0 引 言
近年来，随着生活水平的提高和技术发展，生命特征信号探测技术成为检测领域的焦点之一；人体心肺活动检测的技术也在由接触式向非接触式发展。常见的非接触式检测有红外［1］、可见光［2］和声波探测技术［3］；由于人体呼吸等生命活动产生的位移幅度小，速度缓慢，探测回波信号是一种与零频接近的低频信号，容易受到周围环境的影响。与其他探测技术相比，雷达技术以独特的优势被广泛应用于生命信号检测领域，该技术克服了呼吸监测时产生的皮肤损伤、过敏等问题，受外界因素的影响也较小，在未来有更广阔的发展空间。现有成果表明，利用毫米波雷达来检测胸腔微小变化，是行之有效的方法，该方法已经成为生物医学工程领域的重要研究方向。国内外学者在该领域的研究主要集中于雷达体制、检测方法和生命特征信号提取技术三个方面。
1 毫米波生物雷达体制研究进展
目前，在生命信号检测领域常用的毫米波雷达技术有连续波（CW）与调频连续波（FMCW）两种，这两种雷达技术的对比如表1所示。连续波雷达和调频连续波雷达系统的集成水平较高且功耗低，适合用于近距离的信号探测。CW 雷达适合跟踪相对位移，因此适用于单人检测，而调频连续波雷达可应用于多人检测，且相比CW 而言有更高的分辨率。使用毫米波雷达检测人体生命信号的原理如图1所示。
表1 两种常用的毫米波雷达技术
雷达技术CW［13］频率/GHz 1.6检测结果呼吸信号CW［14］5.8心跳信号CW［15］24 CW［16］24 CW［17］24 HRV呼吸信号和心跳信号心跳信号CW［18］96 FMCW［19］5.8 FMCW［20］24备注实现STFT与CWT两种主要时频特征提取方法小波变换的数据长度变换技术实现心率检测雷达提取与ECG提取的HRV具有较高一致性一种可用于远程测量人体心电图的新型方法可快速检测出单人心跳信号通过带通滤波器去除呼吸信号，提取心跳信号采用串联馈电阵列，通过调整贴片几何形状，降低了副瓣电平，提高了带宽改进频率带宽提高距离分辨率FMCW［11］24 FMCW［21］77 FMCW［22］120 FMCW［23］140心跳信号呼吸信号和心跳信号呼吸信号和心跳信号心跳信号呼吸信号和心跳信号呼吸信号和心跳信号生命特征和手势可消除环境杂波干扰雷达检测与参考传感器检测结果相似度较高该雷达系统可在1 m以外距离测量生命体征具有良好的角分辨率
图1 雷达检测生命信号原理图
1986 年Chen 等［4］采用10 GHz 雷达，通过杂波抵消技术，滤除部分杂波后检测到呼吸与心跳信号。2001 年王健琪等［5］提出用低功率的毫米波雷达提取呼吸与心跳信号，这种方法对人体无害但是所提取的信号中有杂波干扰，精度较低。2005年杨冬等［6］引入同态滤波、小波分析、窄带数字滤波等技术，提高了检测信号的信噪比，利于呼吸与心跳信号的检测。2009 年Anitori 等［7］研究通过中频信号来检测人体心肺活动信号。2014 年Wang等［8］提出了一种基于相位的精确距离跟踪算法，在中心频率为5.8 GHz FMCW 雷达系统中提取到人体的心肺活动信号。2018 年王天润等［9］提出了高频段的FMCW 毫米波雷达测量生命体征的方法，解决了在低频段精度较低的问题。刘震宇等［10］提出了一种基于改进经验模态分解的雷达生命信号检测方法，能够有效地滤除信号中的噪声，提取到高信噪比的心肺活动信号。2019 年Lee 等［11］利用24 GHz毫米波雷达检测到人体心跳信号，尽管考虑了消除周围杂波的干扰，但是没有注意到由人体本身产生的轻微运动对信号检测带来的误差影响。2020 年Antolinos 等［12］通过改进商用122 GHz FMCW 雷达实现生命信号提取，不仅可以提取呼吸与心跳，而且可以检测出心率变异情况，但是该系统的精度仍受到身体移动的影响，因此使用毫米波雷达准确检测出人体生命信号需要更进一步研究。
本文其余内容组织如下：为获得有效的生命信号，第2节将介绍毫米波雷达进行生命信号检测的方法以及检测原理。由于检测到的雷达回波信号是由呼吸、心跳等生命特征信号以及各种杂波混合在一起的复杂信号，在第3节详细介绍了三种有关生命特征信号的提取方法。最后在第4 节提出毫米波雷达对于生命特征信号探测技术存在的问题，并展望未来毫米波雷达的发展趋势。
2 生命信号检测方法
为了检测到生命信号，毫米波雷达前端发射调频信号，该线性调频信号被物体反射后由接收机接收，根据发射信号与接收信号之间的频率差与时间差，从而得到被测物体的距离变化。对称三角波调制是一种常见的信号检测方法，王月鹏［24］分析了对称三角波雷达组成，并通过差拍频率频谱配对，能够在多目标中准确检测待测目标信号，得到通过三角波调制后的距离、速度情况。一般情况下都是对静止物体进行信号检测，为了解决探测运动物体信号，田正刚［25］设计了一种24 GHz 的雷达传感器，利用三角波调制对静止物体进行测距，如图2所示，对运动物体进行测速，如图3所示。并成功检测到物体的距离与速度信息，为信号检测提供了思路。采用对称三角波调制时，接收到的信号容易产生多次谐波干扰，若检测多目标容易造成谐波重叠。为了解决这一问题，Cheng 等［26］提出了采用阵列信号处理的天线阵列接收机，解决了多目标检测问题，提高了信噪比。
图2 检测静止物体及差拍信号频率
图3 检测运动物体及差拍信号频率
图2 中，ft为发射信号频率，fr为接收信号频率，△f为发射信号的最大频偏，f0为发射信号的初始频率，τ 为回波延迟时间，fb为发射信号与接收信号之间的差拍频率绝对值，Tm为扫频周期，fbav为差拍频率的平均值。图3 中，fd为多普勒频率，fb+为向上扫频的差频，fb-为向下扫频的差频。
3 生命特征信号提取技术
通常由雷达回波信号检测到的是人体呼吸、心跳等生命特征信号以及周围环境杂波混合在一起的复合信号，因此生命特征提取的方法主要是用于去除杂波与噪声干扰，并准确分离、提取出呼吸与心跳信号。
3.1 数字滤波法
数字滤波是传统的生命特征提取方法，由于可以通过带通滤波器分离不同频率的信号，且具有操作过程简单、性能稳定等特点，所以数字滤波被应用于生命信号检测领域。虽然利用数字滤波能够去除部分噪声，但是很难分离呼吸与心跳信号以及无法滤除信号与噪声混叠部分的噪声，因此使用数字滤波提取生命特征有很大的缺陷。罗兵等［27］通过采用低通巴特沃斯数字滤波器提取到呼吸信号，但检测到的呼吸与心跳信号并不明显，可以考虑采用FMCW 雷达系统提高分辨率。丁仲祥等［28］在数字滤波基础上进行改进，用低通数字滤波滤除高频噪声，得到的呼吸、心跳信号通过特征点检测，然后利用逐点比较法检测出呼吸信号的极大值，从而得到呼吸信号的频率。
由于数字滤波方法的缺点较为明显，无法有效滤除杂波，因此在生命信号提取过程中只能先滤除部分噪声干扰，再结合其他方法滤除剩余噪声，分离呼吸与心跳信号。
3.2 小波变换法
小波变换是短时傅里叶变换的改进，提供一种“时间-频率”的信号处理方法，具有多分辨率的特性，所以被应用于生命特征提取中。为解决数字滤波无法滤除噪声问题，陆云飞［29］、易慧［30］等通过小波变换，在低信噪比下检测到了弱目标信号检测。小波变换能更有效地提取出目标信号，且实时性强，应用性更广泛。为了解决谐波干扰问题，蒋腾等［31］提出了一种基于连续小波变换的心率提取方法，根据谱峰位置与数据长短的关系，最终快速、有效、准确地提取到了生命信号。为解决被测对象微动带来的影响，杨秀芳等［32］建立生命信号探测模型，对检测到的数据利用小波变换成功地提取到了人体呼吸信号和心跳信号。刘璐瑶等［33］采用小波包分解，利用自相关计算提高精度，成功提取到精度较高的呼吸与心跳信号。该方法的提取结果如图4所示。
图4 文献［33］采用的生命体征提取方法
虽然小波信号有很大优势，但也存在对信噪比低的信号去噪效果较差的缺点，为解决这一问题，魏崇毓等［34］先采用频域积累法将检测信号的信噪比提高,再利用小波变换去除噪声和杂波，从而产生了一种新的生命特征提取方法。为提高提取准确率，Wang 等［35］提出了一种基于正交匹配追踪的压缩感知算法和基于离散小波变换的自适应软阈值降噪算法来分离和重构呼吸和心跳信号，该算法能有效抑制噪声和谐波干扰，呼吸率和心跳率的准确率均达到93%左右。
小波变换法是生命特征提取的一个基本思路，在生命特征提取方面有很多优点，可以对生命信号进行时频分析，提取到生命特征信号的变化，将呼吸和心跳信号分离。其难点在于小波基函数的选择，需要满足小波基函数的条件，才可以应用于小波分析中。
3.3 经验模态分解法
经验模态分解法是一种适用于非平稳、非线性信号的自适应处理方法［36］，使非平稳信号能够平稳化，然后得到频谱图及有效的频率。这种方法可以让较为复杂的信号分解为数量有限的本征模函数（IMF），每个本征模函数包含的信号表现了原信号在不同时间尺度中的局部特征。生命信号是一种微弱的信号，极容易受到外界噪声的干扰，且是一种随机的非平稳信号，因此在复杂信号中提取生命信号，再准确地将呼吸与心跳信号分离有很大难度。传统的方法无法准确处理随机非平稳信号，且在提取心跳信号时容易受到呼吸信号微弱谐波的影响，导致提取的信号不精确。为解决这一问题，冯久超等［37］提出了一种基于经验模态分解的生命信号提取的新方法，实验结果表明，使用这种方法能避免呼吸信号谐波对心跳信号的干扰，因而能更加精确地提取呼吸和心跳参数。为了降低外界干扰并提高生命体征检测的准确度，陈辉等［38］提出了一种联合集合经验模态分解算法，经过算法改进，用于精确检测人体的心率与呼吸频率等生命体征。在消除人体抖动干扰方面，杨俊等［39］利用改进的快速互补集合经验模态分解对生命信号分解，准确地提取出不同呼吸状态下的呼吸频率和心跳频率，并且有效地消除人体身体随机抖动带来的干扰，该方法的提取结果如图5所示。
图5 文献［39］方法提取到的呼吸与心跳信号的时、频域图
在医疗检测领域，心肺活动参数的准确度尤为重要，为了能够将心率与呼吸率的准确度提高，胡巍［40］提出了一种基于连续小波变换和经验模态分解相结合的方法，来对检测到的生命信号进行心跳与呼吸信息提取，以及心率、呼吸速率、心率变异性参数估计研究。实验表明，虽然检测到的信号受到的外界干扰较多，但该方法测定心率、呼吸速率的准确度可接近100%。医疗检测领域探测生命信号的主要目的之一是能够检测出人体生理疾病，以便尽早治疗。为了分辨出健康信号与病变信号，Zhang 等［41］通过经验模态分解方法提取人体脉搏信号，利用模态能量比区分出健康心跳信号与病变心跳信号。Djelaila［42］等提出一种用经验模态分解和功率谱密度计算频率分析等自适应非平稳方法，利用这种方法来分析生命信号频率的变异性。将经验模态分解法应用于生命信号提取中，为及时检测出早期心律失常等生理疾病提供有效的方法。
通过将生命信号分解为有限个IMF，将不同时间尺度的生命特征进行提取。但是因此也会导致模态混叠现象发生，可采取加入白噪声法，能有效抑制混叠现象，提高分解效率。目前，经验模态分解已成为提取生命特征信号的重要方法之一。
4 展 望
虽然毫米波雷达在生命信号检测领域取得了一定进展，但仍有很多发展空间，今后的研究方向有以下几个方面：
1）被检测者身体抖动问题。目前，通过毫米波雷达检测人体生命信号都会选择一个相对安静的环境，使被测者平躺或者静坐进行检测，主要目的是防止身体抖动。因为在检测过程中被检测者可能会因为紧张，或者大腿、手臂等发生不自主地抖动，而人体的轻微抖动产生的信号比呼吸心跳信号要强烈很多，会将胸腔距离变化掩盖，雷达天线之间的角度与相对位移也将发生改变，导致检测结果有很大误差。因此，未来该领域的研究工作需要考虑提升毫米波雷达对生命信号传感与跟踪，避免由于身体抖动造成的误差问题。
2）环境噪声问题。由于呼吸信号与心跳信号均属于微弱信号，极容易受到环境噪声的影响，在有干扰存在的情况下进行呼吸和心跳信号的提取是研究毫米波雷达探测生命信号的一大难点。除此之外，由于呼吸信号的幅度大于心跳信号的幅度，所以在提取心跳信号时会受到呼吸信号的二次谐波或者三次谐波干扰，提取难度更大。
3）其他杂波干扰问题。虽然通过小波变换、经验模态分解等信号提取方法，能够有效地在检测信号中提取出精度较高的呼吸、心跳信号。考虑到在信号检测过程中，被检测者的身形、身体素质以及所处的环境不同，或者同一被测者在不同距离、不同身体状况下产生的生命信号的杂波也各不相同。因此，需要一种实时有效、更加精密的提取生命特征的方法，克服环境噪声以及各种杂波干扰，能够准确分离呼吸与心跳信号。
5 结束语
毫米波雷达应用于生命探测领域，克服了常见的非接触式检测的弊端，已成为生命探测领域的重要研究方向。本文对比了常见的三种生命特征提取算法，其中小波变换法与经验模态分解法具有高精度、多分辨率的优势，因此具有广泛的应用前景。
［1］CHENG J,WANG P,SONG R C,et al.Remote Heart Rate Measurement from Near-Infrared Videos Based on Joint Blind Source Separation with Delay-Coordinate Transformation［J］. IEEE Trans on Instrumentation and Measurement,2021,70:1-13.
［2］SHAO Dangdang,YANG Yuting,LIU Chenbin,et al.Noncontact Monitoring Breathing Pattern, Exhalation Flow Rate and Pulse Transit Time［J］.IEEE Trans on Biomedical Engineering,2014,61（11）:2760-2767.
［3］XIE Wentao, TIAN Runxin, ZHANG Jin, et al. Noncontact Respiration Detection Leveraging Music and Broadcast Signals［J］. IEEE Internet of Things Journal, 2021, 8（4）:2931-2942.
［4］CHEN Kunmu,MISRA D,WANG Huei,et al.An X-Band Microwave Life-Detection System［J］.IEEE Trans on Biomedical Engineering,1986,33（7）:697-701.
［5］王健琪，董秀珍，王海滨，等.基于毫米波的呼吸、心率非接触检测实验［J］.第四军医大学学报，2001（2）：180-182.
［6］杨冬.基于非接触生命参数检测系统的信号处理技术研究［D］.西安：第四军医大学，2005.
［7］ANITORI L, DE JONG A, NENNIE F. FMCW Radar for Life-Sign Detection［C］//Proceedings of 2009 IEEE Radar Conference,Pasadena:IEEE,2009:1-6.
［8］WANG Guochao, MUNOZ-FERRERAS J M, GU Changzhan, et al. Application of Linear-Frequency-Modulated Continuous-Wave（LFMCW）Radars for Tracking of Vital Signs［J］. IEEE Trans on Microwave Theory and Techniques,2014,62（6）:1387-1399.
［9］王天润，苏中，刘宁.基于高频线性调频连续波的生命体征测量研究［J］.系统仿真学报，2018，30（11）:4292-4297.
［10］刘震宇，陈惠明，陆蔚，等.基于改进经验模态分解的雷达生命信号检测［J］.仪器仪表学报，2018，39（12）:171-178.
［11］LEE H, KIM B-H, PARK J-K, et al. A Novel Vital-Sign Sensing Algorithm for Multiple Subjects Based on 24-GHz FMCW Doppler Radar［J］. Remote Sensing, 2019,11（10）:1237.
［12］ANTOLINOS E, GARCÍA-RIAL F, HERNÁNDEZ C, et al. Cardiopulmonary Activity Monitoring Using Millimeterwave Radars［J］.Remote Sensing,2020,12（14）:2265.
［13］VAN N T P,TANG L,SINGH A,et al.Self-Identification Respiratory Disorder Based on Continuous Wave Radar Sensor System［J］.IEEE Access,2019,7:40019-40026.
［14］LI Meiyu, LIN Jenshan. Wavelet-Transform-Based Data-Length-Variation Technique for Fast Heart Rate Detection Using 5.8-GHz CW Doppler Radar［J］. IEEE Trans on Microwave Theory and Techniques,2018,66（1）:568-576.
［15］PETROVIĆ V L, JANKOVIĆ M M, LUPŠIĆ A V, et al.High-Accuracy Real-Time Monitoring of Heart Rate Variability Using 24 GHz Continuous-Wave Doppler Radar［J］.IEEE Access,2019,7:74721-74733.
［16］DONG Shuqin,ZHANG Yi,MA Chao,et al.Doppler Cardiogram: A Remote Detection of Human Heart Activities［J］. IEEE Trans on Microwave Theory and Techniques,2020,68（3）:1132-1141.
［17］MALEŠEVIĆ N,PETROVIĆ V,BELIĆ M,et al.Contactless Real-Time Heartbeat Detection via 24 GHz Continuous-Wave Doppler Radar Using Artificial Neural Networks［J］.Sensors,2020,20（8）:2351.
［18］KIM H, JEONG J. Non-Contact Measurement of Human Respiration and Heartbeat Using W-Band Doppler Radar Sensor［J］.Sensors,2020,20（18）:1-9.
［19］SACCO G,PIUZZI E,PITTELLA E,et al.An FMCW Radar for Localization and Vital Signs Measurement for Different Chest Orientations［J］.Sensors,2020,20(12):1-14.
［20］LEE H, KIM B H, PARK J K, et al. A Resolution Enhancement Technique for Remote Monitoring of the Vital Signs of Multiple Subjects Using a 24 GHz Bandwidth-Limited FMCW Radar［J］. IEEE Access, 2019, 8:1240-1248.
［21］ALIZADEH M,SHAKER G,DE ALMEIDA J C M,et al.Remote Monitoring of Human Vital Signs Using mm-Wave FMCW Radar［J］. IEEE Access, 2019, 7:54958-54968.
［22］PRAT A, BLANCH S, AGUASCA A, et al. Collimated Beam FMCW Radar for Vital Sign Patient Monitoring［J］. IEEE Trans on Antennas and Propagation, 2019, 67（8）:5073-5080.
［23］VAESEN K, VISWESWARAN A, SINHA S, et al. Integrated 140 GHz FMCW Radar for Vital Sign Monitoring and Gesture Recognition［J］. Microwave Journal, 2019,62（6）:50-58.
［24］王月鹏.对称三角线性调频连续波雷达技术研究［D］.西安：西安电子科技大学，2005.
［25］田正刚.24 GHz 雷达传感器的研究与设计［D］.绵阳：西南科技大学，2019.
［26］CHENG Kaiwen, SU Huanjung. Multi-Target Signal Processing in FMCW Radar System with Antenna Array［C］//Proceedings of 2008 IEEE Radar Conference,Rome:IEEE,2008:1-5.
［27］罗兵，刘建圻.2.4 GHz高阶微带滤波器的设计与仿真［J］.电子器件，2020，43（5）:963-967.
［28］丁仲祥.基于智能终端的生命体征监测系统设计与实现［D］.重庆：重庆邮电大学，2017.
［29］陆云飞，陆飞，方路平，等.应用小波多尺度特征检测机械通气人机不同步［J］.小型微型计算机系统，2020，41（12）：2677-2682.
［30］易慧，陈瑞娟，邓光华，等.基于心率变异性的情绪识别研究［J］.生物医学工程研究，2020，39（2）:128-132.
［31］蒋腾，胡涛，祝民鹏，等.基于连续小波变换的多数据心率提取方法［J］.现代雷达，2019，41（5）:22-26.
［32］杨秀芳，张伟，王若嘉，等.基于小波变换的雷达生命信号提取方法［J］.光子学报，2013，42（11）:1370-1374.
［33］刘璐瑶，张森，肖文栋.基于小波分析和自相关计算的非接触式生理信号检测［J］.工程科学学报，2021，43（9）:1206-1214.
［34］魏崇毓，李玲娟，朱卫娟.一种弱信号检测新方法分析［J］.现代电子技术，2012，35（5）:60-64.
［35］WANG Y, WANG W, ZHOU M, et al. Remote Monitoring of Human Vital Signs Based on 77-GHz mm-Wave FMCW Radar［J］.Sensors,2020,20（10）:2999.
［36］HUANG N E, SHEN Zheng, LONG S R, et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis［J］. Proceedings of the Royal Society of London Series A: Mathematical, Physical and Engineering Sciences,1998（3）:903-995.
［37］冯久超，潘水洋.基于经验模态分解的生命信号提取算法［J］.华南理工大学学报（自然科学版）, 2010, 38（10）:1-6.
［38］陈辉，郑秀娟，倪宗军，等.基于面部视频分析的生命体征检测［J］.北京航空航天大学学报，2020，46（9）:1770-1777.
［39］杨俊，黄俊，陶威.基于FMCW 雷达的自适应生命信号提取方法［J］.雷达科学与技术，2022，20（2）:187-194.
［40］胡巍.基于多普勒雷达的非接触式生命体征检测技术研究［D］.合肥:中国科学技术大学，2014.
［41］ZHANG Shiru, CHEN Xiaotong, SUN Qingfu. Arteriosclerosis Feature Extraction for Human Pulse Signals［C］//Proceedings of 2015 International Symposium on Bioelectronics and Bioinformatics, Beijing: IEEE, 2015:192-195.
［42］DJELAILA S, BERRACHED N E, CHALABI Z, et al.The Diagnosis of Cardie Arrhythmias Using Heart Rate Variability Analysis by the EMD［C］// Proceedings of the 8th International Conference on Modelling, Identification and Control, Algiers, Algeria:IEEE, 2016:822-825.
