生命探測(cè)雷達(dá)是指探測(cè)生命體的雷達(dá)，其融合了雷達(dá)技術(shù)和生物工程技術(shù)，可以穿透非金屬介質(zhì)(磚墻、廢墟等)，非接觸、遠(yuǎn)距離地檢測(cè)人體的呼吸和心跳等信息，廣泛應(yīng)用于特殊病人監(jiān)護(hù)、震后救援、反恐斗爭等領(lǐng)域[1]。目前國際上比較流行的生命探測(cè)技術(shù)有光學(xué)生命探測(cè)技術(shù)、音頻生命探測(cè)技術(shù)、紅外生命探測(cè)技術(shù)和雷達(dá)生命探測(cè)技術(shù)等[2]。本文討論的是超寬帶雷達(dá)生命探測(cè)技術(shù)，它基于多普勒效應(yīng)，通過發(fā)射電磁波穿透障礙物照射到人體目標(biāo)，然后產(chǎn)生電磁波反射，反射的雷達(dá)回波信號(hào)包含大量的雜波和噪聲，同時(shí)攜帶微弱的人體生命信息，最后通過信號(hào)處理技術(shù)把回波信號(hào)中的雜波和噪聲去除，提取有用的人體生命信息。

　　近年來國內(nèi)外的許多學(xué)者致力于生命探測(cè)雷達(dá)的識(shí)別技術(shù)研究，并取得了很多研究成果。參考文獻(xiàn)[3]采用短時(shí)傅里葉變換對(duì)生命體的呼吸信號(hào)進(jìn)行變換, 并通過奇異值分解有效地提取特征矢量進(jìn)行模式識(shí)別, 能夠成功地識(shí)別人體和動(dòng)物。但是在穿墻探測(cè)情況下，由于信噪比(SNR)比較低，難以提取相應(yīng)的特征向量，導(dǎo)致識(shí)別率很低。參考文獻(xiàn)[4]對(duì)回波信號(hào)進(jìn)行譜圖變換，然后對(duì)變換后的矩陣進(jìn)行奇異值提取，以建立模式特征量，最后采用最小分類器對(duì)待識(shí)別進(jìn)行類型分類。該方法能有效識(shí)別無人或有一個(gè)人，但在多人條件下，效果不佳。參考文獻(xiàn)[5]利用EMD方法對(duì)回波信號(hào)進(jìn)行分解，然后計(jì)算特征向量的奇異熵，最后根據(jù)馬氏距離對(duì)人體數(shù)目進(jìn)行分類。但是EMD方法存在模態(tài)混疊問題，從而造成信號(hào)時(shí)頻分布的偏移，使得分解得到的IMF分量的物理意義不明確，因而導(dǎo)致識(shí)別效果不佳。針對(duì)此問題，Wu Zhaohua和HUANG N E等人提出了一種叫做總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)方法,經(jīng)過該方法處理后的信號(hào)能夠自適應(yīng)地分解為若干個(gè)平穩(wěn)的本征模態(tài)函數(shù)(IMF)[6]。

　　基于此,本文提出了基于EEMD與支持向量機(jī)(SVM)相結(jié)合的生命探測(cè)雷達(dá)人體數(shù)目識(shí)別方法。通過對(duì)雷達(dá)回波信號(hào)進(jìn)行EEMD分解，提取本征模態(tài)函數(shù)(IMF)分量構(gòu)成的矩陣，并對(duì)該矩陣進(jìn)行奇異值分解，求出特征向量，將該特征向量輸入支持向量機(jī)的分類器對(duì)人體數(shù)目進(jìn)行自動(dòng)識(shí)別。理論分析和實(shí)驗(yàn)結(jié)果表明，該方法可以有效判斷生命探測(cè)雷達(dá)回波信號(hào)中人體的數(shù)目，相較于短時(shí)傅里葉變換與奇異值分解方法、譜圖變換與奇異值分解方法、EMD方法與奇異熵方法，該方法具有識(shí)別速度快、識(shí)別率高等優(yōu)點(diǎn)。

1 經(jīng)驗(yàn)?zāi)B(tài)分解

　　1.1 經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)方法

　　經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)能夠根據(jù)信號(hào)自身的特點(diǎn)自適應(yīng)分解為一系列的固有模態(tài)函數(shù)IMF和余項(xiàng)序列,每一個(gè)IMF體現(xiàn)信號(hào)中不同頻率尺度的振蕩特性，從而可以對(duì)信號(hào)進(jìn)行時(shí)域或頻域分析[7]。EMD分解的過程是一種篩分過程，即通過層層篩分獲得IMF。EMD分解的具體步驟如下：

　　(1)使用3次樣條插值擬合對(duì)信號(hào)x(t)的極大值點(diǎn)和極小值點(diǎn)進(jìn)行擬合,得到信號(hào)的上包絡(luò)線eu(t)和下包絡(luò)線ed(t)，然后計(jì)算上下包絡(luò)的均值：

　　m1(t)=[eu(t)+ed(t)]/2    (1)

　　(2)將信號(hào)x(t)減去平均包絡(luò)m1(t)，得到一個(gè)去掉低頻的新序列h1(t)，即：

　　h1(t)=x(t)-m1(t)   (2)

　　重復(fù)步驟(1)和(2)，直到滿足判斷條件：

　　其中,SD表示連續(xù)兩次迭代結(jié)果的標(biāo)準(zhǔn)差，取值區(qū)間為[0.2，0.3]。得到第一個(gè)IMF分量IMF1(t)=h1k(t)，k表示判定條件時(shí)的迭代次數(shù)。

　　(3)將IMF1(t)從x(t)中分離出來，得到去掉高頻成分的余項(xiàng)序列r1(t)，即r1(t)=x(t)-IMF1(t)。

　　(4)將余項(xiàng)序列r1(t)作為待分解信號(hào)，重復(fù)以上步驟直到滿足篩分約束條件。此時(shí)，信號(hào)被分解為有限個(gè)IMF分量(IMF1(t),IMF2(t),…,IMFn(t))和一個(gè)代表原始信號(hào)序列均值或趨勢(shì)的余項(xiàng)rn(t)。因此，原始信號(hào)可以表示為：

　　1.2 總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)方法

　　為了解決EMD分解存在的模態(tài)混疊問題，在EMD方法的基礎(chǔ)上改進(jìn)形成了EEMD方法。該方法通過利用高斯白噪聲頻率均勻分布的統(tǒng)計(jì)特性，在信號(hào)中加入白噪聲，使信號(hào)在不同尺度上具有連續(xù)性，從而減小模態(tài)混疊的程度[6]。EEMD的分解步驟如下：

　　(1)將高斯白噪聲ni(t)加入待分解的信號(hào)x(t)中，即:

　　xi(t)=x(t)+ni(t) (5)

　　式中,xi(t)表示第i次加入白噪聲后的信號(hào);ni(t)表示白噪聲信號(hào)，其幅值均值為0,標(biāo)準(zhǔn)差為常數(shù)。

　　(2)對(duì)加入白噪聲后的信號(hào)xi(t)分別進(jìn)行EMD分解，得到所有的IMF分量。

　　(3)重復(fù)步驟(1)和步驟(2)各N次。

　　(4)將上述N次EMD分解得到的對(duì)應(yīng)IMF分量進(jìn)行總體平均運(yùn)算,可以得到EEMD分解后新的IMF分量為：

　　此時(shí)EEMD分解的最終結(jié)果可以表示為：

　　式中, rn(t)為余項(xiàng)序列。信號(hào)經(jīng)過EEMD分解后，階數(shù)小的一般為高頻部分，階數(shù)大的一般為低頻部分，而且每個(gè)IMF分量不僅包含的頻率成分不相同，而且所攜帶的能量也不同，并且二者都會(huì)隨著原始信號(hào)x(t)的不同而變化。

　　接收到的雷達(dá)回波數(shù)據(jù)成分復(fù)雜，要經(jīng)過去除直達(dá)波、去除背景等一系列預(yù)處理，提取慢時(shí)間數(shù)據(jù)切片才能得到一維的回波數(shù)據(jù)。圖1給出1個(gè)人時(shí)的雷達(dá)回波信號(hào)時(shí)域波形，從圖中可以看出雷達(dá)回波信號(hào)含有比較多的噪聲，需要進(jìn)行后續(xù)信號(hào)處理才能提取信號(hào)的特征。

　　圖2給出以上信號(hào)經(jīng)過EEMD分解后的結(jié)果，可以看出信號(hào)被自適應(yīng)地分解為一系列的固有模態(tài)函數(shù)IMF,每一個(gè)IMF體現(xiàn)信號(hào)中不同頻率尺度的振蕩特性，而且階數(shù)越小IMF的頻率越高，階數(shù)越大IMF的頻率越低，這體現(xiàn)了EEMD分解多分辨率的特性。從圖2中也可以看出IMF5信號(hào)的幅度最大,這說明大部分的多普勒能量集中在這里,因此該分量也是人體特征最明顯的。

2 奇異值分解

　　特征提取是雷達(dá)回波信號(hào)人體數(shù)量識(shí)別的關(guān)鍵問題。由于矩陣的奇異值是矩陣的固有特征，它具有較好的穩(wěn)定性和魯棒性，符合模式識(shí)別中作為特征向量所要求具有的性質(zhì)，因此選擇奇異值作為模式識(shí)別過程中的特征向量[8]。對(duì)于任意實(shí)矩陣，都可以利用奇異值分解將其轉(zhuǎn)化為對(duì)角陣。設(shè)有N行、M列的實(shí)矩陣A，對(duì)它可以作如下的奇異值分解：

3 支持向量機(jī)原理

　　支持向量機(jī)分類方法是根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則構(gòu)造的機(jī)器學(xué)習(xí)方法，能夠解決小樣本、非線性及高維的模式識(shí)別問題，因而可以用于生命探測(cè)雷達(dá)回波信號(hào)的識(shí)別。支持向量機(jī)分類的主要思想是尋找一個(gè)最優(yōu)化的超平面作為決策面，它不但能夠?qū)⑺杏?xùn)練樣本正確分類,而且可使訓(xùn)練樣本中超平面兩側(cè)的距離達(dá)到最大[9]。當(dāng)訓(xùn)練樣本為非線性時(shí)，可以通過非線性函數(shù)(x)將樣本x映射到一個(gè)高維線性空間，然后在這個(gè)高維空間中構(gòu)造最優(yōu)分類超平面，使原本非線性不可分的樣本變?yōu)榫€性可分。當(dāng)用一個(gè)超平面不能把兩類完全分開時(shí)，需要引入松弛變量(i≥0，i=1,2,3…,n)使超平面(x)+b=0滿足:

　　式中, n為樣本數(shù)量；實(shí)際引入的松弛變量。為此，引入以下目標(biāo)函數(shù):

　　式中, C是一個(gè)正常數(shù)，稱為懲罰因子。考慮到分類器的泛化能力和分類準(zhǔn)確率，引入拉格朗日函數(shù)得到優(yōu)化問題的對(duì)偶形式:

　　(3)根據(jù)g1(x),g2(x),…,gM(x)最大者的上標(biāo)，判斷輸入x屬于第j類。

4 人體數(shù)量識(shí)別方法

　　利用本文介紹的方法對(duì)生命探測(cè)雷達(dá)回波信號(hào)分類的具體步驟如下：

　　(1)對(duì)生命探測(cè)雷達(dá)回波信號(hào)進(jìn)行 EEMD分解，得到一組IMF分量IMF1,IMF2,…,IMFn,各IMF重排形成初始特征向量矩陣A=[IMF1,IMF2,…,IMFn]T；

　　(3)建立由4個(gè)支持向量機(jī)組成的人體數(shù)量分類器(SVM1,SVM2,SVM3,SVM4)。將特征向量T′輸入支持向量機(jī)，對(duì)支持向量機(jī)進(jìn)行訓(xùn)練。

　　(4)對(duì)待識(shí)別的生命探測(cè)雷達(dá)回波信號(hào)，按照步驟(1)和(2)計(jì)算得特征奇異值向量T′，將其輸入分類器，根據(jù)分類器的輸出確定人體的數(shù)量。

5 實(shí)驗(yàn)結(jié)果分析

　　生命探測(cè)雷達(dá)的實(shí)驗(yàn)設(shè)備為美國勞雷工業(yè)有限公司的探地雷達(dá)系統(tǒng)SIR-20,它采用了新一代GPR數(shù)據(jù)采集系統(tǒng)，集成強(qiáng)大的數(shù)據(jù)采集單元和基于RADAN NT快速數(shù)據(jù)處理軟件，廣泛用于公路探測(cè)、地質(zhì)探測(cè)等。

　　實(shí)驗(yàn)場景：雷達(dá)天線距離墻40 cm,墻體厚度25 cm，人體站在墻體后面距離墻體1.5 m處。分別對(duì)無人、1人、2人、3人的情況進(jìn)行多次采集數(shù)據(jù)。雷達(dá)參數(shù)如下：天線的中心頻率為1 GHz,測(cè)程15 ns，采用點(diǎn)數(shù)1 024點(diǎn)，數(shù)據(jù)位數(shù)為16 bit，掃描行數(shù)為64,重復(fù)頻率為100 kHz。

　　分別采集無人、1人、2人、3人的穿墻探測(cè)實(shí)驗(yàn)數(shù)據(jù)各100組，從實(shí)驗(yàn)數(shù)據(jù)中分別對(duì)每一類數(shù)據(jù)隨機(jī)抽取70組作為分類器的訓(xùn)練樣本，剩下的數(shù)據(jù)作為測(cè)試樣本。表1給出4類實(shí)驗(yàn)數(shù)據(jù)典型的特征向量T′。

　　將所有訓(xùn)練樣本的特征向量輸入支持向量機(jī)的分類器中進(jìn)行訓(xùn)練，然后將待測(cè)數(shù)據(jù)的特征向量輸入分類器中進(jìn)行模式識(shí)別，識(shí)別結(jié)果表2所示。從表2可以看出，基于EEMD奇異值向量和支持向量機(jī)的方法在生命探測(cè)雷達(dá)多人識(shí)別方面有很好的效果。對(duì)于無人和1個(gè)人的情況，由于雷達(dá)回波信號(hào)比較簡單,識(shí)別率是100%;但是對(duì)于多人的情況，由于不同人的呼吸和心跳頻率一般是不同的，雷達(dá)回波信號(hào)所含有的頻率成分比較復(fù)雜，所以識(shí)別率有所下降。

　　為了驗(yàn)證本文算法的優(yōu)越性，分別使用幾種常用算法對(duì)4類實(shí)驗(yàn)數(shù)據(jù)進(jìn)行識(shí)別，識(shí)別結(jié)果如表3所示。

　　從表3可以看出,基于EEMD奇異值向量和支持向量機(jī)的方法克服了短時(shí)傅里葉變換與奇異值分解方法和譜圖變換與奇異值分解方法對(duì)兩個(gè)人以上無法識(shí)別的缺點(diǎn)，同時(shí)克服了使用EMD方法與奇異熵方法時(shí)由于EMD分解產(chǎn)生的頻譜混疊而導(dǎo)致識(shí)別率不高的缺點(diǎn)。

　　EEMD方法可以將信號(hào)的時(shí)間尺度進(jìn)行自適應(yīng)分解，并且克服了EMD分解存在模態(tài)混疊的問題，該方法可以將雷達(dá)回波信號(hào)分解到不同的基本模態(tài)中。利用奇異值分解，對(duì)EEMD分解后的IMF分量進(jìn)行特征提取，然后輸入支持向量機(jī)的分量器進(jìn)行分類。實(shí)驗(yàn)驗(yàn)證了基于EEMD奇異值分解和支持向量機(jī)方法在生命探測(cè)雷達(dá)多人識(shí)別中的有效性。但本文只考慮了人體靜止的情況，所以當(dāng)人體在墻后運(yùn)動(dòng)時(shí)還需尋求更有效的方法進(jìn)行識(shí)別。

　　參考文獻(xiàn)

　　[1] Li Changzhi,CUMMINGS J, LAM J,et al. Radar remotemonitoring of vital signs[J].IEEE Microwave Magazine,2009,10(1):47-56.

　　[2] 陳純鍇. 基于DSP技術(shù)的非接觸生命信號(hào)探測(cè)系統(tǒng)關(guān)鍵技術(shù)研究[J].電子技術(shù)應(yīng)用，2009，35(12):50-52.

　　[3] 路國華,楊國勝, 王健琪,等. 雷達(dá)式生命探測(cè)儀中人體數(shù)量識(shí)別技術(shù)的研究[J].北京生物醫(yī)學(xué)工程，2005,24(1):29-32.

　　[4] 朱衛(wèi)娟.生命探測(cè)雷達(dá)回波信號(hào)的處理方法研究[D].青島:青島科技大學(xué),2011.

　　[5] 白玉剛,楊明.基于EMD和奇異值分解的搜救目標(biāo)判[J].火力與指揮控制,2013,38(3):124-129.

　　[6] Wu Zhaohua, HUANG N E. Ensemble empirical mode de-composition: a noise assisted data analysis method[J].dvances in Adaptive Data Analysis, 2008,1(1):1-41.

　　[7] Wang Jun, Zhang Shouhong, Liu Hongwei.Integral detectorusing stepped frequency signals[J]. Xi′an Dianzi Keji DaxueXuebao(J Xidian Univ.), 2001，28(3):373-377.

　　[8] 陳淼峰. 基于EMD與支持向量機(jī)的轉(zhuǎn)子故障診斷方法研究[D].長沙:湖南大學(xué),2005.

　　[9] 陸文聰，陳念貽，葉晨洲，等.支持向量機(jī)算法和軟件ChemSVM介紹[J].計(jì)算機(jī)與應(yīng)用化學(xué),2002，19(6)：697-

702.