人体步态是一个全身肌肉骨骼协调运行的复杂机制，具有特异性，可作为身份识别或临床疾病诊断的依据，在灾害救援、战场救护、反恐安保及医疗卫生等领域有着广泛的应用价值。传统的步态非接触检测技术主要包括光学图像和超声等，其易受光线、能见度及障碍物等因素影响。近年来，生物雷达技术发展迅猛，基于生物雷达的人体步态信号非接触检测技术更具优势，主要表现在：不受光线影响，可全天候识别；可穿透衣物、伪装甚至墙壁；可在烟、尘、雾等能见度低的天气条件下使用等。论述了生物雷达技术非接触检测人体步态的技术原理和方法，综述其研究现状，并对其发展趋势进行展望。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
人体的探测识别主要是利用各种技术手段获得人体生理或行为特征，从而对个人身份进行鉴定[1]，在灾害救援、战场救护、反恐安保及医疗保健等领域具有广泛的应用前景。其他个人身份特征识别技术一般依靠指纹、虹膜及人脸等，而步态检测技术无需受试者配合、不需其接触识别设备，具有非侵犯、易采集、目标不易隐藏及伪装等优点[2]，因而受到国内外研究者的关注。目前，人体步态的非接触检测多采用光学图像、超声及生物雷达3种方式。
基于光学图像的步态非接触检测技术包含目标追踪、视频获取、图像处理与识别等多项内容。首先对视频系统捕捉到的目标进行跟踪检测，并通过图像处理技术提取目标的步态信息，再与样本数据库中储存的数据进行比对，从而对目标进行分类与识别[3]。基于超声步态非接触检测则利用机械波的多普勒效应，用频率极高的机械波照射运动人体，因其回波含有经过人体运动调制的多普勒信息，通过对回波进行信号处理，即可将人体运动的多普勒信息提取出来，进而确定人体的步态参数[4]。
以上两种步态非接触检测方式均能获取人体步态参数，但受光线、能见度及障碍物等外界因素影响较大[3,4]。相比较而言，基于生物雷达的人体步态信号非接触检测技术更具优势，其主要表现为不受光线影响，可全天候识别；可穿透衣物、伪装甚至墙壁；可在烟、尘、雾等能见度低的天气条件下使用等[5]。因此，基于生物雷达的人体步态非接触检测技术具有重要的研究意义。
本文重点讨论了基于生物雷达技术非接触检测人体步态信号的原理和方法，阐述其研究现状，并对生物雷达技术检测人体步态的发展趋势进行展望。
步态参数是指对人体在行走、跑步等运动形式下的基本运动参数，包括速度、加速度和频率等。医学研究结果表明，人体步态参数含有24种不同的内容[6]。基于生物雷达的人体步态信号非接触检测技术使用生物雷达发射的电磁波照射目标，并对目标反射的回波信号中所包含的人体躯干和四肢运动的微多普勒信号进行分析研究。通过各种信号处理技术从回波信号中获取人体步态参数，从而判断人体的运动状态；此外，还可应用于从多种目标中特别是从多种生物体中，检测出感兴趣的人体目标，甚至可进一步提取其行为特征，进行比较分析，从而鉴定个人身份[7]。基于生物雷达的人体步态信号非接触检测技术主要包括3方面内容，即生物雷达技术、人体步态信号提取技术及信号处理技术（图1）。
在人体步态信号非接触检测技术研究中，生物雷达的主要作用是将人体行走产生的步态信号转变为电信号。目前，生物信号的探测主要采用连续波生物雷达以及冲激脉冲生物雷达两种体制的生物雷达技术[8,9]。
连续波生物雷达（continuous wave bio-radar, CW bio-radar）可不间断地发射单频或多频电磁波。由于单频CW生物雷达带宽较窄，只能对目标测速，无法获取目标的距离信息；多频CW生物雷达因其频带较宽，具有一定的测距能力，甚至可识别出目标活动与否。目前，应用于人体信号探测领域的CW生物雷达主要为单频连续波雷达（single-tone continuous wave radar, STCW radar）、步进频连续波雷达（stepped-frequency continuous wave radar, SFCW radar）及线性调频连续波雷达（frequency-modulated continuous wave radar, FMCW radar）。CW生物雷达的主要工作原理：雷达向人体连续发射电磁波，根据多普勒原理，回波信号将被人体行走产生的步态信号调制，其频率、相位等参数将发生改变；利用天线采集到回波信号后，再选择合适的技术即可从这些变化中提取出人体步态信息[10]。原理框图如图2所示。
冲激脉冲生物雷达（impulse radio ultra-wide band bio-radar, IRUWB bio-radar）的信号带宽与其中心频率之比（相对带宽）较大，是一种分辨率可达厘米级的高分辨率雷达。IRUWB生物雷达发射包含各种频率的脉冲，可在一定程度上克服窄频段吸波材料的吸波效应，其能穿透植被、泥土甚至墙壁等，穿透能力较强。另外，IRUWB为具有较成熟的抑制杂波干扰和多径干扰的技术，因此可对单个或多个目标进行高分辨率成像。与CW生物雷达原理不同，IRUWB生物雷达检测人体步态参数主要依靠由人体运动对回波脉冲序列的重复周期的调制。当运动的人体被脉冲形式的电磁波束照射时，人体反射后回波脉冲序列的重复周期将发生变化，而这种重复周期与人体运动的速度和频率有密切关系，因此通过对回波脉冲信号的重复周期进行分析，即可得到人体步态信息[11]。原理框图如图3所示。
在人体步态非接触检测技术研究中，CW生物雷达可获取运动人体不同部位的丰富信息，并有极高的分辨率[12]，因而应用较为广泛。
物体运动会对雷达发射的信号产生影响。具体表现为：面向雷达运动会使反射信号频率增加，反之则使反射信号频率降低，这种对于雷达发射信号的调制称为多普勒效应。当人体相对于雷达运动时，会对生物雷达接收到的回波信号的频率产生调制，即多普勒频移。对于一个以恒定速度运动的目标，多普勒频移不随时间发生改变。当物体部分组件发生微动，如震动或转动时，也会对雷达信号产生调制，回波信号将会随时间而发生改变，这种明显区别于物体整体运动产生的多普勒频移称为微多普勒效应[13]。
微多普勒是目标固有运动形式的表征，通常取决于目标的动力学特性和质量分布特性等物理属性[14]。现实中，许多物体都会产生微多普勒效应。如运动的汽车的引擎盖、飞机的螺旋桨、人体行走时摆动的四肢等。与多普勒信号相比，微多普勒信号频率高、强度低，其物理实质是由于目标微小运动而造成目标表面的等效散射点与生物雷达的相对距离的改变而引起的多普勒效应[15]。当雷达照射人体时，由躯干、四肢运动产生的不同的多普勒回波信号含有不规则运动产生的微多普勒特征。通过研究这些微多普勒特征，即能获得目标的步态信息，进而提取步态参数。因此，获取人体行走产生的微多普勒信号对于提取人体步态参数具有重要意义[16]。
在整个步态周期中，人体的四肢和躯干都在以不同的相对速度移动。生物雷达接收到的信号为人体各组成部分因微动而对雷达信号调制的总和。若能通过信号处理的方法，从回波信号中提取出人体躯干、四肢等各部分的多普勒频率特征，即可获得人体步态参数[17]。传统的信号处理技术，如傅里叶变换（Fourier transform, FT）可从各种多普勒频率特性中提取人体步态参数。
微多普勒特征提取的关键在于多普勒的估计。然而，人体步态的微多普勒信号随时间呈非线性变化，因此采用傅里叶分析方法将会丢失重要信息，并不能够展示其频率的时变特性。多数研究者采用时频分布来分析微多普勒信号，采用的方法通常有短时傅里叶变换、小波变换及魏格纳-威尔分布等[18]。
由于傅里叶变换不能表述信号的时频局域特征，为此，Gabor提出了短时傅里叶变换（short time Fourier transform, STFT）。其基本思想是将目标信号分割成多个小的时间片段，再分析每一个时间片段，确定该时间片段存在的频率。STFT的表达式为
式中：g（t）为窗口函数，在STFT的过程中，g（t）与ejωt分别起着时限和频限的作用；由g（t）所确定的窗口随着时刻τ的变化在时间轴滑动，信号x（t）就会随着滑动逐渐进入窗口，从而进行分析。由此可见，STFT为信号x（t）中，频率为ω、时刻为τ的信号分量相对含量的表征。在[τ-δ，τ+δ]、[ω-ε，ω+ε]中信号的形态就是在g（t）这一窗函数上的展开，即窗口。δ与ε对应g（t）的时宽和频宽，这两个参数确定了STFT的分辨率，窗口越大则分辨率越低，窗口越小则分辨率越高。因此，STFT在一定程度上弥补了FT无法对信号进行局部分析的缺陷[19]。
根据海森堡测不准原理，δε≥1/2，δ、ε之间相互制约，不能同时减小，这就是STFT自身不可克服的缺陷。矩阵窗口的形状由g（t）确定，τ、ω这两个参数虽然可以改变g（t）在相平面的位置，但无法改变g（t）的形状。这就意味着STFT的分辨率实际上是不变的，只能通过重新选择g（t）来改变。因此，STFT在处理准平稳（窗口下平稳）信号效果尚可，但分析非平稳信号时仍不够完善[20]。
小波变换（wavelet transform, WT）是傅里叶变换思想的延伸。设ϕ（t）∈L2（R），若其傅里叶变换ψ（ω）满足条件
式中：ϕ（t）即为一个基本小波或小波母函数。将ϕ（t）按照伸缩因子a、频移因子τ进行伸缩和平移，得到ϕa，τ（t）
式中：ϕa，τ（t）即参数为a，τ的小波基函数。函数x（t）的连续小波变换是将任意L2（R）空间中的函数x（t）在小波基下进行展开，其表达式为
WT是一种有尺度a、平移τ两个参数的积分变换，是时间函数在二维时间—尺度相平面上的投影。WT虽然有固定的窗口大小(面积)，但其窗口形状可以通过参数来改变，是一种有效的时频局部化方法。其在信号的高频部分时间分辨率较高，而在信号的低频部分频率分辨率较高。WT的这种时频综合分析能力，使其在人体步态信号处理中占有重要地位[21]。
若信号x（t）和y（t）的FT分别为X（jΩ）和Y（jΩ），则x（t）和y（t）联合魏格纳-威尔分布（Wigner-Ville distribution, WVD）定义为
信号x（t）的自WVD定义为
WVD作为分析非平稳时变信号的一种重要工具，改善了STFT的一些问题。WVD可被视为时域和频域中信号能量的分布，其物理定义比较清晰。由卷积定理可知，多分量信号的WVD会出现振荡的交叉项，结果会严重影响信号的时频特征，其幅度甚至可以两倍于自项。因此如何有效抑制交叉项是WVD应用中的主要问题。多分量分离法、预滤波法以及辅助函数法等先后被提出，以抑制或削弱多分量信号的交叉项干扰[22,23]。
在上述几种信号处理方法中，STFT计算简单，且不产生交叉项，但时频分辨率不够高；WVD的峰值可能是因交叉项而引起的的错误映象，严重影响信号在时频域上真实谐波分量的表征。此后，国内外学者提出了多种方法，以克服交叉项干扰，从而提高WVD的分析精度。Cohen类时频分布是其中一类重要的分析方法，如平滑伪WVD、Choi-Willlsms分布、Cone核分布等。Cohen类时频分布以核函数加权的模糊函数二维FT为基础，虽然分辨率较高，但也容易产生交叉项，需要设计核函数对交叉项进行抑制，在人体步态信号处理的实际中往往根据需要在交叉项抑制和时频分辨率之间取其折衷[24,25]。
由于生物雷达的步态识别技术起步较晚，其研究主要集中在美国、英国等一些发达国家。早期的雷达因为技术水平所限，只能完成一些大型目标的识别。随着雷达技术的发展，生物雷达首先被应用于人体呼吸、心跳等生理参数的检测。20世纪70年代初，生物雷达被Caro和Bloice两位学者[26]首先应用于检测人体生命参数，他们采用非接触检测的方法对人体呼吸暂停进行了检测实验。美国海军研究实验室的Chen[27]提出了微多普勒概念，推动了基于生物雷达技术的人体步态非接触检测技术的发展。他将除物体的主干运动外，物体或物体结构部件的振动、转动等微小运动称为微动[27,28]。Geisheimer等[29]将生物雷达技术应用于人体步态检测。他们利用一台10.5 GHz的连续波雷达来检测人体行走产生的微多普勒信号，并使用STFT与线调频小波变换（chirplet transform, CT）对信号进行处理，从人体步态信号中获取了不同的特征。他们建立了人体点线模型，以对数据进行了仿真；并将仿真数据与雷达实际采集到数据进行了对比，从而对人体行走时四肢及躯干等各部分产生的雷达信号进行了分解与鉴别[30]。van Dorp和Groen[31]以Boulic等[32]提出的Thalmann模型为基础，研究了人体运动参数估计。Thalmann模型将人体视为由若干圆柱体和椭圆体等几何体组成，再根据雷达截面（RCS）公式计算它们的雷达回波，进而提取其微动特征。van Dorp等的研究使实时估计人体姿态参数成为可能。之后，他们还利用Boulic模型[32,33]研究了一种基于特征的从雷达数据估计人体运动参数的方法。与基于模型的方法相比，新方法准确性相当，但处理速度更快[34]。Otero[35]详述了利用CW雷达获取人走路时产生的多普勒特征信号，并利用傅里叶变换分析信号。这些关键特征信号在人类行走运动中具有代表性。他们针对不同性别的人进行了试验，并开发了一个简单的分类系统来进行识别。这种系统可应用于安全保卫、门禁系统、边界监控等领域。德克萨斯大学的Ling和Lin[36]通过一台工作频率从4~10 GHz可调的零差频I/Q双通道探测雷达对人体步态信号进行了研究。他们从雷达接收到的多普勒数据中提取了近似为常量的人体躯干多普勒频移和正弦式的手臂多普勒频移，并估计人体行走时的摆臂频率约为1.2 Hz。Anderson和Rogers[37]采用X波段多频连续波雷达对人体、动物运动的微多普勒特征进行了探测实验研究。他们针对各种非合作目标，对不同的雷达入射角、人体目标及运动模式下的微多普勒特征进行了分析。研究发现，不同目标、不同运动模式下的微多普勒存在明显不同，这种差异具有可识别性。Tahmoush和Silvious[38]使用雷达从正面提取人类远距离运动产生的微多普勒信号，并把其作为生物特征。他们在户外低噪声背景下从正面远距离测量了多个人体目标，并利用视频和GPS数据来验证雷达数据与地面实况，正确识别率可超过80%。基于微多普勒信号依赖于运动的方向的原理，他们还讨论了降低运动方向影响的方法[38]。
以上研究者初步建立了基于生物雷达的人体步态非接触检测系统，完成了其基本架构，使得识别人体步态成为可能。但其分辨率、精确度及抗噪声能力普遍不高，这些方法只能用于实验环境下的人体步态识别。随着相关技术的不断进步，近年来的研究已越来越多地将人体目标手臂的运动考虑其中，以提供更加精确的识别结果。Orović等[39]介绍了一个基于雷达数据时频分析的新方法对人类步态进行分类识别。该法重点研究了人体行走时双臂自由摆动、单臂摆动和不摆臂3种模式的区别，并利用手臂的正负多普勒频移与他们的相对发生时间对人体步态进行分类。通过使用Hermite S方法获得了稳定的雷达数据时频特征。首先获取了雷达数据时频特征的包络线和周期长度，之后再区分是否有胳膊摆动以及到底有几条胳膊摆动，最后利用一组真实的雷达数据以不同的入射角对不同的人体目标进行测试。显示该方法具有非常理想的分类率[39]。Tivive等[40]使用了一种三级分类方法来分类人体步态。主要研究了自由摆臂、一条手臂固定以及不摆臂3种行走模式，并采集了无遮挡条件下5个与雷达成0°和30°夹角的目标前后走动的数据用于测试。此新方法的优越性在于其对于数据失调及目标前后移动，包括转向时表现出的加减速阶段的鲁棒性较好。
手臂因素的引入大大推动了基于生物雷达的人体步态非接触检测技术的发展，但其只能用于特殊情况（目标手臂活动受限）下人体步态的检测。有研究者考虑了人体目标在各种环境下的步态识别方法，以期获得更好的人体步态检测效果。Andrić等[41]研究了从运动人体目标反射的多普勒雷达信号中提取特征的方法。他们采用了自相关函数和频谱图的方法对单人体目标和多人体目标在沥青道路及崎岖道路两种地形行走和跑步两种方式进行了研究，发现人体目标在崎岖地形行走时，其频谱图上反映的高次谐波较沥青道路行走明显降低。该方法对于单个人体目标效果较好，但对于多人体目标仍然不可靠，无法提取步态特征。Amin等[42]研究了正常人与使用拐杖辅助行走的人的步态特征。他们使用时频信号表征来提取与研究步态相应的时变的多普勒特征，并利用时频信号的宽度比和平均强度差作为识别是否使用拐杖的关键特征；同时还研究了雷达与目标之间的角度对于识别的影响，发现时频信号宽度比在此情况下性能稳定，而其平均强度差受到的影响较大。
基于生物雷达的人体步态非接触检测技术从提出到实现，依赖于生物雷达技术及信号处理技术的发展。生物雷达技术的革新及新的、更有效的信号处理技术的出现，都将为基于生物雷达的人体步态非接触检测技术的发展带来新的契机。基于生物雷达的人体步态非接触检测技术在未来的发展趋势将集中于以下3个方面。
（一）应用于医学研究领域。在临床工作中，有很多疾病会造成人体下肢病变，而引起步态变化。生物雷达可对步态异常进行分类与量化，从而为分析和诊断病情、制定治疗方案提供参考。同时，步态分析还可记录患者的步态参数，并与健康人的参数进行比对，从而对患者的康复情况进行健康评定。此外，基于生物雷达的人体步态非接触检测技术可在不对人体产生影响的情况下获取步态参数，从而为步态异常的基本过程和机制及关节、骨骼、肌肉等活动方式的医学研究提供参考。
（二）人体步态成像。这是目前生物雷达技术领域尚未解决的一个难题,也是基于生物雷达的人体步态非接触检测技术向前发展的一个关键问题。目前，用单一技术解决目标特征的精确获取进而进行成像较为困难，可考虑融合多种技术,形成新型生物雷达的关键技术体系，以从目标提取更多关键信息。同时，对于信号的采集与处理方法尚需进一步探索。
（三）生物雷达的小型化。小型化是基于生物雷达的人体步态非接触检测技术发展的又一趋势。与视频、超声等步态识别方法相比，生物雷达的体积普遍偏大，其便携性、可靠性有待提高。生物雷达小型化将为其在人体步态非接触检测技术应用中开辟更为广阔的发展前景。
无
