。

對于人體呼吸信號的檢測，目前包括兩種檢測方式，一種是接觸式檢測方式，如采用呼吸帶等，該類方式需要固定在人體上完成檢測，操作復雜、使用不便，且只能針對單個人體目標進行檢測，檢測效率低；另一種是非接觸式檢測方式，如采用雷達進行信號采集等，無需接觸人體即可實現檢測，且能夠同時檢測多個目標人體的信號。但是人體的生命體征信號除呼吸信號外，還包括心跳等信號，通過雷達等非接觸式檢測方式獲取到的人體信號，需要通過進一步信號處理環節分離、提取出所需信號，即其有效性取決于信號的準確分離和提取。

針對非接觸式檢測方式中信號分析方法，目前主要有時頻分析方法、FFT分析方法、小波分析方法以及EMD(經驗模態分解)算法等，其中由于多人的呼吸信號頻率很接近，傳統時頻分析方法不能準確表示信號的頻率關于每一個時間點上的變化，甚至于無法分辨出呼吸信號；對于FFT變換方法來說，其要進行大量的實驗獲取數據并進行分析和處理，實現過程復雜，且更為重要的是分辨率低；小波分析方法會產生許多諧波，影響呼吸信號的檢測，因而不適用于呼吸信號的檢測分析；人體呼吸信號伴隨著隨機噪聲，且不同人之間的呼吸頻率非常接近，EMD算法需要嚴重依賴信號的極值點求均值，因而在分解信號時存在模式混疊、噪聲魯棒性差等問題，使得呼吸頻率無法有效分離。

技術實現要素：

本發明要解決的技術問題就在于：針對現有技術存在的技術問題，本發明提供一種具有實現方法簡單、能夠實現多目標人體呼吸信號的有效分離及監測，抗模式混疊性能以及抗噪性能好，且分離的精度及效率高的基于非接觸式檢測的多目標人體呼吸信號監測方法及裝置。

為解決上述技術問題，本發明提出的技術方案為：

一種基于非接觸式檢測的多目標人體呼吸信號監測方法，步驟包括：

1)信號檢測：通過非接觸式檢測系統對目標區域進行檢測，獲取得到包含多目標人體呼吸信號的目標信號；

2)WA-EMD信號分離：將所述步驟1)獲取到的目標信號基于窗平均-經驗模態分解算法進行分離，得到多個模態分量；

3)多目標信號識別：對所述步驟2)得到的各模態分量分別進行頻譜分析，根據頻譜分析結果篩選出人體呼吸信號，并對篩選出的各人體呼吸信號進行識別，得到對應不同目標人體的呼吸信號。

作為本發明方法的進一步改進，所述基于窗平均-經驗模態分解算法進行分離的具體步驟為：

2.1)信號劃分：將獲取到的目標信號x(t)分成若干個信號段x_i(t)，且當t＝t_i時，在持續時間間隔△t_i＝t_i+1-t_i內信號為x_i(t)，其中i＝1,2,3....；

2.2)頻率跟蹤：分別跟蹤查找各信號段x_i(t)的最高頻率f_i；

2.3)模態分量提取：根據查找到的最高頻率f_i，對各信號段x_i(t)進行加窗并求取平均值提取得到所有的本征模函數φ(t)，得到多個模態分量。

作為本發明方法的進一步改進，所述步驟2.2)的具體步驟為：

2.21)獲取目標信號x(t)中的第一個連續時間段△t₀所對應的信號起始段x_i(t)，其中i＝0；利用快速傅里葉變換提取所述信號起始段的峰值，估計得到對應的最高頻率f₀，并作為頻率跟蹤的初始頻率，即在t∈(t₀,t₁)區間內f(t)≈f₀，其中f(t)為時間t時的跟蹤頻率信號；

2.22)令△t_i～10/f_i-1，其中△t_i為第i段的數據長度，f_i-1為第i-1段數據的最高頻率；提取信號段x_i(t)的最高頻率f_i，其中i＝1,2,3,...，并判斷是否滿足|f_i-f_i-1|≤αf_i-1，α為定義的跟蹤參數，如果是，則由當前提取到的最高頻率f_i作為當前跟蹤頻率，即在t∈(t_i,t_i+1)區間內f(t)≈f_i；否則認為所跟蹤頻率成分消失，保持當前跟蹤頻率不變，即f_i＝f_i-1；

2.23)重復執行步驟2.22)，直到跟蹤完目標信號x(t)中所有數據，得到所有信號段的最高頻率f_i，i＝0,1,2,3,...，完成跟蹤過程。

作為本發明方法的進一步改進，所述步驟2.3)的具體步驟為：

2.31)第一輪篩選：設定用于配置窗函數周期T與最高頻率f_i之間的倍數關系的可調參數β；

令β＝1，按照式計算待分離合成信號x(t)的平均值其中ω_T為窗函數且滿足窗函數周期T按下式計算得到；

由目標信號x(t)減去計算得到的平均值得到本征模函數

2.32)第二輪篩選：令β＝3，按照式計算本征模函數φ₀(t)的平均值由計算得到的平均值減去平均值得到本征模函數φ₁(t)，即

2.33)重復執行步驟2.31)、2.32)，直到篩選出所有的本征模函數φ_n(t)，其中n＝2,3,4,...，并將第n次迭代過程中篩選得到的φ₀(t)疊加至第n-1次迭代過程中所篩選出的本征模函數φ_n-1(t)，最終得到包含不同目標人體呼吸信號的多個模態分量。

作為本發明方法的進一步改進，所述步驟2.33)中迭代過程中具體按下式計算計算得到迭代判定指數△(t)，當數據點滿足△(t)>c₁的總個數小于c₂且△(t)<c₃時迭代停止；

其中，maxφ_i(t)和minφ_i(t)分別表示φ_i(t)的最大值和最小值，i＝0,1；c₁、c₂、c₃為設定的迭代停止調節參數。

作為本發明方法的進一步改進，所述步驟3)的具體步驟為：

3.1)對所述步驟2)得到的各模態分量進行傅里葉變換，求取得到各模態分量所對應的峰值頻率；

3.3)根據求取得到的各峰值頻率初步篩選出所有可能的人體呼吸信號分量；

3.4)將篩選出的所有可能的人體呼吸信號分量，分別與預先采集的各目標人體的參考呼吸信號進行對比，最終識別得到對應各目標人體的呼吸信號。

作為本發明方法的進一步改進，所述步驟3)后還包括呼吸次速率獲取步驟4)，具體步驟為：

4.1)將識別得到的對應各人體目標的呼吸信號分別進行希爾伯特變換得到時變的頻率信號；

4.2)對所述步驟4.1)獲得的頻率信號進行加窗平滑處理并進行轉化，獲取得到對應各人體目標的呼吸速率。

作為本發明方法的進一步改進，所述步驟1)的具體步驟為：

1.1)雷達檢測：通過超寬帶雷達生命體征檢測系統對目標區域中同一距離下的多個人體呼吸信號進行檢測；

1.2)MTI動目標檢測：接收超寬帶雷達生命體征檢測系統的雷達回波信號，計算所述雷達回波信號中每個距離門內所有慢時采樣點的平均值，將所述雷達回波信號中對應相同的距離門中的每個采樣點均減去所述平均值，得到含有目標運動信息的目標信號；

1.3)距離門切換：獲取目標信號中指定窗長內能量最大值，能量由對窗長內各信號點求平方和得到，并取能量最大值所對應的距離門作為當前次處理的能量最大距離門；對目標信號進行滑窗，返回執行步驟1.2)，直至完成對目標信號處理，得到多個能量最大距離門；由得到的多個能量最大距離門確定最終的能量最大距離門；

1.4)濾波去噪處理：將對步驟1.2)處理后目標信號進行低通濾波處理，得到包含多目標人體呼吸信號的目標信號輸出。

本發明進一步提供一種基于非接觸式檢測的多目標人體呼吸信號分離裝置，包括：

信號檢測模塊，用于通過非接觸式檢測系統對目標區域進行檢測，獲取得到包含多目標人體呼吸信號的目標信號；

WA-EMD信號分離模塊，將所述信號檢測模塊獲取到的目標信號基于窗平均-經驗模態分解算法進行分離，得到多個模態分量；

多目標信號識別模塊，對所述WA-EMD信號分離模塊得到的各模態分量分別進行頻譜分析，根據頻譜分析結果篩選出人體呼吸信號，并對篩選得出的各人體呼吸信號進行識別，得到對應不同目標人體的呼吸信號。

作為本發明裝置的進一步改進，所述WA-EMD信號分離模塊包括：

信號劃分單元，用于將獲取到的目標信號x(t)分成若干個信號段x_i(t)，且當t＝t_i時，在持續時間間隔△t_i＝t_i+1-t_i內信號為x_i(t)，其中i＝1,2,3....；

頻率跟蹤單元，用于分別跟蹤查找各信號段x_i(t)的最高頻率f_i；

模態分量提取單元，用于根據查找到的最高頻率f_i，對各信號段x_i(t)進行加窗并求取平均值提取得到所有的本征模函數φ(t)，得到多個模態分量；

所述多目標信號識別模塊包括：

頻譜分析單元，用于對所述WA-EMD信號分離模塊得到的各模態分量進行傅里葉變換，求取得到各模態分量所對應的峰值頻率；

信號篩選單元，用于根據求取得到的各峰值頻率初步篩選出所有可能的人體呼吸信號分量；

信號識別單元，用于將篩選出的所有可能的人體呼吸信號分量，分別與預先采集的各目標人體的參考呼吸信號進行對比，最終識別得到對應各目標人體的呼吸信號。

與現有技術相比，本發明的優點在于：

1)本發明基于非接觸式檢測人體呼吸信號，檢測操作簡單，能夠同時檢測得到多目標人體信號；同時考慮多目標人體呼吸信號的特性，采用WA-EMD算法進行信號分離，能夠在高噪聲背景下提取較為微弱的有用信號，實現不同目標人體呼吸信號的有效分離，再進一步結合對分離出的模態分量進行識別，確定對應各呼吸信號的人體目標，得到對應不同目標人體的呼吸信號，能夠實現多人呼吸信號的有效監測；

2)本發明基于窗平均-經驗模態分解算法對信號分離，利用加窗求均值的方法得到局部信號的均值，能夠準確分離出同一距離下不同目標人體、不同頻率的呼吸信號，且不會產生模式混疊，抗模式混疊性能以及抗噪性能好；

3)本發明在分離出各個模態分量后，對各個模態分量進行頻譜分析，初步篩選出所有可能的人體呼吸信號分量，進一步將篩選出的所有可能的人體呼吸信號分量與參考呼吸信號進行對比，識別出各呼吸信號所對應的人體目標，最終得到對應不同目標人體的呼吸信號，信號識別實現簡單且識別精度高，從而結合信號分離與信號識別能夠實現各目標人體呼吸信號的實時監測。

附圖說明

圖1是本實施例基于非接觸式檢測的多目標人體呼吸信號監測方法的實現流程示意圖。

圖2是本實施例原始雷達回波以及回波預處理結果示意圖。

圖3是本實施例WA-EMD處理后各IMF分量的時域波形結果示意圖。

圖4是本實施例分離出的不同目標人體呼吸速率結果示意圖。

圖5是本實施例基于非接觸式檢測的多目標人體呼吸信號監測裝置的結構示意圖。

具體實施方式

以下結合說明書附圖和具體優選的實施例對本發明作進一步描述，但并不因此而限制本發明的保護范圍。

如圖1所示，本實施例基于非接觸式檢測的多目標人體呼吸信號監測方法，步驟包括：

1)信號檢測：通過非接觸式檢測系統對目標區域進行檢測，獲取得到包含多目標人體呼吸信號的目標信號；

2)WA-EMD信號分離：將步驟1)獲取到的目標信號基于窗平均-經驗模態分解算法進行分離，得到多個模態分量(第一個IMF分量～第n個IMF分量)；

3)多目標信號識別：對步驟2)得到的各模態分量分別進行頻譜分析，根據頻譜分析結果篩選出人體呼吸信號，并對篩選出的各人體呼吸信號進行識別，得到對應不同目標人體的呼吸信號(目標1呼吸信號～目標m呼吸信號)。

窗平均-經驗模態分解(Window Average EMD，WA-EMD)算法是利用加窗求均值的方法取代EMD中的三次樣條插值得到局部信號的均值，本實施例基于非接觸式檢測多目標人體呼吸信號，檢測操作簡單，同時考慮多目標人體呼吸信號的頻率等特性，采用WA-EMD算法進行信號分離，能夠在高噪聲背景下提取較為微弱的有用信號，實現不同目標人體呼吸信號的有效分離，且具有較好的抗模式混疊性能以及抗噪性能，進一步結合對分離出的模態分量進行識別，確定對應各呼吸信號的人體目標，得到對應不同目標人體的呼吸信號，能夠實現多人呼吸信號的有效監測。

本實施例中，步驟1)的具體步驟為：

1.1)雷達檢測：通過超寬帶雷達生命體征檢測系統對目標區域中同一距離下的多個人體呼吸信號進行檢測；

1.2)MTI動目標檢測：接收超寬帶雷達生命體征檢測系統的雷達回波信號，計算所述雷達回波信號中每個距離門內所有慢時采樣點的平均值，將所述雷達回波信號中對應相同的距離門中的每個采樣點均減去所述平均值，得到含有目標運動信息的目標信號；

1.3)距離門切換：獲取目標信號中指定窗長內能量最大值，能量由對窗長內各信號點求平方和得到，并取能量最大值所對應的距離門作為當前次處理的能量最大距離門；對目標信號進行滑窗，返回執行步驟1.2)，直至完成對目標信號處理，得到多個能量最大距離門；由得到的多個能量最大距離門確定最終的能量最大距離門；

1.4)濾波去噪處理：將對步驟1.2)處理后目標信號進行低通濾波處理，得到包含多目標人體呼吸信號的目標信號輸出。

本實施例具體通過超寬帶雷達生命體征檢測系統檢測目標區域中同一距離下的人體信號，獲取到的目標信號為包含多目標人體呼吸信號的合成信號。本發明具體實施例中得到雷達回波以及回波預處理后結果如圖2所示，其中，圖(a)對應為接收的原始雷達回波，圖(b)對應為MTI動目標檢測結果，圖(c)對應為最優距離門處時域波形結果，圖(d)對應為去噪處理后時域波形結果。由圖可知，對雷達回波信號進行動目標檢測、距離門切換和低通濾波等預處理后，可以得到的純凈回波信號。當然也可以采用其他傳統方法獲取多目標人體呼吸信號。

本實施例中，基于窗平均-經驗模態分解算法進行分離的具體步驟為：

2.1)信號劃分：將獲取到的目標信號x(t)分成若干個信號段x_i(t)，且當t＝t_i時，在持續時間間隔△t_i＝t_i+1-t_i內信號為x_i(t)，其中i＝1,2,3....；

2.2)頻率跟蹤：分別跟蹤查找各信號段x_i(t)的最高頻率f_i；

2.3)模態分量提取：根據查找到的最高頻率f_i，對各信號段x_i(t)進行加窗并求取平均值提取得到所有的本征模函數φ(t)，得到多個模態分量。

本實施例基于窗平均-經驗模態分解算法對信號分離時，利用加窗求均值的方法得到局部信號的均值，能夠準確分離出同一距離下不同目標人體、不同頻率的呼吸信號，且不易產生模式混疊，抗模式混疊性能以及抗噪性能好。

本實施例中，步驟2.2)的具體步驟為：

2.21)獲取目標信號x(t)中的第一個連續時間段△t₀所對應的信號起始段x_i(t)，其中i＝0；利用快速傅里葉變換提取信號起始段的峰值，估計得到對應的最高頻率f₀，并作為頻率跟蹤的初始頻率，即在t∈(t₀,t₁)區間內f(t)≈f₀，其中f(t)為時間t時的跟蹤頻率信號，f₀為跟蹤頻率信號的初始部分；

2.22)令△t_i～10/f_i-1，其中△t_i為第i段的數據長度，f_i-1為第i-1段數據的最高頻率；提取信號段x_i(t)的最高頻率f_i，其中i＝1,2,3,...，并判斷是否滿足跟蹤標準：

|f_i-f_i-1|≤αf_i-1 (1)

其中α為定義的跟蹤參數(本實例具體取α<1)；

如果是，則由當前提取到的最高頻率f_i作為當前跟蹤頻率，即在t∈(t_i,t_i+1)區間內f(t)≈f_i；否則認為所跟蹤頻率成分消失，保持當前跟蹤頻率不變，即f_i＝f_i-1；

2.23)重復執行步驟2.22)，直到跟蹤完目標信號x(t)中所有數據，得到所有信號段的最高頻率f_i，i＝0,1,2,3,...，完成跟蹤過程。

本實施例中，步驟2.3)的具體步驟為：

2.31)第一輪篩選：設定用于配置窗函數周期T與最高頻率f_i之間的倍數關系的可調參數β；

令β＝1，按照式(2)計算待分離合成信號x(t)的平均值

其中ω_T為窗函數且滿足窗函數周期T按式(3)計算得到；

由目標信號x(t)減去計算得到的平均值得到本征模函數

2.32)第二輪篩選：令β＝3，按照式(4)計算本征模函數φ₀(t)的平均值

由計算得到的平均值減去平均值得到本征模函數φ₁(t)，即

2.33)重復執行步驟2.31)、2.32)，直到篩選出所有的本征模函數φ_n(t)，其中n＝2,3,4,...，并將第n次迭代過程中篩選得到的φ₀(t)疊加至第n-1次迭代過程中所篩選出的本征模函數φ_n-1(t)，最終得到包含不同目標人體呼吸信號的多個模態分量(IMF分量)。

本實施例通過兩輪篩選提取本征模函數(IMF)，第一輪時β＝1、第二輪時β＝3，能夠有效的篩選出所有的IMF分量，同時將在第n次迭代過程中篩選得到的φ₀(t)疊加至第n-1次迭代過程中所篩選出的本征模函數φ_n-1(t)，可以避免能量泄露。

本實施例中，步驟2.33)中具體按下式計算計算得到迭代判定指數△(t)，當數據點滿足△(t)>c₁的總個數小于c₂且△(t)<c₃時迭代停止；

其中，maxφ_i(t)和minφ_i(t)分別表示φ_i(t)的最大值和最小值，i＝0,1；c₁、c₂、c₃為設定的迭代停止調節參數，本實施例具體取c₁＝0.01，c₂＝％1(輸入數據的第一個值)，c₃＝0.1。

如圖3所示，本發明具體實施例中基于WA-EMD算法采用上述方法分離得到的IMF分量的時域波形圖(IMF1～IMF4)，由圖可知，基于WA-EMD算法能夠準確分離出人體呼吸信號，且分離效果好。

本實施例中，步驟3)的具體步驟為：

3.1)對步驟2)得到的各模態分量進行傅里葉變換，求取得到各模態分量所對應的峰值頻率；

3.3)根據求取得到的各峰值頻率初步篩選出所有可能的人體呼吸信號分量；

3.4)將篩選出的所有可能的人體呼吸信號分量，分別與預先采集的各目標人體的參考呼吸信號進行對比，最終識別得到對應各目標人體的呼吸信號。

本實施例在分離出各個模態分量后，對各個模態分量進行頻譜分析，依據人體呼吸頻率范圍初步篩選出所有可能的人體呼吸信號分量，也可以采用其他方式進行初步篩選以進一步提高篩選精度。由于篩選出的各人體呼吸信號分量并無法確定與各目標人體的對應關系，本實施例進一步將篩選出的所有可能的人體呼吸信號分量與參考呼吸信號進行對比，識別出各呼吸信號所對應的人體目標，最終得到對應不同目標人體的呼吸信號，從而能夠實現對各目標人體呼吸信號的有效監測。參考呼吸信號具體可采用呼吸帶預先采集各目標人體的呼吸信號，也可以根據實際需求采用其他方式采集得到。

如圖3所示，本發明具體實施例中通過對IMF1～IMF4分量進行初步篩選，可得出IMF2和IMF3分量即為對應人體呼吸信號分量，再將IMF2和IMF3分量分別與各目標人體的參考呼吸信號進行對比，即可確定IMF2和IMF3分量所對應的目標人體，從而得到確定目標人體的呼吸信號。

本實施例中，步驟3)后還包括呼吸速率獲取步驟，具體步驟為：

4.1)將識別得到的對應各人體目標的呼吸信號分別進行希爾伯特變換得到時變的頻率信號；

4.2)對步驟4.1)獲得的頻率信號進行加窗平滑處理并進行轉化，獲取得到對應各人體目標的呼吸速率。

本實施例獲取到各目標人體的呼吸信號、呼吸頻率后，經過希爾伯特變換、加窗平滑處理等轉換得到實時呼吸速率，由實時呼吸速率可更為直觀的表征目標人體的呼吸狀況。本發明具體實施例中對上述篩選出的IMF2、IMF3分量分別進行希爾伯特變換以及加窗平滑處理后，得到如圖4所述呼吸次數曲線圖，由呼吸次數曲線圖即可得到目標人體的呼吸變化趨勢。

如圖5所示，本實施例多目標人體呼吸信號分離裝置，包括：

信號檢測模塊，用于通過非接觸式檢測系統對目標區域進行檢測，獲取得到包含多目標人體呼吸信號的目標信號；

WA-EMD信號分離模塊，將信號檢測模塊獲取到的目標信號基于窗平均-經驗模態分解算法進行分離，得到多個模態分量；

多目標信號識別模塊，對WA-EMD信號分離模塊得到的各模態分量分別進行頻譜分析，根據頻譜分析結果篩選出人體呼吸信號，并對篩選得出的各人體呼吸信號進行識別，得到對應不同目標人體的呼吸信號。

本實施例中，WA-EMD信號分離模塊具體包括：

信號劃分單元，用于將獲取到的目標信號x(t)分成若干個信號段x_i(t)，且當t＝t_i時，在持續時間間隔△t_i＝t_i+1-t_i內信號為x_i(t)，其中i＝1,2,3....；

頻率跟蹤單元，用于分別跟蹤查找各信號段x_i(t)的最高頻率f_i；

模態分量提取單元，用于根據查找到的最高頻率f_i，對各信號段x_i(t)進行加窗并求取平均值提取得到所有的本征模函數φ(t)，得到多個模態分量；

本實施例中，多目標信號識別模塊具體包括：

頻譜分析單元，用于對WA-EMD信號分離模塊得到的各模態分量進行傅里葉變換，求取得到各模態分量所對應的峰值頻率；

信號篩選單元，用于根據求取得到的各峰值頻率篩選出所有可能的人體呼吸信號分量；

信號識別單元，用于將篩選出的所有可能的人體呼吸信號分量，分別與預先采集的各目標人體的參考呼吸信號進行對比，識別得到對應各目標人體的呼吸信號。

上述只是本發明的較佳實施例，并非對本發明作任何形式上的限制。雖然本發明已以較佳實施例揭露如上，然而并非用以限定本發明。因此，凡是未脫離本發明技術方案的內容，依據本發明技術實質對以上實施例所做的任何簡單修改、等同變化及修飾，均應落在本發明技術方案保護的范圍內。