1.   引言

超宽带(Ultra-WideBand, UWB)雷达相较于常规雷达拥有较宽的频带带宽和极窄的脉冲信号，这使得雷达结构得到简化、发射功率有效降低，同时其电磁回波可加载微弱信号^[1]。UWB雷达在解调接收回波信号时，会进行扩频增益处理，使其具备较强的抗干扰能力和较高的距离分辨率、目标辨别力^[2]；同时UWB雷达还具有穿透能力强、多径分辨能力强、保密性强、传输速度快、传输距离远和信道容量大等诸多特点，可穿透煤岩体、砖混结构等非磁性障碍物进行非接触式的目标探测和信息提取^[3−5]。因此UWB雷达被广泛用于矿山救援、地震救援、医疗健康和安检反恐等领域^[6,7]，获得了良好的现场实用效果，为生命信息的探测和灾后救援行动的开展提供了新思路。

UWB雷达在探测过程中，由于接收机采集到的雷达回波中不仅包含有效生命信息，还包括静态杂波、非静态杂波、环境噪声以及外界电磁波等干扰杂波，使得雷达回波波形杂乱、信噪比低，有效信息被掩盖且难以提取^[8,9]；因此UWB雷达发挥探测作用的关键在于对雷达回波信号的有效处理，进而从中获取有效生命特征。而呼吸心跳信号作为幸存人员必备的规律性周期微动^[10]，常被作为人体目标有效生命体征的重点探测对象。由于人体目标产生的肢体、体态等运动存在随机性大、规律性差等缺陷且能量强度较大，对呼吸心跳信号造成掩盖、干扰，使其不易从雷达回波中分离、提取。因此，呼吸心跳信号的提取主要是在静止人体目标的雷达回波中展开。对此，研究人员开展了大量的仿真模拟与现场实验，专门研究雷达回波中静止人体目标的呼吸心跳信号特征提取；但主要集中在对正常生理状态下呼吸心跳信号的提取研究，缺乏对生理病态下呼吸心跳信号的提取研究；现有雷达系统对心跳信号的探测精度、灵敏度、可靠性和分辨率较低以及对环境的适应性差，且信号处理方法的运算效率较低、回波数据的实时处理较差。

鉴于此，本文通过文献梳理、理论推理和计算的方法，对UWB雷达及分类、电磁散射机理和探测原理进行了介绍；对呼吸心跳信号的雷达回波模型构建现状进行了刨析；对现有呼吸心跳信号的提取方法，从时域分析方法、频域分析方法、时频分析方法等角度进行了梳理；对灾后救援、医疗健康、穿墙探测等不同场景的呼吸心跳信号提取现状进行了归纳；最后对当前研究中存在的主要问题进行了总结，并指出了未来研究中应重点关注的方向。为应用UWB雷达进行呼吸心跳等生命信息的探测、提取方法与技术的创新升级以及在不同场景的应用推广均提供了借鉴意义。

2.   基本原理

2.1   UWB雷达及分类

2.1.1   UWB雷达

2002年2月，美国联邦通信委员会(Federal Communications Commission, FCC)批准超宽带民用，同时为了防止其干扰其他频段的通信，对UWB雷达的工作频率和发射功率做出了如下规定：工作频率为3.1～10.6 GHz，发射带宽大于500 MHz，发射功率(有效全向辐射功率)小于–41.2 dBm/MHz；在发射机中通过信号产生电路(调制技术)、功率放大器和天线产生UWB电磁信号，其中功率放大器已经达到可实现29.5%的效率和24.4 dBm的输出功率的水平^[2,11]；且UWB雷达的优点和应用领域如图1所示。

图  1  UWB雷达优点和应用领域

Figure  1.  UWB radar advantages and application areas

下载: 全尺寸图片 幻灯片

2.1.2   UWB雷达分类

UWB雷达按体制可分为连续波UWB雷达和脉冲波UWB雷达^[12]。其中，连续波UWB雷达通常采用调频连续波(Frequency-Modulated Continuous Wave, FMCW)和步进频率连续波(Stepped-Frequency Continuous Wave, SFCW)两种射频波形；而脉冲体制雷达的脉冲信号有高斯脉冲(一阶高斯脉冲、频移高斯脉冲)、曼彻斯特单脉冲、正弦单脉冲和矩形单脉冲等多种形式，由于高斯脉冲可调节相关函数参数且具有简单、信道衰落不敏感等优点，使其发射功率与性能更符合UWB雷达的需要^[13]，因此脉冲波UWB雷达通常采用高斯脉冲波；UWB雷达的分类对比如表1所示^[14]。

表  1  UWB雷达分类对比

Table  1.  Comparison of UWB radars classifications

特性	连续波			脉冲波
	调频连续波	步进频率连续波		高斯脉冲波
探测原理	多普勒效应、干涉相位			回波时延、干涉相位、多普勒效应
表达方程	$S(t) = A{\text{cos}}({\text{2\pi }}{f_0}t + {\pi }K{t^2})$ 其中，A为振幅，${f_0}$为初始频率，K为调频斜率	$S(t) = A{\text{cos}}({{2\pi }}({f_0}t + n\Delta f)t)$ 其中，A为振幅，${f_0}$为初始频率，$\Delta f$为频率步进间隔，n为当前步进的索引		$S(t) = \displaystyle\sum\nolimits_n {Ap} (t - nT)$ 其中，A为振幅，$p(t)$为脉冲形状函数， T为脉冲间隔
波形图像
优点	高距离分辨率、高速度分辨率	高距离分辨率、高图像分辨率		高时间、频率分辨率，脉冲持续时间极短(纳秒级)，利于探测微弱信号
缺点	存在非线性问题、不适用于远距离探测	制造难度大、信号处理复杂、不适用于远距离探测		距离分辨率受到脉冲宽度限制、需要高采样率、模数转换器要求高
应用领域	医疗健康(跌倒检测)、汽车雷达、无人机避障雷达	医疗健康、交通监控		矿山救援与地震救援等需穿透障碍物的复杂灾害环境

下载: 导出CSV 

| 显示表格

从整体出发且结合表1可知，连续波UWB雷达主要是依据多普勒效应及干涉相位实现对生命信息的有效获取，但连续波抗干扰性与穿透能力相较于脉冲波UWB雷达较弱且制造难度与成本较大，在医疗等干扰较小的室内场景以及汽车雷达与交通监控场景应用较多。而脉冲波UWB雷达主要是依据回波存在的时延实现对生命信息的有效提取(如图2所示)，其设计要求低、功耗低以及脉冲波穿透能力、抗干扰能力、时间分辨率和频率分辨率等相比于连续波UWB雷达较高，在抢险救灾等复杂环境搜救被掩埋人员的应用中较多；但其距离分辨率低于连续波UWB雷达，且受脉冲宽度限制。

图  2  脉冲波UWB雷达回波时延

Figure  2.  Pulsed-wave UWB radar echo time delay

下载: 全尺寸图片 幻灯片

2.2   UWB电磁散射机理

由于呼吸心跳运动会造成人体表面和内部的微小周期性位移和形变，进而影响电磁波的散射特性，使电磁散射信号存在时间、频率和幅度上的变化，是静止人体目标的主要散射区域，通过提取上述电磁散射特征可实现呼吸心跳信号的有效反演。因此，电磁散射机理为提取呼吸心跳信号提供了理论基础与技术支持，开展电磁散射特征提取及反演目标特征信息的研究对成功提取目标有效生命特征具有重要意义和实用价值。

2.2.1   电磁散射

电磁散射是指电磁波遇到物体后发生的偏转、反射、折射和衍射等现象，且其受物体形状与大小、介质特性(介电常数、电导率、磁导率)和电磁波频率等因素影响。介质特性中的介电常数$\varepsilon$表示介质的极化能力，决定电磁波的折射角；电导率$\sigma$表示介质的导电能力，与电阻率互为倒数；磁导率$\mu$表示介质的通磁导磁能力，在非磁性介质中磁导率通常近似为1^[5]；三者共同决定电磁波的反射、折射等。当电磁波垂直入射目标物体时，目标物体的反射系数$\varGamma$、折射系数$\tau$，如下：

其中，${Z_2}$为目标物体的本征阻抗，${Z_1}$为空气的本征阻抗，且$Z = \sqrt {\mu /\varepsilon}$。

由于介质的电阻特性使传播过程中的电磁波能量被逐渐衰减、吸收，从而进一步降低反射回波的能量强度，而反射回波功率表达式如下：

其中，${P_{\text{t}}}$为发射功率，${G_{\text{t}}}$为发射天线增益，${G_{\text{r}}}$为接收天线增益，R为目标到雷达的距离，$\lambda$为波长，$\sigma$为雷达散射截面积($\sigma {{ = 4\pi }}{R^2} {{{{\left| {{E_{\mathrm{s}}}} \right|}^2}}}/{{{{\left| {{E_{\mathrm{i}}}} \right|}^2}}}$，${E_{\mathrm{s}}}$为散射电场，${E_{\mathrm{i}}}$为入射电场)。

电磁散射类型按目标粒子半径可分为米氏散射(粒子半径较大)和瑞利散射(粒子半径较小)等。

2.2.2   电磁散射特征

电磁散射特征主要包括散射中心特征和极化特征。其中，目标的电磁回波在光学区被认为是多个局部散射源电磁散射的相干合成，而散射源被称为散射中心；通过对散射中心特征的反演可获取目标的散射幅度、几何特征和位置信息等；而对极化特征的反演可获取目标的散射复幅度、表面粗糙度和对称性等。

电磁散射特征提取研究主要通过构建目标电磁散射模型来展开。研究人员从一维基础模型出发，研究电磁散射随频率变化的规律，逐渐构建出二维和三维电磁散射模型，实现了电磁散射模型多维空间描述能力的提升；其中，三维电磁散射模型虽能够全面地反映目标后向散射随频率变化的规律，但在实际应用中难以实现；而经典散射模型被广泛应用且逐步优化升级，其主要包括散射中心模型、衰减指数和模型以及属性散射中心模型^[15]；此外，有学者利用矩阵波束、ARMA模型、ESPRI算法、柯西和稀疏重构方法、有限差分时域法等提取电磁散射特征。

由于UWB电磁波较宽的频带带宽，造成其散射机理较为复杂，在电磁散射过程中表现出多频带散射、多径效应显著和脉冲反射高分辨率等特性。UWB电磁波在高频段时，目标的电磁散射可以近似为每个散射源的局部电磁散射的相干合成。基于低秩稀疏信号的ADMM (Alternating Direction Method of Multipliers)散射特性估计算法可提取UWB雷达回波的电磁散射特征，实现目标特征的准确估计、目标幅度和位置的准确重构^[16]。

2.3   UWB雷达探测原理

UWB电磁波由雷达发射机通过发射天线在空间任意方向上辐射出，并在某一特定方向凝聚构成波束(主瓣)，且沿该方向在空间中传播。由于呼吸心跳等周期性微动使人体目标的胸腔产生整体性的周期起伏；当UWB电磁波遇到人体目标后，由于传播介质发生改变，且不同介质的电性参数(本征阻抗)存在差异，造成电磁波在多个方向上发生反射，同时UWB电磁波被周期性起伏调制(包括幅度、相位和频率方面的调制)，使电磁回波存在时延、微多普勒频移和干涉相位，进而电磁返回波中加载有用生命信息。而沿原路反射回的UWB电磁波被雷达接收机的接收天线所接收、采集，经信号处理器对其进行预处理、滤波(去噪)、放大、A/D转换和I/Q变换等关键步骤的处理后，获取回波中的时延、频移、幅度变化和相位偏移等参数信息，再经综合分析、计算，提取出所需目标的呼吸心跳等有效生命特征，最终转化为目标的距离、速度、方位等信息，并在终端设备显示^[17]。UWB雷达探测原理示意如图3所示。

图  3  UWB雷达探测原理示意图

Figure  3.  Schematic of UWB radar detection principle

下载: 全尺寸图片 幻灯片

2.3.1   多普勒效应

当雷达与探测目标之间存在相对径向运动时，接收到的雷达回波波形的时间宽度会发生变化(拉伸或压缩)；同时根据傅里叶变换，雷达回波表现在时域上的信号亦会发生改变(拉伸或压缩)；接收电磁回波的频率相较于发射电磁波的频率有上升或下降的变化^[18]。这一物理现象称为多普勒效应，频率变化量称为多普勒频移，其函数表达式如下^[19]：

其中，v为目标相对于雷达的径向运动速度；$\beta \equiv v/\mathrm{c}$，为目标相对于雷达的径向运动速度与电磁波传播速度(光速)之比；$\lambda$为波长；目标与雷达相向运动时，为运动正方向。当目标向着雷达运动时，波形在时间轴上压缩、在频谱轴上拉伸，多普勒频移增加；当目标背向雷达运动时，波形在时间轴上拉伸、在频谱轴上压缩，多普勒频移减小；其中依据多普勒效应探测呼吸心跳信号的原理如图4所示。运用多普勒效应可在低信噪比环境下探测运动目标，且拥有较高的横向分辨率。虽然目前基于多普勒效应已取得了较多研究成果，但其依旧是提取雷达回波有效生命特征的重点研究对象。

图  4  呼吸心跳的多普勒探测原理

Figure  4.  Principle of Doppler detection of respiratory heartbeat

下载: 全尺寸图片 幻灯片

2.3.2   干涉相位

两束或多束电磁波在同一空间区域内相遇并发生干涉产生相位差的现象，称为干涉相位；其反映了电磁波在不同路径上的传播时间差异，利于微小运动的探测，可实现胸腔位移(呼吸心跳)等微弱运动特征的提取且精度高。

干涉相位在连续波、脉冲波UWB雷达系统中应用广泛，但侧重点不同。在连续波UWB雷达中主要通过比较不同时间点或不同位置处接收到的电磁波相位来提取目标信息(其相位差如式(5)所示)，在脉冲波UWB雷达中主要通过对比同一脉冲信号经过不同路径反射回来的电磁波相位来实现目标信息的提取^[16]；干涉相位在两种雷达系统的优缺点对比如表2所示。

表  2  干涉相位在连续波、脉冲波UWB雷达系统的优缺点对比

Table  2.  Comparison of advantages and disadvantages of interferometric phase in continuous wave and pulsed wave UWB radar systems

雷达系统	优点	缺点
连续波UWB雷达	实时动态监测能力强	时域分辨率低、信号处理复杂
脉冲波UWB雷达	时域分辨率高、多径分析能力强	脉冲信号的不连续性造成相位跳变，增加信号处理难度

下载: 导出CSV 

| 显示表格

其中，d为目标位移，$\lambda$为电磁波波长。

3.   呼吸心跳雷达回波模型

构建雷达回波模型是开展理论研究的基础，也是进行仿真模拟实验的前提。首先，结合数学函数与人体运动学规律将呼吸心跳运动构建为数学模型(呼吸心跳运动参数及波形如表3、图5所示^[20,21])；其次，将运动模型通过基本雷达方程的合成、参数的设置选取；最终，建立呼吸心跳信号的雷达回波模型^[22]。这为信号处理系统提供了待处理的模拟原始雷达回波数据，同时在呼吸心跳信号的提取上也具有重要的可行性验证意义。

表  3  呼吸心跳运动参数

Table  3.  Respiratory heartbeat exercise parameters

生命体征	频率(Hz)	胸腔振幅(mm)	胸腔振动面积(cm3)
呼吸	0.1～0.5	4～12	50
心跳	0.8～2.0	0.2～0.5	10

下载: 导出CSV 

| 显示表格

图  5  雷达探测的实际呼吸心跳波形

Figure  5.  Actual respiratory heartbeat waveform detected by radar

下载: 全尺寸图片 幻灯片

3.1   呼吸心跳运动模型

目前传统的建模方法多是利用正弦函数近似构建呼吸心跳运动模型，将其理想化为简谐振动^[23,24]，其表达式如下：

其中，t为时间；${A}_{\mathrm{r}}$, ${A}_{\mathrm{h}}$分别为呼吸心跳引起的振幅；${f}_{1}$, ${f}_{2}$分别表示呼吸心跳的频率；$\varphi$, $\phi$分别表示呼吸心跳的初始相位。但此模型与实际运动状态相差较大、吻合度较低，逐渐无法满足较高精度的信号处理需求。为了使运动模型更贴近实际情况，信号处理精度进一步提高；刘翼群^[25]结合医学领域研究，认为呼吸运动模型可用正弦函数表示，但心跳运动模型与正弦函数相差较大，其与尖脉冲波更为相近，所以利用尖脉冲波构建心跳运动模型，如下：

并在式(6)的基础上，构建成改进型呼吸心跳运动模型，如下：

其中，r为心跳半径；t为时间。改进后的呼吸心跳运动模型通过仿真拟合获得波形，其与实际心电图更为相近、吻合度更高；正弦与尖脉冲两种呼吸心跳运动模型的拟合波形对比如图6所示。

图  6  正弦与尖脉冲呼吸心跳拟合波形对比^[25]

Figure  6.  Comparison of fitted waveforms for sinusoidal and apical pulse respiratory heartbeats^[25]

下载: 全尺寸图片 幻灯片

为了进一步提高呼吸心跳运动模型与实际运动状态的吻合度，意大利研究人员分别利用抛物线函数构建吸气运动模型(式(11))，利用指数函数构建呼气运动模型(式(12))，同时也利用指数函数建立了心跳运动模型，如下^[26]：

其中，${t}_{0}$, ${t}_{1}$分别为呼吸、心跳的初始时刻；${T}_{\mathrm{r}}$为呼吸的周期；${\delta }_{\mathrm{r},\mathrm{M}}$, ${\delta }_{\mathrm{h},\mathrm{M}}$分别为呼吸、心跳位移的最大值；${T}_{\mathrm{i}}$, ${T}_{\mathrm{e}}$分别为吸气、呼气持续时间(${T}_{\mathrm{r}}={T}_{\mathrm{i}}+ {T}_{\mathrm{e}}$)；τ为呼气曲线时间常数；a, $\mathrm{\omega }$分别为可调参数和固定参数；其中心跳运动模型可以很好地考虑心率异变性(Heart Rate Variability, HRV)。此外还有研究人员基于双指数和分数阶微积分构建呼吸运动模型^[27]。

对比图5与图6发现：呼吸心跳运动模型的频率、振幅与波形更为一致，实际呼吸心跳运动的频率存在差异、振幅存在起伏且波形规律性较差，其并非是数学函数的周期性循环；其中吸气和呼气持续时间可能不同，其不是理想的正弦振动，心跳运动模型与其实际运动状态的差异更大、吻合度更低，制约了呼吸心跳运动模型的精确构建。未来应在医学、生命探测领域采集大量的实际呼吸心跳波形，选取普适性的波形作为建立运动模型的依据，并将其与数学函数结合进行反复训练；同时，应加大利用抛物线-指数函数构建更加精确呼吸心跳运动模型的研究力度。

3.2   呼吸心跳信号雷达回波模型

为了研究方便，许多学者将人体目标简化为点目标，不考虑人体目标与雷达之间的角度关系，同时将人体目标的雷达反射截面积$\sigma$(Radar Cross Section, RCS)进行归一化处理^[28]；将人体呼吸心跳运动模型等效为简谐波模型，通过构建雷达与人体胸腔的距离函数$R\left(t\right)$，计算出雷达回波的时延$\tau \left(t\right)$；再经雷达方程合成，获得接收机前端(天线)接收到的雷达回波信号表达函数(模型)$S\left(t\right)$^[29,30]；供信号处理系统处理、提取呼吸心跳信号，如下：

其中，${R}_{0}$为人体与雷达的初始距离；${P}_{\mathrm{t}}$为雷达发射功率；${L}_{\mathrm{s}}$为损耗；G为天线增益；$\lambda$和${f}_{0}$分别为雷达波长与发射频率。

有学者在式(14)、式(15)的基础上，将人体目标不视为点目标；并根据探测场内目标的散射点个数M，将雷达回波信号构建为^[31]

其中，${\alpha }_{i}\left(t\right)$为散射点的雷达散射截面积所决定的信号幅度；$p\left(t-{\tau }_{i}\left(t\right)\right)$为高斯脉冲包络。

当人体目标与雷达天线之间为自由空间(无障碍物)时，在雷达回波时延的基础上，通过脉冲响应(人体目标响应和其他静止目标响应之和)${\boldsymbol{h}}\left[t,\tau \right]$^[32]，采样获取呼吸心跳信号的雷达回波函数${\boldsymbol{r}}\left[t,\tau \right]$，再经A/D转换将其离散化，形成m行n列的二维雷达回波数据矩阵R[m,n]，作为实际进行处理的雷达回波模型(可提取出不同距离维度的呼吸心跳信号)^[33,34]；同时为了更贴近实际环境下的雷达回波，研究人员还将各类噪声函数(如高斯噪声、白噪声等)添加到雷达回波模型中。如下：

其中，$t,\tau$分别为慢时间(雷达波之间的时间序列，与雷达波重复频率相关，反映目标的运动信息)和快时间(雷达发射波与接收回波之间的时间间隔，反映目标的距离信息)；$\delta \left(\tau \right)$为冲激响应函数；${a}_{\mathrm{d}}$, ${a}_{i}$分别为呼吸心跳与背景杂波的响应幅度；${\tau }_{\mathrm{d}}$, ${\tau }_{i}$分别为呼吸心跳、背景杂波的雷达回波时延；$n\left(t,\tau \right)$为噪声；$s\left(\tau \right)$为雷达发射信号；$*$为卷积符号；n, m分别为快、慢时间采样点数；${T}_{\mathrm{f}}$, ${T}_{\mathrm{s}}$分别为快、慢采样间隔。

当人体目标与雷达天线之间存在障碍物时，在无障碍物的基础上利用时变多径信道模型，将脉冲响应${\boldsymbol{h}}\left[t,\tau \right]$变形，获得雷达回波函数${\boldsymbol{r}}\left[t,\tau \right]$；同上，进一步离散化为数据矩阵作为实际处理的雷达回波模型^[35]，如下：

其中，j为第j个路径；L为信道模型中L个最强散射路径的叠加；${a}_{j}$, ${\tau }_{j}$分别为路径的幅度和时延；${b}_{j}\left(\tau \right)$为信号幅度因子；雷达回波模型构建过程如图7所示^[36,37]。此外还可以建立呼吸心跳信号的变换雷达回波模型^[38]。

图  7  雷达回波模型构建过程示意图

Figure  7.  Schematic diagram of the radar echo model construction process

下载: 全尺寸图片 幻灯片

综上可知，目前对于呼吸心跳雷达回波模型的构建研究大多是在人体目标简化为点目标的基础上，利用正弦函数相似构建呼吸心跳运动为简谐振动，对实际呼吸心跳波形的大量采集与反复训练较为匮乏，且缺乏融合多种数学函数构建更加精确的呼吸心跳运动模型；同时从时域、频域等角度构建雷达回波模型的研究较多，而对符合实际状况的雷达回波模型构建研究涉及不足；且正弦模型(简谐振动)与心跳运动状态的吻合度较低，拥有较大的处理误差，不利于开展心跳信号的高精度提取研究；而抛物线-指数函数模型的精度较高且可较好地考虑心率异变性(HRV)。

4.   呼吸心跳信号提取方法

当人体目标处于运动状态时，其大幅的体位运动使回波信号具有强烈的能量，从而对呼吸心跳信号的提取造成干扰，所以呼吸心跳信号的提取多是在目标静止时开展。而UWB雷达回波信号处理方法对呼吸心跳信号的提取至关重要，且方法性能的高低直接影响了呼吸心跳信号的探测和提取效果以及可靠度。因此，开展信号处理技术与算法研究成为提取呼吸心跳等有效生命特征的关键和难点。

由于不同UWB雷达回波存在产生场景不同、面临干扰程度不同、使用雷达体制不同等差异，处理不同雷达回波的角度与侧重点不同，这便需要多种方法对不同UWB雷达回波开展不同角度、不同程度的对应处理，进而提取呼吸心跳信号；信号提取方法按照时间和频率的处理角度，可分为时域、频域和时频域分析方法。接下来，本文将从时域分析方法、频域分析方法、时频分析方法和其他处理方法的角度，探寻呼吸心跳信号的提取方法。

4.1   时域分析方法

时域分析方法是从时间角度处理雷达回波信号，实现背景杂波和环境噪声的滤除以及有用信号的增强，可直观获取雷达回波信号随时间变化的趋势、信号的收发时间差(时延)及持续时间等信息，进而推断出目标的距离信息。运用时域分析方法有利于处理非线性、不平稳的雷达回波信号，且在处理信号的瞬时特性方面具有很好的处理速率与效果，实时性、分辨率高；但其在低信噪比和噪声频率多样等环境中回波处理性能不佳^[39]。

针对呼吸心跳信号的提取，时域分析方法有多种表现形式，可直接处理接收到的雷达回波信号，并将呼吸、心跳特征分离出来；可以有效地克服呼吸与心跳之间的相互干扰，但对所用设备的指标要求比较高。其中，时域滤波和时域平均法可有效抑制回波中的随机噪声，基于时域的自相关运算可计算出呼吸心跳信号的运动峰值数，完成对呼吸和心跳速率的估计，基于时域互相关思路(时域相关特征分析)可利于提取呼吸心跳信号的时域特征，基于时域的相干累加法可实现回波信噪比和呼吸心跳信号检测准确性的提高^[40]，脉冲压缩方法可以提高目标回波幅值与距离分辨率。此外，模态分解等系列算法也从时域的角度处理雷达回波、提取呼吸心跳信号，均可使各算法处理性能获得提升。

4.2   频域分析方法

频域分析方法是将雷达回波信号从时域转换到频域，在频率成分的角度处理雷达回波，并以频谱图的形式将不同频率信号可视化，且将其从回波中分离出来，完成对干扰信号的抑制与有效生命特征的提取^[41]；基于其基本原理设计了滤波器(低通、带通滤波器)，分离呼吸心跳信号^[42]；此外，利用频域分析还可获得不同频率信号的相位特征。同时，频域分析是微多普勒效应的研究基础，微多普勒效应是频域分析的有效途径，通过微多普勒效应可获得雷达回波的频率变化，进而获取目标的速度参数^[43]。相比于时域分析，频域分析在处理频率多样及含高频率的雷达回波时效果较好，且频谱精度高、计算量小，但不利于非线性、不平稳信号的处理。

傅里叶变换(Fourier Transform, FT)是时域分析与频域分析的桥梁，其可以实现雷达回波信号在时域和频域上的双向转换^[44]；因此，时域分析方法与频域分析方法二者互补，且雷达回波在时域、频域的关系示意如图8所示。此外，根据傅里叶变换还可获取雷达回波信号的功率谱密度，反映不同信号的频率强度，促进生命体征的有效提取，但其不能反映信号的时变特性且存在高频失真。

图  8  雷达回波在时域、频域的关系示意

Figure  8.  Schematic of the relationship between radar echo in time and frequency domains

下载: 全尺寸图片 幻灯片

针对呼吸心跳信号的提取，频域分析方法可以弥补呼吸心跳信号在时域上偏移、混叠的不足，但呼吸会对心跳造成干扰。使用频域分析先对接收的回波信号进行频谱分析，从频域上获取呼吸、心跳的频谱图，进而获得呼吸、心跳信号的频率、振幅参数，也可通过最大频率估计法估计呼吸心跳的频率，但其对噪声的抑制性能较差；再通过相位谱分析获取呼吸心跳信号的相位参数。此外，基于频域的累积、平均、自适应和频谱减法等都是频域分析提取呼吸心跳信号的有效手段。

4.3   时频分析方法

时频分析方法将时域与频域联合，实现两种分析方法的优势整合；该方法从时间和频率的角度研究不同时间点信号的频率特征，并统计特征随时间变化的规律，以综合获取目标的距离、速度、方位等运动参数及散射特性^[45]；该方法弥补了时域和频域分析方法存在对波形中振幅、相位和频率等成分分析不充分，不能反映频谱随时间变化规律的缺陷，更利于非线性、不平稳及瞬时信号的处理；时域、频域和时频域3类分析方法比较如表4所示。

表  4  时域、频域和时频域分析方法对比

Table  4.  Comparison of time-domain, frequency-domain and time-frequency-domain analysis methods

方法	优点	缺点	适用场景	典型方法
时域分析 方法	易实现、适应性强、计算量小 且效率快、便于直接观察	低信噪比环境处理能力不强、 易丢失信息、抗干扰性差	用于睡眠、临床、健康检测 的呼吸心跳信号提取	时域相关法、脉冲压缩法、 时域差分法
频域分析 方法	频谱精度高、计算量小，对幅度 变化较大的信号处理能力强	存在边缘效应与信号失真、 不能反映信号的时变特性	用于滤波去噪，在医疗健康 场景中提取呼吸心跳信号	傅里叶变换、快速傅里叶变换、 频谱减法
时频分析 方法	利于非线性、不平稳及瞬时信号 的处理、多分辨率强、准确性高	运算复杂、性能依赖参数 选择、存在边缘效应	用于灾害救援、医疗健康检测 等场景的多种信号处理任务	短时傅里叶变换、小波变换、希尔 伯特-黄变换、模态分解系列算法

下载: 导出CSV 

| 显示表格

时频分析方法中短时傅里叶变换(Short-Time Fourier Transform, STFT)、衍生短时傅里叶变换、离散傅里叶变换、小波变换(Wavelet Tranform, WT，其分解重构原理如图9所示)，在其所需的时间窗口内频率分辨率差；为提高分辨率提出了Winger Ville分布及其改进方法，但其在处理高阶信号时，存在交叉项的影响^[46]；为此，利用自适应联合时频方法处理高阶信号，消除了交叉项的影响，获得了良好的分辨率，但存在运算量大、信息可靠性差的缺点，进而提出了基于频域提取的自适应联合时频分解方法^[47]，并从不同尺度、不同方向上处理信号形成Curvelet变换；此外，为了同时获取较高的时间分辨率和频率分辨率提出了希尔伯特-黄变换(Hilbert-Huang Transform, HHT)，其本质是经验模态分解(Empirical Mode Decomposition, EMD)算法与希尔伯特变换(Hilbert Transform, HT)的结合^[48]，但由于EMD算法存在模态混叠与虚假分量的缺陷，进而将变分模态分解(Variational Mode Decomposition, VMD)算法与希尔伯特变换结合，形成VMD-HT时频分析方法，进一步提高了非线性、不平稳信号的处理能力^[49]。

图  9  小波变换分解重构原理^[42]

Figure  9.  Principle of wavelet transform decomposition and reconstruction^[42]

下载: 全尺寸图片 幻灯片

模态分解系列算法也是重要的时频分析方法，相较于多数方法，模态分解可以根据信号自身特性分解生成自适应的本征模态函数(Intrinsic Mode Function, IMF)，且不需要预先选择基函数^[50,51]；其中EMD算法将IMF进行快速傅里叶变换，并依据其频谱峰值范围结合表2数据重构呼吸心跳信号，如表5所示；同时，在EMD算法的基础上加入高斯白噪声成为平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)算法，又进一步以正负对的形式加入高斯白噪声形成全集平均经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMD)算法，并在EMD算法的基础上引入变分优化与拉格朗日乘子升级为VMD算法，其各算法优缺点对比如表6所示^[52,53]。

表  5  EMD算法重构信号的频谱峰值

Table  5.  Spectral peaks of signal reconstructed by EMD algorithm

重构信号	频谱峰值
重构呼吸信号	0.1～0.5 Hz
重构心跳信号	0.8～2.0 Hz
噪声干扰	其他频率

下载: 导出CSV 

| 显示表格

表  6  部分模态分解算法的优缺点对比

Table  6.  Comparison of advantages and disadvantages of some modal decomposition algorithms

方法	优点	缺点
EMD	适应性较强、探测效果较好、速度快	存在模态混叠和虚假分量、IMF物理意义模糊
EEMD	无模态混叠现象、IMF物理意义明确	计算量大、工作效率低、模块响应时间长
CEEMD	计算量小、响应速度快、可消除重构信号的噪声	依据经验选择参数、不适用于低信噪比环境
VMD	可有效避免模态混叠和端点效应，探测性能强	计算时间长、参数选择效率低、实时性差

下载: 导出CSV 

| 显示表格

在呼吸心跳信号提取方面，时频分析方法依据频谱随时间变化规律来精确分析呼吸、心跳等有效生命特征，探测是否有生命存在，该方法在呼吸心跳信号提取中获得了广泛的应用。Wu等人^[54]提出频谱加权累积算法，该算法在短时间内可提取低信噪比环境下的呼吸频率。Liang等人^[55]利用短时傅里叶变换(STFT)对雷达回波信号的标准偏差进行处理，再通过有用信号的频域累积来检测生命体征参数，提高所提取呼吸频率的可靠性。然而EMD, EEMD, CEEMD, VMD等模态分解系列算法也是时频分析中常用的呼吸心跳信号提取算法；经研究发现EMD算法工作效率高、响应时间短且更适用于提取呼吸信号，但存在模态混叠现象；而利用EEMD算法可较好地消除模态混叠现象，实现较好的呼吸心跳信号分离效果，且更利于心跳信号的提取，但其运算量大且带来了噪声干扰的问题；为此，运用CEEMD算法提取呼吸心跳信号，但其在低信噪比环境下信号提取效果不佳^[56]，又进一步改进为全集合经验模态分解与自适应噪声算法开展呼吸心跳信号提取研究^[57]；而VMD算法通过在频域中分割雷达回波，得到回波的有效分量，完成对呼吸和心跳信号的重构；弭晴等人^[58]将VMD算法与融合鲸鱼算法(Whale Optimization Algorithm, WOA)结合(算法流程如图10所示)，从UWB雷达回波中分离心跳信号，获得了1.36%的平均误差比最低权且测量精度较高。

图  10  VMD-WOA算法流程^[58]

Figure  10.  Flow of VMD-WOA algorithm^[58]

下载: 全尺寸图片 幻灯片

4.4   其他处理方式

除时域、频域和时频域分析方法外，还有许多方法被研究人员用于处理雷达回波，提取呼吸心跳信号。如：运用基于N次峰值捕捉的生命体征检测算法、基于轨迹捕获和峰值捕获的生命体征检测算法、心跳二次谐波估计法提取心跳信号，有效解决了心跳信号被呼吸谐波及噪声干扰的问题^[59]；将复信号解调和反正切解调技术结合^[60]、设计可改变数据长度的小波变换^[61]快速检测、提取心跳信号。利用协方差矩阵提出空间谱估计的多重信号分类(Multiple Signal Classification, MUSIC)算法提取较远距离目标的呼吸心跳频率^[62]；为了进一步提高信号估计精度，运用外推变换和多重信号分类的二维参数相结合的方法估计呼吸心跳频率；利用基于正交匹配追踪的压缩感知(Compressed Sensing-Orthogonal Matching Pursuit, CS-OMP)算法分离、重构呼吸心跳信号，图11显示了该算法重构信号的频谱图，获得了93%的呼吸心跳频率估计精度，但其没有从根本上改善信号的信噪比(Signal-to-Noise Ratio, SNR)且对信号质量要求高^[63]；运用最优路径学习改进的零空间追踪算法处理IR-UWB和SFCW-UWB雷达回波，获得呼吸心跳信号提取准确度分别为89.97%和95.41%、99.48%和94.39%^[64]。

图  11  文献[63]重构信号的频谱

Figure  11.  Spectrogram of reconstructed signal from Ref. [63]

下载: 全尺寸图片 幻灯片

同时为充分利用雷达回波的相位信息，有学者结合时代技术研究基于原始复信号的深度学习方法，并依据其特征自学习的特性^[65]，将深度学习领域中的神经网络技术用于提取呼吸心跳信号；其中，瑞典隆德大学的研究人员利用人工神经网络分离心跳信号，实现了良好的心率估计准确率和更低的延迟及计算复杂度^[66]；周金海等人^[67]将包含时距信息的呼吸样本空间序列输入卷积神经网络，获得了接近85%的呼吸估计准确率；漆晶等人^[20]将胸腔信号样本输入二维卷积神经网络，并利用VMD算法将呼吸心跳信号分离，准确率可达97.5%；还有残差神经网络、前馈人工神经网络、循环神经网络、长短期记忆网络等逐步升级的神经网络方法在呼吸心跳信号提取中应用，获得了较高的探测精度、实时性和鲁棒性，且上述各神经网络方法的性能、优缺点对比如表7所示^[68−70]；此外，还有相干解调法、半正定松弛、周期抽样叠加法、Charnes-Cooper转换、序列优化和拉格朗日对偶方法等都可从不同角度实现不同程度的UWB雷达回波信息处理，提取被测目标的呼吸心跳信号。

表  7  各神经网络方法的性能及优缺点对比

Table  7.  Comparison of performance and advantages and disadvantages of each neural network method

方法	性能	优点	缺点
卷积神经 网络	可有效处理复杂信号且捕捉信号中的 时空相关性	高效的数据处理能力，精度高、 鲁棒性强、适应性强	需预定义不同大小的卷积核，数据库要求 高，且存在退化现象、难以提高精度
残差神经 网络	可训练非常深的网络且可提取微弱信号	深度加深而计算量不增加、无退化现象 和梯度消失问题、训练效率高	计算量大、数据需求量大、 设计和调试难度大
前馈人工神经 网络	可实现小数据集输入信号到输出结果的 非线性映射	结构简单、计算效率高	难以捕捉信号的时空相关性，对输入信号的 设计和选择要求较高
循环神经 网络	可提取序列化数据的动态信息并进行分类， 可学习特征在时间上的周期关系	非独立的点序列组信号处理能力及 适应性强、记忆前序信息	计算成本高、输入信息易损失，反向传播长 时依赖下存在梯度爆炸和梯度消失
长短期记忆 网络	可有效捕捉信号中时序依赖关系且记忆 长期的依赖关系	可有效处理长时间依赖性，序列数据 适应性强，缓解梯度消失问题	计算量大、参数多且调节难度大

下载: 导出CSV 

| 显示表格

5.   不同场景下呼吸心跳信号提取

呼吸心跳信号的提取是灾后救援过程中重要的生命信息获取途径，也是医疗健康场景中重要的生命监测手段，其中灾后救援主要体现在矿山救援和地震救援。在灾后救援、医疗健康以及其他场景中，主要采用时域分析方法、频域分析方法、时频分析方法和结合时代先进技术的方法处理UWB雷达回波、提取呼吸心跳信号，且各场景信号提取的问题与难点如表8所示。同时，各回波处理方法受到了不同领域众多研究人员的热切关注，进而促进各场景提取呼吸心跳信号所面临难点的有效解决。以下针对各场景难点采用多种方法提取呼吸心跳信号的现状梳理、归纳、分析和总结。

表  8  各场景信号提取面临的问题与难点

Table  8.  Problems and difficulties faced in signal extraction for each scene

场景	问题、难点
矿山救援场景	穿透能力与分辨率相互制约
地震救援场景	背景杂波和电磁干扰严重
医疗健康场景	实时性和准确性要求更高
穿墙探测场景	三维数据显示精度要求高
汽车驾驶场景	躯体、车辆抖动干扰严重

下载: 导出CSV 

| 显示表格

5.1   矿山救援场景

矿山救援是保障矿工生命安全的最后屏障，其救援方式主要为水平巷道救援和垂直钻孔救援^[71]。水平巷道救援因施工量大、耗时长、救援效率低、安全性差等因素限制，极易出现救援人员伤亡的情况，难以满足巷道坍塌、透水等事故现场救援的实际需求；垂直钻孔救援作为一种生命通道快速构建的新型救援技术，具有施工速率快、安全性高等优势，在恶劣救援环境中得到了广泛应用。在这两种矿山救援方式的救援过程中，均需要利用UWB雷达进行坍塌体后方生命信息的穿透探测，图12展示了UWB雷达在矿山救援中的应用示意图。由于矿山救援面临极其恶劣的现场环境且穿透能力与分辨率相互制约，使得生命信号探测对雷达硬件设备和信息处理软件性能提出了更高的要求；专家学者利用各种技术手段，在矿山救援环境中开展UWB雷达回波的呼吸心跳信号提取研究，以确保生命信号的准确探测。

图  12  UWB雷达在矿山救援中的应用示意图

Figure  12.  Schematic diagram of the application of UWB radar in mine rescue

下载: 全尺寸图片 幻灯片

矿山救援中可利用平均法处理雷达回波，也有专家学者利用小波变换将雷达回波相位信号分解成不同频率分量，将频率分量在呼吸范围内的重构为呼吸信号，将频率分量在心跳范围内的重构为心跳信号，但其依赖于小波函数的选择且无法获取目标的距离信息^[42]。根据近似函数、时域函数的估计来分离回波中的呼吸心跳信号，其存在心跳信号提取准确性较低的缺陷；采用频域上的自适应生命信号检测算法获取呼吸心跳信号，而该算法会引起自身的谐波干扰影响处理性能。为此，王保生^[72]在矿井塌方的环境下，依据杂波信号的不平稳性，基于EMD算法与参考独立分量分析(Reference Independent Component Analysis, ICA-R)联合算法滤除杂波、提高信噪比，并在时频域上重构呼吸心跳信号，经仿真实验证明，该算法简便易行，可以实现障碍物后方人体目标的距离信息探测；李欣欣^[73]基于改进的时变滤波经验模态分解(ITVFEMD)的生命体征提取方法提高了矿山遮蔽环境下呼吸心跳信号的提取准确率，同时利用信号时域特征的自注意力-卷积神经-双向长短期记忆(SA-CNN-BiLSTM)方法，在矿山遮蔽环境下获得了很好的呼吸正常、呼吸过速、呼吸过缓状态的识别精度。

面对多径效应干扰等复杂多变的灾后现场环境，有学者利用变换域方法从不同域的角度进行回波分析处理，同时沿着慢时间将时域矩阵通过快速傅里叶变换(Fast Fourier Transform, FFT)转变为频域-距离矩阵，可实现呼吸心跳信号的有效显示^[74]。呼吸心跳信号的提取对灾后矿井救援中研究被测目标的位置信息具有重要的推动价值；同时通过对呼吸心跳信号的准确提取，可获取被困人员的生存状态及位置信息，为救援行动的开展、救援成功率的提升提供技术支持；但穿透能力与分辨率的相互制约仍是矿山救援场景中面临的巨大难题。

5.2   地震救援场景

地震救援现场通常面临更加复杂的电磁干扰，属于低信噪比环境，利用UWB雷达识别提取被掩埋人员的呼吸心跳等生命体征，对定位被掩埋人员及开展后续救援行动具有至关重要的价值。早期研究者运用Curvelet变换去除雷达回波中的直达波与耦合波，利用奇异值分解滤除环境噪声，最终基于FFT和希尔伯特-黄变换(HHT)提取出被困人员的呼吸心跳信号以及微多普勒频移，证明了在地震救援中UWB雷达的探测潜力^[75,76]。

利用时频域分析方法可有效滤除电磁干扰，实现震后救援环境下被困目标雷达回波信号的增强，促进有用信号分离提取^[77]。近年来，为了提高地震救援场景中信号的信噪比，学者陆续利用WT算法、EMD算法、VMD算法等时频分析方法开展呼吸心跳信号的提取研究，发现：信号提取和去噪效果依次增强，适应性依次减弱；且只适用于距离已知的场景，而对未知场景则不适用^[78,79]。之后Nezirovic等人^[80]利用奇异值分解算法(Singular Value Decomposition, SVD)提取废墟环境下的呼吸心跳信号，有较好的去噪效果，但无法去除与呼吸心跳信号处于相同频段的噪声信号；而频谱减法中决策导向算法^[81]则可很好地解决上述现象，但由于其权重值固定不变，对噪声频率发生突变的局域内则存在噪声残留；同时也有学者将EMD算法与SVD算法结合提取震后环境下的呼吸心跳信号频率^[75]。

为了重构地震灾害场景中多目标的呼吸心跳信号，中国煤炭科学研究院的科研团队结合地震灾害特点，提出了EEMD算法和小波分析的生命体征自适应去噪提取方法，有效滤除了杂波信号，重建呼吸信号频率的平均相对误差为4.27%；提出了基于粒子群优化和随机共振结合的心跳频率提取方法，提高了输出信号信噪比，获得检测心率的平均相对误差为6.23%^[82]。

为了提高震后人体呼吸信号的信噪比，樊哲宁等人^[83]从提取多种呼吸信号特征的角度出发，利用EMD算法、VMD算法和HT变换提取呼吸信号的微多普勒特征，使用FT获取呼吸信号的频谱特征，运用相关分析获取呼吸信号的相关性特征，最后综合3种呼吸特征利用支持向量机提取呼吸信号，为废墟下定位被困人员提供支撑。中国科学院空天信息创新研究院潘俊等人^[74]利用最小均方根误差提出了一种基于先验信噪比估计的检测算法，在震后废墟低信噪比环境中探测呼吸信号，经仿真模拟与现场实验验证了其拥有良好的检测效果和抗干扰性，且对比了所提算法与FFT算法、SVD算法、DD算法在不同信噪比中的信号提取性能，如图13所示；Pan等人^[84]和Liang等人^[85,86]基于时域回波中不同帧间呼吸和噪声信号的特点，提出了一种低秩块稀疏分解算法(Low-Rank Block Sparse Decomposition, LRBSD)，利用人体呼吸信号与背景噪声之间的稀疏性差异来增强呼吸信号，经过逐渐升级的仿真与现场实验证明，该算法有效去除了呼吸频带上的噪声，并大大提高了信噪比且计算成本低、实时性高，但也存在UWB雷达信号不能完全分为低秩和稀疏分量的缺陷，实验结果与现有同类方法的输出SNR如图14所示。

图  13  不同信噪比环境下各算法信号提取性能^[74]

Figure  13.  Signal extraction performance of each algorithm in different SNR environments^[74]

下载: 全尺寸图片 幻灯片

图  14  文献[86]实验结果及现有同类方法对比

Figure  14.  Comparison of experimental results of Ref. [86] and existing similar methods

下载: 全尺寸图片 幻灯片

5.3   医疗健康场景

雷达探测技术不受气候、光照、温度等条件的限制，且安全高效，可用于对呼吸心跳等生命信号的非接触式探测，实现对患有烫伤、烧伤、烈性传染病等患者的健康检测，以及通过检测人类睡眠实现疾病预测；这对保障患者隐私和医护人员安全以及促进临床医学与家庭监测的发展具有重要意义。在该场景，前人起初利用连续波(CW)雷达提取呼吸心跳信号的时域、频域、能量域的统计特征及呼吸气流量的波形几何特征，但其无法获得目标位置信息^[69,87]；因而在CW雷达的基础上提出了调频连续波(FMCW)雷达，虽然有效地解决了目标定位缺陷，但又面临成本高、实时性差等新难题^[88]。相比之下，UWB雷达因具有结构简单、发射功率低、距离分辨率高、目标辨别力强、穿透能力强、多径分辨能力强等优势，逐渐成为医疗健康场景开展非接触式生命体征监测的研究热点。

在医疗健康场景中研究人员利用时频分析方法从UWB雷达回波中提取呼吸心跳信号，发现：由于小波变换尺度因子无法预设(不固定)，小波变换不能适应外界环境的变化，因而利用Morlet二进小波变换提出了一种基于自适应小波尺度选择方法，分离不同医疗场景下的呼吸心跳信号(其分离效果如图15所示)，促进医疗中对心律失常和胸腔形变的检测^[89]；将小波变换改进为经验小波变换(Empirical Wavelet Transform, EWT)，通过呼吸心跳信号相对稳定的频率，推导EWT边界，再利用该边界分离多人目标的呼吸心跳信号，且不需要参考其他信号，经实验验证：该方法对呼吸心跳频率的检测误差分别为±0.3 bpm和±2.0 bpm，满足临床监测要求的精确率与实时性，并与接触式传感器、带通滤波器、EMD算法和WT算法比较分离效果(如图16所示)^[90]。此外有学者利用频谱分解连续变分模态分解算法，分离呼吸和心跳频率^[91]。

图  15  自适应小波尺度选择方法的呼吸心跳分离效果^[89]

Figure  15.  Respiratory heartbeat separation effect of adaptive wavelet scale selection method^[89]

下载: 全尺寸图片 幻灯片

图  16  文献[90]所提方法与接触式传感器、带通滤波器、EMD算法和WT算法分离效果对比

Figure  16.  Comparison of the separation effect of the proposed method in Ref. [90] with contact sensor, bandpass filter, EMD algorithm and WT algorithm

下载: 全尺寸图片 幻灯片

针对呼吸信号提取，由于呼吸在时间上呈现为慢速起伏运动，在距离上则是扩展目标的信号模型，所以传统的提取算法无法从一维的时域、频域角度获取呼吸信号；有学者在传统方法的基础上深掘二维角度的多域特征融合，提出了一种引入时距信息的多域特征融合呼吸模式识别方法，在医疗监测睡眠中拥有较高的呼吸模式识别准确性^[31]。韩国学者基于恒虚预警率提出了一种阻塞性睡眠呼吸暂停检测方法，使UWB雷达成为筛查该疾病的有效工具^[92]。Zheng等人^[93]在深度学习的帮助下，通过对I/Q信号在复平面旋转多个角度来进行放大，再结合变分编码器解码器网络模型，提取到目标在不同运动状态下的呼吸波形如图17所示，实现了高精度的睡眠呼吸信号检测，有效预防了睡眠呼吸性疾病，证明了UWB雷达诊断肺部疾病的潜力。

图  17  文献[93]提取的呼吸波形

Figure  17.  Respiratory waveforms extracted from Ref. [93]

下载: 全尺寸图片 幻灯片

针对心跳信号提取，由于心跳较为微弱(约是呼吸振动的十分之一)，常淹没在呼吸谐波、互调波和背景杂波中，且具有非平稳的特点，难以有效从雷达回波中提取出来^[59]。为了应对心跳信号难以提取的难题，徐向阳^[94]利用最小均方算法将呼吸信号与心跳信号分离，并将分离出的心跳信号与同步采集的心电图对比，发现误差在校准误差范围内；陶启明^[95]利用EEMD算法提取非平稳心跳信号，运用差分增强算法从谐波角度提取心跳信号，再基于信号特征心跳融合方法将两种算法提取的心跳信号融合处理，获得了更高的信号提取准确性和实时性，为检测心脏疾病奠定了基础。为了检测心率异变性(HRV)，Yuan等人^[96]将人体HRV进行建模，并基于神经网络设计了一种心脏异常检测模型，通过设置最大延迟值≤10 s，实现对心动过速、室颤等心脏异常的低延迟检测，进而促进对心脏疾病的检测；Ahmed等人^[97]将IR-UWB雷达回波的原始数据先利用运动目标指示滤波器滤除杂波和噪声，再在慢时间中采集有效生命体征，最后通过FFT获得呼吸心跳信号，进而获得准确的心跳信号，用于进一步估计HRV指标，并通过频域分析提供不同疲惫状态的LF/HF比值，且与心电图的比值进行对比，如图18所示。

图  18  文献[97]雷达与心电图探测心跳信号LF/HF比值的比较

Figure  18.  Comparison of LF/HF ratio of heartbeat signals detected by radar and ECG in Ref. [97]

下载: 全尺寸图片 幻灯片

此外还有专家从多种探测模式性能出发，运用直流偏移去除方法和滤波器滤除杂波，并利用相关性分析法和参数优化的反馈陷波将呼吸谐波抑制、剔除，提取心跳信号^[98]；通过已知信息反推心跳信息的思路，提出了基于谐波、互调波模型的模糊逻辑体征提取算法和基于互相关的联合多距离门信号的体征提取算法，进一步提高医学监测心跳信号的准确性，且拥有较高的实时性和鲁棒性^[6]。

5.4   穿墙探测场景及其他场景

除了上述领域之外，呼吸心跳信号的提取在室内穿墙探测和汽车驾驶场景探测等方面也有较多应用。针对穿墙探测呼吸心跳信号，学者研究了时频分析方法的反馈脉冲对消零频杂波、多重自相关去噪、VMD算法，探究了同步挤压S变换，分析了基于深度学习的卷积神经网络等算法的呼吸心跳信号提取性能，经实验证实了各算法均可提高呼吸心跳信号的识别精度^[24]，有效推动反恐行动的胜利完成。其中，Huo等人^[33]提出了一种梳状滤波和相干积分相结合的心跳频率检测方法，获得墙壁后方多目标检测心率的平均误差为4.57%，并与现有方法对比心跳信号提取准确度，如图19所示；Liang等人^[99]将基于标准差的峰度分析方法与联合时频分析相结合，用于远程提取墙体(100 cm)后方人体微弱的呼吸信号，并开展与现有方法的性能对比实验，结果表明，该方法具有较好的杂波抑制能力且有效提高了信噪比；Li等人^[21]运用VMD算法与分组准则相结合的方法将墙体后人体目标的UWB雷达回波信号分解为

图  19  文献[33]所提方法与现有方法提取心跳信号准确度对比

Figure  19.  Comparison of accuracy of extracting heartbeat signals between the proposed method in Ref. [33] and existing methods

下载: 全尺寸图片 幻灯片

其中，IMF_K(t)表示为第k个IMF，K表示为模式总数，res(t)表示为残差；并将中心频率大于0.1 Hz且小于等于0.8 Hz的IMF定义为呼吸型，中心频率大于0.8 Hz且小于等于2.0 Hz的IMF定义为心跳型，低于0.1 Hz的IMF作为DC(直流)分量，进而完成对呼吸与心跳信号的重建，最终实现UWB雷达回波的生命体征信号分离为呼吸和心跳信号；同时将该方法的呼吸和心跳信号分离效果与无限脉冲响应(IIR)滤波、基于FFT的理想带通滤波和带自适应噪声的完全集成经验模式分解3种方法的分离效果对比，如图20所示。

图  20  文献[21]所提方法与IIR, FFT和CEEMDAN的呼吸心跳信号分离效果对比

Figure  20.  Comparison of the effectiveness of the proposed method in Ref. [21] with IIR, FFT and CEEMDAN for the separation of respiratory heartbeat signals

下载: 全尺寸图片 幻灯片

Jin等人^[100]为了解决穿墙探测场景中UWB雷达采用平面蝴蝶结天线带来的振铃现象，研究了一种基于去卷积技术的信号处理方法来抑制信号振铃和叠加，通过实验验证了该信号处理方法的有效性且提高了信噪比，促进了对呼吸心跳信号的提取研究。

针对汽车驾驶场景(UWB雷达监测驾驶员状况的应用如图21所示)，利用多特征对齐(Multi-Feature Alignment, MFA)双层EEMD方法，探测驾驶员的生命信息，可以有效降低因身体运动造成的生理偏差，进而准确获取呼吸心跳频率^[34]；同时，基于多变量VMD算法从车辆振动及驾驶员自身运动导致的运动伪影中分离呼吸心跳信号，并通过实验获得：呼吸频率与心跳频率的误差中位数分别为0.06次/min、0.6次/min，IBI误差中位数为50 ms^[101]；Schires等人^[102]为了从背部监测驾驶员生命体征，将UWB雷达模块嵌入到汽车座椅靠背中，并利用时域、频域的相位检测技术与频率估计方法相结合的方式处理雷达回波，经静态和动态实验证实，其不受发动机和底盘高频振动的影响，呼吸心跳频率估计精度高，且拥有较高的鲁棒性和实时性，背部探测的呼吸心跳运动和平均频谱如图22所示；从而促进对驾驶员疲劳、哮喘、中风等身体状况的监测，以保证安全驾驶，进一步推动安检事业的高效发展。

图  21  UWB雷达监测驾驶员状况的应用

Figure  21.  Application of UWB radar to monitor driver status

下载: 全尺寸图片 幻灯片

图  22  文献[102]探测结果

Figure  22.  Ref. [102] detection results

下载: 全尺寸图片 幻灯片

5.5   小结

(1) 运用UWB雷达在矿山救援中开展生命信息探测是当下研究的热点与难点。由于矿井环境中多径干扰严重，因而从时域、频域、时频域的角度逐步升级算法提取呼吸心跳信号，并从多域融合、多算法融合、多技术融合的角度改进信号提取算法的性能，促进呼吸心跳信号的提取；但由于穿透能力与分辨率对频率的需求相互矛盾(强穿透能力需降低电磁波频率，电磁波频率的降低会使分辨率减小)，进而限制了心跳信号(微弱信号)的提取研究，未来应在电磁波的基础研究领域探寻解决方法，并加大UWB雷达采用多输入多输出(Multiple Input Multiple Output, MIMO)阵列天线提取心跳信号的研究力度。

(2) 雷达探测为地震救援中获取被掩埋人员位置信息、开展高效救援提供技术支持，但该领域多是针对呼吸信号开展提取研究且集中在呼吸谐波去除方法的开发上，缺乏对心跳信号的提取。由于地震救援现场中面临的电磁环境复杂、干扰严重，所以回波处理算法主要集中在杂波滤除上，并应用大量滤波算法开展分析，提高信号信噪比；而将杂波滤除后，主要从时频域的角度提取呼吸心跳信号，并结合不同技术领域，从不同角度提出、优化算法，进一步提取呼吸心跳信号，但存在适应性差、限制因素多的缺陷。

(3) 开展呼吸心跳信号提取技术研究，可为医疗健康场景中疾病预判、术后观察、睡眠健康监测等提供技术支撑。在多域、时间-距离域等角度开展融合探测可获得较好的探测精度和实时性，且结合深度学习技术符合时代技术背景，是当下及未来的发展趋势。该场景中对呼吸心跳信号的提取多是从时域、频域、时频域的角度出发，缺乏多域角度的融合、联合提取研究；而对心跳信号的提取效果优于灾害救援场景，对心率异常的研究相对较多，主要将时频域和先进技术结合重构心跳信号，其提取信号的准确性、实用性和鲁棒性逐渐提高，但算法自身的攻关研究尚不充分。

(4) 在室内穿墙场景提取呼吸心跳信号，相较于灾后救援场景，环境干扰较小、探测手段和回波处理算法多样，因而探测难度较小、探测精度相对较高；未来进一步提高三维显示精度与天线结构设计，可促进反恐事业的高效发展。在汽车驾驶场景逐渐运用UWB雷达从胸前和背后的角度监测驾驶员的生命体征，仍主要是从时频域的角度展开雷达回波处理，提取呼吸心跳信号，其有效地抑制了人体自身运动与车辆振动的干扰，且探测误差较低、实时性和鲁棒性较高，为交通安全提供有效保障。

6.   存在问题

综上可知，目前各场景对静止目标雷达回波中呼吸心跳信号的提取研究，主要集中在运用时域/频域分析方法、时频分析方法、模态分解法、相位分解法以及结合时代技术等角度，并取得了巨大的研究成果，但仍在雷达回波模型构建与雷达回波处理技术、方法、手段等方面存在以下问题：

(1) 呼吸心跳信号的雷达回波模型大多是在空气为传播介质的背景下构建，缺乏构建在不同介质对电磁波衰减和散射特性(反射、散射)影响下的雷达回波穿透模型；且主要是在人体目标简化为点目标的基础上，利用简谐振动(正弦函数)近似替代胸腔起伏，忽略了呼吸心跳运动的复杂性、非线性特征及不同个体间的差异，缺乏对实际呼吸心跳波形的大量采集与融合多种数学函数的反复训练。同时现有呼吸心跳运动模型与其实际运动状态的吻合度较低(尤其是心跳运动模型)，利用其构建的雷达回波模型在信号解调和参数提取时容易出现误差，不利于开展高精度的信号提取研究。

(2) 传统信号处理技术是先利用带通滤波器将呼吸心跳信号从雷达回波中分离，再利用傅里叶变换进行呼吸心跳信号的提取、重构；目前虽然对已有方法技术进行了升级改造，但依旧在低信噪比环境中存在噪声和目标信号频率重叠的缺陷，且算法的运算速度较慢、时空复杂度较低，对多径时延分布研究尚不充足，无法满足快速响应和精度需求。对于深度学习等时代回波处理技术，发现其对数据库的要求较高，需要开展大量的样本训练；由于深度学习存在黑盒特性(人类对决策缺乏直观的理解)且网络结构逐渐庞大，使其存在决策风险且不满足实时处理需求，难以适应复杂多变的灾害救援现场。

(3) 各场景下对不同生理状态的呼吸心跳信号(呼吸过速、呼吸过缓、窦性心律)提取研究涉及不足，心跳信号常被呼吸峰值及其频域谐波掩盖且在频谱上不可见，因而其相较于呼吸信号提取的各项指标较弱，算法也相对单薄，且将二者有效分离难度较大。同时，在各场景的应用测试研究中，大多是通过实验室实验或仿真模拟展开且单人探测居多，在复杂、不确定的现场环境开展探测研究较少，且缺乏实战验证与多人信号提取研究；现有方法往往是假设固定探测场景，而实际探测场景的人数和行为难以预先确定，且缺乏信噪比与杂波分布特征的先验知识，使各实际场景中雷达回波处理算法很难完全适应应用需求。

7.   发展趋势

(1) 构建高度吻合的呼吸心跳雷达回波模型。通过深入分析心电图、胸腔振动等运动参数，明晰呼吸心跳的运动学规律，建立与呼吸心跳运动更为相近的数学方程，其中可利用抛物线-指数函数的非线性和动态变化特性构建更加吻合的呼吸心跳运动模型，在时域/频域利用心率异变性构建非健康状态下的心跳运动模型；同时采集大量真实数据，利用机器学习进行多种数学函数的融合训练，且加大将人体目标视为多目标进而构建呼吸心跳运动模型的研究力度，以增加不同角度构建运动模型的吻合度。利用先进信道建模技术优化脉冲响应，以减小多径效应影响；依据压缩感知设计采样机制，以保持对信号的高分辨率；采用高阶离散方法减少离散误差，提高模型精度；从而提高呼吸心跳信号UWB雷达回波模型的精确度与可靠性。

(2) 研发、优化雷达回波处理技术与算法。从融合时间域、频率域、距离域、周期域和多普勒域等多域特征角度，获取距离时间谱、距离多普勒谱和时间多普勒谱等信息，进而探究不同呼吸模式(潮式呼吸、间停呼吸、叹气样呼吸、比奥呼吸和库式呼吸)的谐波抑制与分类识别。在低信噪比环境下利用时频分析与深度学习技术联合(如将Choi-Williams分布与改进残差神经网络联合)、心跳估计和恢复方法与多目标跟踪算法联合、小波变换与主成分分析法联合等联合算法优化心跳信号提取实时性与精度，并从微多普勒时频分析的角度开展杂波滤除研究，分析鲁棒主成分分析法抑制呼吸心跳频带中残留噪声的性能；运用稀疏信号处理技术处理受雷达硬件限制时的回波信号。在未来深度学习的研究中，可利用元学习在少量样本中获取准确高效处理结果的特点，减少样本训练需求，利用其自适应调整学习策略的特点，提高深度学习在不同场景的泛化能力、鲁棒性，将物理模型先验知识与基于数据驱动的深度学习联合，弥补黑盒特性、降低决策风险，并权衡深度学习处理信号时的实时性和精度，有侧重地将其改进且结合行为认知理论和模板匹配方法完成数据同步。

(3) 规划不同场景呼吸心跳信号提取方法。在灾害救援场景应加强VMD算法处理雷达回波的研究力度，利用二维变分模态分解(2D-VMD)特征提取算法开展呼吸心跳信号的提取研究，并利用统计分析方法中的主成分和独立成分分析方法研究呼吸心跳信号的提取、分离；明晰导航增强型UWB电磁信号用于救援领域时的优势，分析多维尺度变换算法与最小二乘法融合的特性，并探究二者提取呼吸心跳信号的精度。在医疗健康场景运用遗传算法优化机器学习，并基于改进型机器学习优化样本数据库，以实现提高呼吸心跳信号识别准确度的目标，促进对人员健康/疾病的判别；同时应加大最大比率融合技术和VMD算法提取心跳信号频率的研究力度。此外，在各场景中可引入先进的多目标检测技术，进行多目标探测研究；同时各场景回波信号处理方法应与数学算法、元学习结合，以提高信号提取的实时性、准确性和鲁棒性，进而适应不同应用场景的探测需求。

(4) 研制、设计雷达探测系统。从雷达自身的角度出发，探究信号设计、网络搭建，通过引入改进型跳时二进制相移键控(TH-BPSK)调制方式设计信号，以增强信号的抗干扰能力；利用拓扑网络加大自组网络体制的搭建力度，以提高雷达网络的覆盖范围和响应速度。未来应进一步升级现有的软硬件系统，基于多输入多输出(MIMO)技术研究天线阵列排布以提升目标分辨能力、基于互补格雷码(参数配置)波形研究抑制复杂电磁环境互相干扰的发射波形、基于半导体技术研制CMOS的微型和低功耗UWB雷达芯片，进而展开多通道UWB雷达的同步机制、跨通道干扰管理研究，并基于嵌入式等效技术研制嵌入式UWB雷达；同时从寻找降低脉冲发射频率和提高单个脉冲发射能量之间平衡的角度，优化UWB雷达硬件设施；开创适合于微弱信号检测的UWB雷达实验系统研发领域，最终构成在复杂环境可精确识别人体目标不同运动状态与微多普勒频移的导通一体化雷达探测系统。