运动信号（精选八篇）
运动信号 篇1
大脑控制着人类的思维、情感和运动, 是一切人类活动的中枢。然而, 有多种疾病, 如脑瘫、肌萎缩性脊髓侧索硬化等, 可以损伤大脑与外部环境进行交流和控制的神经肌肉通路, 使人部分或全部失去自主的肌肉控制。近年来, 随着信息科学、计算机科学和数理科学的飞速发展, 出现了一种不依赖于传统的神经肌肉通路, 在大脑和外部设备之间直接传递信息和命令的技术———脑-机接口技术[1] (Brain-Computer Interface, BCI) , BCI系统基本结构如图1所示。BCI系统通过对脑电波信号的识别和分类, 达到解读人的思维、并进一步将其转化为某种控制信号, 以帮助思维正常但存在某种运动障碍的人实现对外界设备进行控制的目的[2]。
在BCI系统中被广泛应用的脑电信号即运动想象脑电信号 (Electroencephalogram, EEG) 。它是人在想象肢体运动而没有实际肢体动作的情况下, 在相关的头皮电极位置记录到的大脑神经元群体的自发性电位活动信号[3]。运动想象脑电信号的分类研究是BCI研究领域中的一个重要分支, 受到了国内外众多专家的关注。
1 运动想象脑电信号采集
本课题对运动想象脑电信号的分类识别方法进行研究, 实验系统装置使用美国Neuroscan公司的16导脑电采集设备采集完成的。电极安放标准参照国际10-20电极放置法, 参考电极置于两耳后乳突位置, 标准电极安装法如图2。
实验的受试者为两名身体健康的在校学生, 两人均为右利手。实验过程如图3所示。受试者安静地坐在电脑前, 保持放松, 在听到Beep的提示音后, 提示受试者开始实验, 在1秒到6秒内受试者根据电脑屏幕上的提示符进行左手、右手或脚的运动想象, 6秒到10秒提示符消息提示受试者休息, 10秒之后开始新一轮实验, 实验采样频率为250Hz。由于脑电信号中常伴有心电、肌电和工频干扰等噪声, 我们首先对采集的脑电信号数据进行0.5-100Hz的带通滤波和50Hz的陷波滤波。实验共采集到两位受试者的各4组数据, 每组数据均包含75次随机运动想象任务。其中, 左手、右手和脚的想象任务各25次。
2 运动想象脑电信号预处理
为了减少多电极的复杂性, 本文选用FC3, FCz, FC4, C3, Cz, C4, CP3, CPz, CP4九导做数据分析。又因人的脑电信号频率范围为0.5-50Hz, 与运动想象脑电信号密切相关的mu节律对应的频率范围是8-13Hz, 为了滤除其它节律的干扰, 只对运动想象ERD/ERS现象[4]对应的mu节律范围进行分析处理, 本文使用加窗滤波的方式, 对运动想象EEG数据集的每一通道用中心频率为12hz, 通带为10-14hz的带通滤波器进行滤波处理。
下面对每位受试者训练集中滤波后的的每一类运动想象EEG实验数据, 利用 (1) 式进行平均能量分析, 以便找出运动想象任务对应的ERD/ERS现象比较明显的时间段[5]。假设x (i, j) 为某一类运动想象任务中第i次实验数据的第j个采样点数值, 则有:
其中, N=25;i=1, 2, …, 25;j=1, 2, …, 2250。
经分析后发现, 受试者在运动想象任务开始后的0.5-5秒内的数据能量特征区分度较为明显。因此, 我们只截取每次运动想象任务中0.5-5秒时间段的实验数据 (9*1125的矩阵) 进行分析。
3 脑电信号的盲源分离
独立分量分析 (Independent Component Analysis, ICA) [6]是一种可用于解决盲源分离问题的数据分析工具, 它可以从EEG信号中分离出干扰信号, 进而增强源信号的特征提取效果。
将某次实验获得的脑电观测信号表示为x=[x1 (t) , x2 (t) , …, xn (t) ]T, 其中n为通道数。这种n维的脑电观测信号实际上是由m个相互独立的非高斯源组成的源信号s=[s1 (t) , s2 (t) , …, sm (t) ]T在空间上线性混合而成的, 即:
假定m<=n, 在源信号s和混合矩阵A都未知的情况下, I-CA要解决的问题就是选择合适的优化方法, 求解出一个解混矩阵 (分离矩阵) W, 使其作用于观测信号x后所得的估计信号u=[u1 (t) , u2 (t) , …, um (t) ]T的各个分量尽可能地相互独立且最逼近未知源信号s。即:
目前, 常用的ICA算法有:互信息极小算法、极大似然算法、JADE算法、Fast ICA算法等。由于脑电信号一般同时包含超高斯和亚高斯分布的独立分量成分, 因此选择可以同时适用于这两类信号分离的基于信息极大准则的扩展Infomax算法对分离矩阵进行估计[7], 分离矩阵W的调整公式为:
式中的I为单位矩阵, K是概率模型切换矩阵, kii为K对角线上的元素, 当kii=1时, 对应超高斯信号, kii=-1对应亚高斯信号, kii的取值可通过估计信号的峭度来确定, 即:
4 脑电信号的特征分析
由于ICA算法所需的样本信号的构成比较灵活, 既可以随机选择一次实验的全部或部分数据, 也可以拼接多次连续实验的数据或者多次不连续的实验数据等。因此, 我们将10-14hz滤波以后的每个训练样本均截取0.5-5秒时间段的数据, 然后进行拼接, 用来设计ICA空域滤波器。经ICA空域滤波后, 可以提取出与想象任务相关的脑电成分, 得到与导联数相同的一组滤波器。再从多导联运动想象数据中, 选择与左手、右手和脚的运动想象相关的滤波器作用在滤波后的信号上。
假设X为原始EEG数据, Wl, Wr, Wf分别为左右手和脚三类想象任务提取的滤波器。利用 (6) 式求出X的协方差矩阵, 按 (7) 式来定义三类样本的特征向量, 则每个EEG实验样本数据提取到的特征向量可表示为 (8) 式, 它们即为运动想象EEG信号进行后续模式分类的依据
5 脑电信号的分类识别
由于运动想象脑电信号具有非线性、非平稳的特点, 而支持向量机 (Support Vector Machine, SVM) 是在解决小样本、非线性、高维数和局部极小点等实际问题中表现出许多特有的优势[8], 因此, 本文选用SVM作为运动想象脑电信号的分类器, 以径向基函数RBF作为核函数, 利用网格搜索法来确定惩罚因子C和核参数γ取值, 即设定γ和C的取值范围为2-10-210, 在不同的γ和C的取值交叉形成的所有网格中进行搜索, 采用5-fold交互检验模式来搜寻γ和C的最优取值。
按照以上方法, 分别将每位受试者的四组数据中的某一组作为训练集, 剩下三组作为测试集, 在训练集的每个样本信号中分别提取三种运动想象类别对应的ICA滤波器, 并将它们作用到测试集对应的样本信号上, 测得的分类正确率和平均正确率如下表1和表2所示。
6 结果分析
从实验结果来看, 基于ICA和SVM的运动想象脑电信号处理方法取得了较好的分类效果。但是, 由于脑电信号是一种非平稳的随机信号, 在采集和处理的过程中, 又极易受到各种噪声的干扰, 且运动想象ERD/ERS现象的最优频段和时间段也会因人而异。因此, 两位受试者的分类效果存在一定的差异。如何针对不同的受试者进行频域段和时间段的个性化分析和优化选择, 以便进一步提高运动想象EEG信号的分类正确率将是下一步研究的重点。
摘要：本文对脑-机接口系统采集到的运动想象脑电信号进行预处理, 利用独立分量分析技术进行盲源分离, 经特征提取后, 实现了基于支持向量机方法的运动想象脑电信号分类识别。
关键词：运动想象,脑电信号,特征提取,支持向量机
参考文献
[1]王斐, 张育中, 宁廷会, 等.脑-机接口研究进展[J].智能系统学报, 2011, 6 (3) :189-199.
[2]Virts J.The third international meeting on brain-computer interface technology:making a difference[J].IEEE Trans Neural Syst Rehabil Eng, 2006, 14 (2) :126-127.
[3]孟霏, 张旭秀.运动想象脑电信号的特征提取和分 (下转第90页) 类进展[J].北京生物医学工程, 2013, 32 (2) :209-214.
[4]Currana E A, Stokesa B M J.Learning to control brain activity:Areview of the production and control of EEG components for driving brain-computer interface (BCI) systems[J].Brain and cognition, 2003, 51 (3) :326-336.
[5]陈黎黎, 国红军, 陈国龙.基于ERD/ERS现象的运动想想脑电信号分类研究[J].陕西师范大学学报, 2015, 33 (4) :157-161.
[6]吴小培, 叶中付, 郭晓静, 等.运动意识脑电的动态独立分量分析[J].中国生物医学工程学报, 2007, 26 (6) :818-823.
[7]郭晓静.独立分量分析在脑-机接口中的应用研究[D].合肥:安徽大学, 2010.
运动中的十大身体信号 篇2
2.饥饿难耐——激烈运动后，暂不想吃饭，休息后食欲好，是正常现象。如果长时间不想吃饭而且厌食则属异常。应去检查消化功能。运动后食欲增加，属正常生理现象。但若食量骤增且持续，应去内分泌科检查胰腺分泌功能。
3.头晕目眩——在健身活动中，除开始练习某些旋转动作外，都不会出现头晕的感觉。若发生持久或短暂的头晕，是心、脑供血不良的信号，还要注意心血管系统和颈椎方面检查。
4.头痛心慌——在一切体育活动中或活动后都不应发生头痛感。发生头痛时，应停止活动，侧重于神经、心脑血管系统检查。
5.精神疲惫——是肾虚的表现，同时要考虑肝脏受损。中医认为，肝为“罢极之本”，因此肝病患者应减少运动量，如减轻活动量仍感持久疲乏，应检查肝脏和循环系统。
6.四肢无力——健身活动后没有力气是正常现象，一般在活动后休息十五分钟左右应有所恢复，如果持续数日不能恢复，则表明脾受损的信号，因为脾主四肢肌肉，如伴有胃胀不食就更应减少运动量。
7.喘息气粗——喘在运动中是一种正常现象，随着运动的不同强度会发生不同程度的喘，经休息可恢复正常，这属正常生理现象。如轻微活动就喘，且休息时间很长还不能恢复，这可能是肺受损的信号，因为肺主气、司呼吸，肺气受损则气粗，肺气虚则喘息无制。出现这种情况时应停止活动，侧重呼吸系统检查，诊疗。
8.胸部大汗——运动一般会出汗，如果运动过度，前胸大汗，同时伴有气短，则可能心脏受到影响的信号，因为汗为心之液，此时应立即停止剧烈运动。
9.关节疼痛——若发生在关节或关节附近疼痛并有关节功能障碍，应考虑韧带是否拉伤。此外，由于女性身体力量较弱，做运动时也很容易发生膝关节半月板受伤。而时下流行的“暴走族”，则可能产生一种“行军骨折”的后遗症，即筋骨出现疲劳性骨折或骨膜炎，导致暴走后脚疼痛不已。同时还要注意麻、肿等异常感觉。
受体细胞信号转导运动与规律分析 篇3
关键词：受体,细胞,信号转导,运动,规律
一、受体及细胞信号转导的概念
关于受体的研究已经有百余年的历史, 有研究人员认为在细胞上存在若干个侧链, 如果在细胞结构上的侧链基团与毒素分子集团相结合, 于是将这些侧链称作受体。随着受体研究的不断深入, 现今对受体的定义为:存在于细胞表面的一种分子集团, 能够对一些具有生物活性的信号配体进行识别, 并与之结合, 激发生物化学反应的发生, 从而产生具有一定的生物效应的具有特殊性的糖脂或者蛋白质。受体概念的产生是生物学界研究发展道路上的一座里程碑。如今, 在信号在细胞中的传递, 受体对信号的识别、信号在通路中的传导以及细胞内效应三个环节相互依存, 相辅相成。毒素集团以及药物都选择自身适合的受体产生作用, 达到细胞间信息传递的目的。
细胞信号转导是一个生物学效应的过程, 受体位于细胞内或者细胞的胞膜内, 当其受到来自细胞外部信息分子的刺激后, 受体细胞利用信号转导系统对刺激信号进行调控和转换同时进行信息传递。细胞信号转导系统具有组织性、严密性、网络化的特点, 外界刺激对细胞产生刺激作用, 通过信号传递途径向细胞内进行信息传递, 对各种转录因子进行激活刺激, 从而对细胞的生长、发育以及其功能进行活性调节, 进而产生各种生物学效应。通过对细胞信号转导系统的结构和机理的研究和探讨, 来对细胞的全部生命过程进行细致的研究, 对其在多个方面的具体表现以及其各项机能的调控方法加以认识。
二、细胞信号转导的途径
近几年众多专家学者和研究人员将研究的重心放在细胞信号转导的途径方面, 并对信号转导途径制定了相应的标准:第一, 细胞信号的转导途径手肌肉活动的影响, 肌肉的收缩能够造成信号转导途径的变化;第二, 与运动有关的细胞组织中的基因表达受细胞信号转导途径的调控。第三, 运动信号途径属于关联组织基因的效应, 是局部效应的表现, 与生理活动无关。据此标准, 本文对受体细胞转导运动进行深入的研究和分析。
细胞丝裂原激活的蛋白激酶 (简称MAPK) 信号转导途径在细胞功能的维持和实现中起着非常重要的作用。在真核细胞中有四条蛋白激酶的信号转导途径已经确定, 这些对细胞的生长、代谢、基因转录以及细胞凋亡都具有重要的调控作用。
1. ERK1/2途径
ERK1/2途径即调节细胞外信号蛋白激酶途径, 这一途径是首个已经在哺乳动物中经过严格确认的途径。细胞信号无论是生长信号还是分化信号都利用这一途径进行信号的传导。信号传导以细胞中的生长因子和酪氨酸激酶为传导介质, 对激酶按照一定的顺序逐个进行激活。ERK1/2激活转录因子在对其进行活化以后结合到SRE对转录进行启动;同时ERK1/2在活化后也能够对转录因子Stat3进行激活作用, 从而启动转录。ERK1/2可以对转录因子产生磷酸化的作用, 从而对转录因子产生激活的作用同时对细胞的胞浆底物产生磷酸化的作用。
2. JNK途径
对细胞内的JNK途径激活, 可通过氧化应激、照射紫外线等方式进行激活作用。细胞在应激的状态下, 激酶按照一定的次序被逐个激活。转录因子受到活化的作用与元件相结合启动转录。JNK途径可对诱导型的生物合成进行调控, 在应激状态下, 随着诱导型NO数量的增加, 可以起到舒张血管的作用, 对激素的产生进行调理。
3. p38途径
p38信号转导途径的激活可通过紫外线、渗透压应激等产生激活作用。细胞因子按照一定的顺序进行逐个激活, 活化的p38MAPK对MAPKAP激酶2具有进一步的激活作用, 同时还对转录因子有激活作用。
三、AMPK信号分子在运动中的作用
运动会改变骨骼原有的肌能量代谢能力, 这是AMPK酶调节的直接结果, AMPK酶能够对骨骼肌能量在产能和耗能方面都具有调节的作用。人体在进行较大强度的运动以后, 骨骼肌的AMPK酶的活性大大增强, 同时对转录银子的磷酸化作用也大大增强。运动对AMPK的激活作用能够使骨骼肌葡萄糖的利用率大大提高, 同时受转运载体的调节作用促进了其在肌体内的转运。AMPK对于运动有关的基因转录也同样起到调节的作用。当AMPK被激活后, 可促进骨骼肌和基因表达。AMPK的激活过程与细胞核呼吸因子增加有关。
四、运动诱导细胞凋亡的信号机制
特异性蛋白水解酶在细胞凋亡的信号转导中起着非常重要的作用。人体骨骼肌细胞的凋亡很可能是因为运动的过程中将一系列的蛋白酶产生了激活和活化的作用, 从而使骨骼肌细胞发生凋亡。研究结果表明, 细胞凋亡信号的转导的过程是多条不同的通路相互交织, 多种信号相互产生作用, 共同构成一个复杂的信号网络系统。运动诱导细胞调往信号机制的研究还有待日后更加深入的开展研究工作
参考文献
[1]贺师朋.受体研究技术[M].北京:北京大学医学出版社, 2013.
[2]李琳燕, 侯丕宇.瘦素及其受体与运动[J].沈阳体育学院学报, 2012, 20 (1) .
运动后留心身体的5个“求救”信号 篇4
头痛 许多人运动后不但没有达到想要的健身效果，反而头痛了，这究竟是什么原因？运动时，交感神经较为兴奋，如果缺乏适当暖身，或进行非规律性的运动时，就有可能会导致头痛。大部分头痛只要休息就可获得改善。但预防胜过治疗，应确实做好运动前的暖身，让身体提早做准备，或是避免太过剧烈的运动。
腹痛 腹痛是运动后很多人会出现的不舒服状况，常发生在跑步者身上。究竟什么原因导致这个现象，目前仍众说纷纭。比较具有共识的说法为血液含氧量不足、核心肌群无力。呼吸不顺畅、饭后立即运动，甚至缺水，也有可能导致短暂腹痛。预防腹痛发生，运动前适度的伸展暖身很重要。此外，建议正餐后约2小时再运动，让食物尽量完全消化，可降低腹痛发生的几率。
肌肉酸痛 肌肉酸痛主要因为肌肉出现微小损伤，或是迟发性肌肉酸痛，俗称铁腿，皆属正常现象，隔天应会好转。但事实上爱运动的族群，尤其是年轻族群，常遵循“痛才有收获”的观念，不小心就过度运动，造成肌肉伤害。冰敷、按摩等方法皆有效，但也可考虑隔天再从事同种运动，只是把强度降低，也会有效舒缓酸痛（编者注：久不运动者，当进行强度较大的运动时，肌肉会释放肌酸，肌酸刺激神经末梢，就会出现运动后肌肉酸痛的症状。肌酸分解排泄后，酸痛就会消失）。
放屁 运动时最令人难以启齿的困扰之一，非放屁莫属。有时候情况轻微，为短暂的胀气现象，偷偷放几下没人会发现。但万一每次运动，都像连环炮怎么办？不要怕排气，应该尽量多走动，一天走个5000步，也有助于改善肠胃蠕动，减少气体堆积，排气情形就会改善。
小腿抽筋 运动时的抽筋，就像一把锥子勾进肉般难以忍受。专家表示，暖身不够是常见的原因。或者因为身体电解质不平衡，也会导致抽筋。血液循环较差的人，也有此风险。例如游泳池的温度过低，末梢神经功能不好的人就很容易抽筋。当下应停止运动，补充水分与电解质饮料，轻轻按摩抽筋部位，切勿硬扳，以防受伤。
（摘自《当代健康报》）
运动信号 篇5
关键词：振动信号,瑞利波,时域分析,频域分析,目标识别
随着民用和军用工业的发展,无论是桥梁监控、仓库监视,还是在军事上对哨位监视、战场探测及人迹罕见恶劣条件的边远地区巡逻,地面探测是不可或缺的一个维度。人员、车辆、装备等目标地面上运动,必然会发出声响、引起地面振动,而地面传感器即可以通过探测这些物理量的变化来发现与识别运动目标。地面目标运动形成振源,其产生的地振波以纵波、横波和瑞利波等形式在地球介质中传播。纵波传播速度快、频率高;横波速度低、能量较弱;而瑞利波频率较低、能量较强,其主要频率成分集中在0～150 Hz范围内。因此在进行振动目标识别系统设计时,主要考虑对150 Hz以内的信号进行处理。在均匀介质下瑞利波的频率与传播速度无关,且无频散性,因此,在获取地面目标信息时通常用瑞利波为分析对象[1]。
对地面运动目标的振动信号特性分析,就是将振动信号作变换处理,从中提取出能够反映特定目标本质属性的特征信息,为实现目标的识别提供充分依据。在信号处理方面,目标信号的特性分析一般在时域和频域中进行。在时域中,单人行走与车辆行驶产生的波形之间有明显的区别。无论是人员行走还是车辆行驶产生的振动信号,在频域中都能找到对应各自信号的特征信息,特别是单人行走与多人随机行走产生的波形,在时域中找不到明显的区别,因此对其采用频域分析是重要的。所以采用时域和频域两种方法对目标信号特性进行分析。
1 信号样本数据库的建立
信号的特征是能够反映目标本质属性的特征信息。目标识别主要是对地面运动目标产生的振动信号进行特征信息的分析与提取,从而识别目标。其根本的方法是匹配,即把分析提取的目标信号特征归属于样本库中和其信号特征相匹配的某一个目标类型,最终根据已知样本库中的目标进行分类识别[2]。所以,要对目标进行识别,建立一个包含所有可能对应目标属性的特征信息的数据库尤为重要。
根据文中的应用需求和使用到的算法,信号样本数据库至少包含3种地面运动目标信号,以及这3种目标所对应的特征信息属性,为地面运动目标振动信号的识别提供原始样本。
在实验测试中,以人员、车辆为典型目标,多次定点采集运动目标的信号。实验条件为良好的水泥地质,环境良好。主要做了以下实验:(1)测试单人行走和多人随机行走产生的地表面振动,定点采集各种距离的信号。(2)测试车辆行驶产生的地表面振动,定点采集各种距离的信号。从中采集和提取目标振动信号的特征信息,并建立信号样本数据库。
2 时域分析
地面目标激励下产生的地面振动信号,主要取决于地质条件、目标的运动状态和目标的距离[3]。图1和图2是用软件KEIL MDK对在外场试验采集地面目标运动产生的振动信号生成的时域图,为便于分析,取时间长度为3 s。时域图的横轴和纵轴分别表示采集的时间和信号幅度。如图1和图2所示,人员行走、车辆行驶产生的地振动信号在时域上具有以下两个基本特征[2]:一是地振动的目标信号同目标与传感器之间的距离有关,随着距离的增大,信号的幅度值逐渐减小;二是由于人的走动对地面的冲击是短暂的,而且相邻步伐之间的时间间隔基本相同,约为0.5 s,所以人员脚步信号具有的特征为每个脚步信号可以看成是周期脉冲式的,近似为离散的;而车辆运动时由于发动机连续发动所产生,故其产生的信号是连续,当然它还取决于车架悬挂系统自振以及传动系统振动等。
2.1 过零数算法原理
过零数是指某一段时间内时域信号的幅度值经过特定阈值的总次数,用这个次数作为地振动信号的时域特征。信号的过零数与采样率密切相关。在信号采样率不变的情况下,信号的过零数与频率有着直接的关系。
若某正弦信号的频率为f,则过零数为
N=kf (1)
即过零数与频率成正比,其中k为比例系数。过零数与信号幅值无关,所以该方法抗干扰能力比较强,在语音、地震动信号识别等方面有广泛的应用。
对于频带范围从f1到f2的平稳高斯随机信号,单位长度内的过零点数与功率G(f)之间存在的关系为
从式(2)可见,若信号的主频f0越高,单位长度内的过零数就越多;若信号的主频f0越低,单位长度内的过零数就越少[2]。
2.2 基于过零数分析的目标识别
从图1和图2中可知,脚步作用时间很短,信号可近似为周期性的脉冲,而车辆信号是连续的,且脚步信号的频数远低于车辆信号的主频,即车辆行驶产生的振动信号的过零数在某段时间内明显多于单人行走信号。所以只要确定的过零阈值在某段时间内使得计算出两类信号的过零数差距够大,就能有效识别出这两种目标。
从实验采集的信号数据库中分别随机抽取15组人员和车辆的样本信号,并分别计算过零数。由于采样频率为1 kHz,采样时间为3 s,所以每组数据有3 000个点。对各组信号进行过零数统计如表1所示。
从表1可知,在15个单人行走样本信号的过零数统计中有14个<110,15个车辆行驶样本信号的过零数统计中有14个>110,即在单位长度内车辆行驶信号的过零数远大于单人行走信号的过零数,所以可通过对单位长度内信号的过零数比较进而识别人员和车辆两种目标。若将过零阈值设定为110,则信号的过零数<110时,识别为人员目标;信号的过零数>110时,识别为车辆目标。对于表1统计的过零数数据,可计算出人员和车辆的正确识别率均为14/15=93.33%。
3 频域分析
信号的频谱分析是研究信号特性的重要手段之一[4]。对于确定信号,可以用傅里叶变换分析其频谱性质,而对于广义平稳随机信号,由于它一般既不是周期信号,又不满足平方可积,严格来说不能进行傅里叶变换,所以通常采用信号的功率谱来进行频谱分析。由于地面目标运动引起的振动信号可以近似为广义平稳随机信号,所以文中对振动信号进行功率谱分析,提取信号特征,从而进行目标识别。然而,实际应用中的广义平稳随机信号一般是有限长的,只能根据有限长的信号来估计原始信号真实的功率谱,这就是功率谱估计问题。
由于周期图法的方差性能差,且Bartlett法方差的改善是以牺牲分辨率为代价,所以文中采用Welch法。
3.1 Welch法算法原理
Welch谱估计法是对Bartlett法的改进,目的是在保持Bartlett法方差性能的同时改善其分辨率,又称加权交叠平均法。其基本原理是:首先,将数据xN(n)分成M段,得到分段数据xN,i(n),可使每一段的部分数据重叠,然后采用一个合适的窗函数对每一段数据进行平滑处理,其次,对各段功率谱
xN,i(n)=xN[n+(i-1)L]w(n) (3)
式中,0≤n≤L-1,1≤i≤M;
3.2 基于Welch法的目标识别
通过对单人行走和多人随机行走产生的振动信号用Welch法进行仿真实验,所得的功率谱如图3和图4所示。由图3和图4可知:单人行走产生的振动信号在频率为40 Hz附近的功率较大,大约在频率为120 Hz附近也有较高功率。而多人以随意的脚步行进时,因为不同的人在不同的时刻对地面产生冲击,信号在时域内正负叠加相消,幅值反而比较小,表现在功率谱域内,其能量较小,谱峰频率主要集中在30 Hz、40 Hz和70 Hz附近。
从实验采集的信号数据库中分别随机抽取6组单人行走和多人随机行走信号,进行Welch法分析,得到两种信号的谱峰频率和谱峰相对强度统计表如表2所示。经目标统计可得信号功率谱特征如表3所示。从表2和表3中根据功率谱的特征信息对单人行走和多人随机行走两种目标可进行识别,即先比较谱峰强度,若谱峰强度在-5～0 dB和15～20 dB之间,则确认为多人目标;若谱峰强度在0～15 dB之间,再比较谱峰频率,若谱峰频率仅在40 Hz附近,则确认为单人目标,若谱峰频率主要集中在30 Hz、40 Hz和70 Hz附近,则确认为多人目标。可见该算法简便、易行,效果好。
4 结束语
对单人正常行走、多人随机正常行走以及车辆正常行驶3种地面目标运动产生的振动信号进行了时域和频域分析,实验结果表明:过零数分析法对于单人和车辆目标的正确识别率高,但对于单人和多人目标信号的识别还欠考虑;而Welch谱分析法对于单人和多人随机行走目标的识别非常有效,且简便形象。但在实际情况下,有多人齐步行走、跑步以及人与车混合等多种情况,此时就要采用时频域相结合,从中提取不同目标的特征向量,利用D-S算法和BP神经元算法相结合,可以提高识别的正确率。
参考文献
[1]朱亚坤.基于传感器阵列的振动目标识别与定位技术研究[D].西安:武警工程大学,2012.
[2]徐照胜.地震动传感器的目标检测和识别算法研究[D].合肥:安徽大学,2010.
[3]蓝金辉.目标地震动信号的特征提取及识别研究[J].振动与冲击,2001,20(4):42-44.
运动信号 篇6
关键词：脑-机接口,特征提取,Mu/Beta节律,能量
1 引言
脑-机接口 (Brain-computer Interface BCI) 是基于把脑电信号 (EEG) 转化为相应的用户命令, 从而建立一种直接在人脑与外部设备之间通信和控制路径的系统[1~2]。该技术可以为那些思维正常但有运动障碍的人 (如严重神经或肌肉伤残患者) 提供一种有效与外界交流及控制的全新途径, 使患者恢复部分运动能力;同时也可以增加正常人的某些功能, 来提高生活质量。脑-机接口在康复医疗行业蕴藏巨大的应用价值, 已引起诸多科研工作者的极大兴趣。
脑电信号的特征提取和分类是脑-机接口中的关键技术之一。在脑-机接口发展史中, 有一个革命性的突破就是把脑-机接口中的学习任务从人转移到计算机, 这样就可以通过在计算机中编写相应的有效算法, 就可以实现脑-机接口系统对脑电信号的特征分析和分类识别, 从而达到人脑与外部设备的通信交流和控制的目的。尽管机器学习技术已经非常成功地应用到脑-机接口系统中, 可是, 由于脑电信号本身十分复杂、低信噪比的特点, 要从微弱的脑电信号中有效区分各种意识活动成分是脑-机接口系统中一个重大课题[3]。
2 实验数据
实验数据采用BCI 2003竞赛数据Data setⅢ, 由奥地利Graz科技大学提供。实验是由一个带有反馈的在线的BCI系统组成, 受试者为一位健康状况良好的25岁女志愿者, 所执行的意识任务为根据屏幕箭头的指示方向来想象左右手运动, 实验数据采集图如图1所示, 每次实验持续9s, 前2s为受试者平静时间, 第2s时, 屏幕出现一个固定不动十字架提示符, 持续1s, 第3s开始, 受试者根据屏幕出现箭头的方向相应地做想象左手或右手运动, 每次实验采集C3、Cz、C4三个通道的脑电信号, 采样频率为128Hz, 每次实验每个通道包含1152个数据。总共做280次实验, 训练组和测试组各140次, 其中训练组已知每次实验想象运动的类别, 这样训练组和测试组的数据集均为1152×3×140。
3 特征分析
研究表明, 人在做真实运动或想象运动时, 相应与运动相关的脑皮质的Mu节律和对手部运动最为敏感的Beta节律会发生能量的减弱或增强, 这种现象称为事件相关去同步化 (event related desynchronization, ERD) 和事件相关同步化 (event related synchronization, ERS) 。在做想象左右手运动时, 对侧脑电信号的Mu节律 (8~13Hz) 和Beta节律 (18~24Hz) 会出现ERD现象, 同时同侧脑电信号的Mu节律和Beta节律会出现ERS现象[4]。C3、C4通道电极位于大脑的初级感觉运动皮层运动功能区, 采集到得脑电信号的变化能反映受试者在想象左右手运动时大脑状态相应的变化, 而Cz作为参考电极。
由此我们可以分析想象左右手运动时C3/C4通道脑电信号的ERD/ERS现象。由图1所示, 想象左手运动时C3通道脑电信号能量增加, 而C4通道脑电信号能量减少, 符合ERD/ERS现象;同样, 想象右手运动时, C4通道脑电信号能量增加, C3通道脑电信号能量减少, 亦符合ERD/ERS现象。
4 讨论
文中由于受试者是从第3s开始进行想象左右手运动的, 所以对3~9s不同时间段进行分析, 分别选取了3~9s、3~8s、3~7s、3.5~8.5s、3.5~7.5s、3.5~6.5s、4~9s、4~8s、4~7s时间段进行多次分析, 对比可得3.5~7.5s时间段的脑电数据进行分类判别效果最好。
参考文献
[1]Heung-Il Suk, Seong-Whan Lee.A novel Bayesian framework for discriminative feature extraction in Brain-Computer Interfaces[J].IEEE Trans Pattern Anal Mach Intell, 2013, 35 (2) :286-99.
[2]H.Cecotti and A.Graser.Convolutional Neural Networks forP300Detection with Application to Brain-Computer Interfaces[J].IEEE Trans.Pattern Analysis and Machine Intelligence, 2011, 33 (3) :433-445.
[3]Reinhold Scherer, Josef Faller, David Balderas, et al.Brain–computer interfacing:more than the sum of its parts[J].Soft Computing, 2013, 17 (2) :317-331.
运动信号 篇7
关键词：不同方式运动,生长期,小鼠,Ihh/PTHrP,信号通路
青春期阶段是骨生长发育的重要时期,在该阶段尽可能多地获取基础骨量对于提高峰值骨量及预防骨代谢性疾病的发生具有重要的作用。骨量的增加主要依赖骨形成增强,生长期骨形成包括软骨内成骨与膜内成骨。软骨内成骨作为躯干骨和四肢骨形成的的主要方式,其也是骨折修复过程中骨痂形成的重要调控因素。该过程受到众多细胞内调节因子的调控,如甲状旁腺激素、甲状旁腺激素相关蛋白等。因此,本研究主要从软骨内成骨的角度着手,来检测是否运动也可以通过调节Ihh/PTHrP信号通路达到促进软骨内成骨并增加青春期的峰值骨量、促进骨长长。
1 Ihh/PTHrP概述
Ihh是Hh家族成员之一,其主要由前肥大软骨细胞分泌,作用于邻近增殖区细胞。Hh是由其分子量约为46kDa的前体蛋白经过自身催化分解产生的。其中主要分解为两个部分:Hh的氨基端和其羧基端。这两部分在其机制发挥过程中具有各自不同的作用,其中氨基端序列是Hh配体全部信号功能的载体,而其羧基端序列则具有自身蛋白水解酶活性。其自身蛋白激活作用机制主要是:Hh的羧基末端能与胆固醇结合,并使氨基末端的半管氨酸进行修饰,使其发生棕榈酰化,从而将Hh前体蛋白转变为有活性的蛋白。Hh蛋白是一种高度保守的分泌性糖蛋白,其在高等动物体内有三种亚型存在,即Shh、Ihh以及Dhh。其中,以Ihh亚型为主,Dhh和Shh表达量微弱。研究表明,Ihh作为骨发育的重要调节因子之一,其对软骨细胞的增殖和分化,以及成骨细胞的分化调节具有重要的作用。研究发现,阻断Ihh信号后,观察到前软骨细胞失去原有形态出现老化现象[1]。
Ihh受体是由Ptc膜蛋白和Smo膜蛋白组成。在人体中存在两种Ptc基因:Ptc1和Ptc2。Ptc作为一种12次跨膜蛋白,其对Hedgehog信号通路具有负性调控作用,其不仅能与Hh配体结合,还能抑制Smo。而Smo作为一种7次跨膜蛋白,是G蛋白欧联受体超家族成员之一,其能使Hedgehog信号通路激活,将细胞内信号进行传导并激活下游靶基因,也是Ihh信号传递的必须受体[1]。
甲状旁腺激素相关肽(PTHrP)最初是由学者从引起高钙血症的恶性肿瘤组织中得到的。PTHrP的表达能导致肿瘤高钙血症和继发的骨溶解作用。由于其N-末端氨基酸序列与PTH相似,并且能与Ⅰ型PTH受体结合而发挥着与PTH相似的作用,故称PTH相关肽[2]。在机体组织内PTHrP不仅分布广泛,而且具有重要的调控作用,其功能主要包括调节细胞的增殖、分化和凋亡及组织内钙的转运等。
此外 ,PTH rP和P T H具有相同 的受体 , 即I型P T H受体(PTH1R)。PTH1R主要分布在骨骼和肾脏组织中,属于G蛋白偶联受体超家族中成员。该受体也具有7个跨膜螺旋结构域,胞外区含有3对以上的二硫键,折叠成网状。并能协同跨膜区共同参与结合配体。其胞浆区形成3个肽段环绊,其中第2、3环绊和羧基末端通过与G蛋白偶联,在调控腺苷酸环化酶—胞浆钙离子—蛋白激酶A途径与磷酯酶C—胞浆钙离子—蛋白激酶C两条信号通路中扮演着重要的角色。研究表明,PTH1R的磷酸化水平对骨代谢的调控起重要作用。因为PTHrP的1~36片段存在着PKA及PKC的激活位点,与PTH1R结合后,通过磷酸化PKA及PKC信号通路,促进成骨细胞的增生[2]。
2 Ihh/PTHrP信号通路与骨形成之间的关系
刺猬蛋白—甲状腺素相关肽(Ihh/PTHrp)信号轴在骨组织代谢过程中具有重要的作用。研究表明,其调控作用主要是由Ihh和PTHrp通过形成一个负反馈调控来影响生长板内软骨细胞的成熟和肥大转变,在软骨内成骨过程中起着关键的作用。此外还发现,Ihh/PTHrP还可以通过骨形态发生蛋白6、转化生长因子β和Sox等媒介物质形成来调节其反馈环达到调控骨代谢的效果[4]。在胚胎发育、软骨内成骨的过程中,Hh信号是间充质肝细胞向成骨细胞的分化发育所必需的,而且研究表明,Ihh/PTHrP信号通路也是调控软骨内成骨的关键调节信号轴。其中,Ihh主要具有促进增殖区内的软骨细胞向肥大软骨细胞转变的功能,而PTHrp的主要功能是维持细胞增殖状态并减缓增殖区软骨细胞向肥大软骨细胞分化的过程,同时它还可抑制Ihh表达。其过程可能是:生长板内,Ihh由前肥大软骨细胞合成分泌,并能够与静止区软骨细胞表面的Ihh受体结合,从而诱导软骨细胞增殖和分化,同时刺激其分泌PTHrP。而PTHrP则能抑制软骨细胞向肥大软骨细胞的分化,且还能反过来抑制前肥大软骨细胞分泌Ihh。两者相互抑制,共同调节生长板内软骨细胞增殖和分化,完成软骨内成骨的调控过程[1]。因此,Ihh/PTHrp信号转导系统在调节骨骺干细胞分化和软骨内成骨中起着重要的调控作用。
虽然目前Ihh/PTHrp信号通路调控骨代谢的机制尚不十分明确,但其机制大概是:前肥大软骨细胞分泌的Ihh能够直接作用于软骨细胞膜上的Ihh受体Ptc和Gli,并刺激软骨细胞分泌PTHrP和BMPs,其中BMPs能够局部发作用与定向前肥大软骨细胞和软骨细胞上的骨形态发生蛋白IA(BMPRIA),而BMPRIA则具有直接刺激软骨细胞分泌PTHrP的作用,PTHrP分泌量的增多能够反作用于非定向前肥大软骨细胞PTH/PTHrP受体从而延迟其分化使保持增殖状态,进而影响Ihh分泌[3]。可见,Ihh/PTHrp是通过形成负反馈调控环路来达到调节软骨内成骨过程。有研究表明,用PTHrP对去卵巢大鼠进行为期12周的治疗后发现,血清中的骨钙素(BGP)水平明显高于假手术组和去卵巢组对照组,这一定程度上说明骨形成速率得到提高,这可能是由于PTHrP通过作用于成骨细胞促进BGP的形成并发挥其骨同化作用造成的。其在随后的研究也表明接受PTHrP1-34治疗的骨质疏松大鼠,股骨BMD相对于对照组有显著升高,但以松质骨为主的腰椎BMD升高较皮质骨为主的股骨更加明显。通过利用重组鼠PTHrP1~84片段处理骨髓间充质干细胞,发现重组PTHrP1~84可以促进ALP、胶原的表达和钙化结节的形成,增加总的CFU-f形成。其中ALP是衡量成骨细胞活性和功能的指标,胶原的表达和钙化结节的形成也是成骨细胞分化成熟的产物,这些结果均证实重组鼠PTHrP1~84具有促进骨髓间充质干细胞增殖并向成骨细胞分化的作用。但同时也有研究表明,破骨细胞形成数目与甲状旁腺素相关肽呈剂量依赖,且破骨细胞寿命少于两周[2]。
3 运动对Ihh/PTHr P信号通路的影响
运动信号 篇8
人体运动状态探测识别、分类在实际应用中具有重要的应用价值,比如在反恐行动中对恐怖分子或被挟持人员的状态分析,各种灾害现场搜救人员对被困人员状况的掌控,公共安全防护中异常行为人员的识别,以及伤员术后肢体恢复情况的评价等情况均需要时刻掌握人体运动状态[1,2]。生物雷达因其免受光线和探测角度影响可实现全天候穿透探测,逐渐成为探测技术研究热点。目前,针对连续波生物雷达在自由空间下对人体运动信号的探测与识别的研究已取得较大的进展[3,4],然而考虑在反恐行动、灾害搜救等实际穿墙探测环境下对穿透探测性能、抗干扰能力和信号质量的要求,本研究采用的步进频连续波(Stepped Frequency Continuous Wave,SFCW)超宽带生物雷达,其抗干扰能力强且具备较高的分辨率和穿透性,能够提供运动信号的距离信息,在后期识别中具有独特的优势。
在反恐行动和灾害搜救等实际场景中,包含身体各部分细微变化的细粒度运动出现频率最高,比如手势、原地跳跃,挥手、蹲下起立等。而对于此类细粒度运动,单纯依赖主体运动多普勒特征进行识别分类的方法将失效[5],而由四肢运动形成的微多普勒特征将成为最重要的识别信号。Chen等[6,7]指出除目标主体运动外,其目标各部件运动也存在各自的微多普勒特征,可以反映复杂人体结构运动特征,为目标细微运动分类(尤其是人体不同运动分类)提供了新思路[8,9]。同时,时频变换作为有效非平稳信号分析工具,可以将含有多频率组分的信号在时频域上的不同特征更加高效地体现出来,不仅能够区分粗粒度运动,更能较好地区分仅有细微差别的细粒性运动,为人体运动状态分析识别提供有效信息。目前,研究者们在自由空间下利用联合时频分布技术对除躯干运动外的各肢体(手臂和腿)运动形成的微多普勒特征进行分析,从而对挥手、走- 停- 走[10],摆单臂行走、双臂行走等有距离运动[4]进行识别分类。
在穿透探测中,由于穿墙回波信号衰减较大或者因目标离雷达较远而信号较弱时,微多普勒特征容易变得十分微弱,运动整体时频谱特征变得模糊,导致运动特征可识别度降低。Kim等[8,9]基于人体运动微多普勒时频谱特征值,利用智能识别算法对爬行、持枪行走等7 种运动状态进行识别分类,在自由空间下效果优异,但在穿墙条件下较近距离内运动信号微多普勒特征已急剧削弱,识别分类准确率变低。为此,针对运动幅度较大、非平稳、随机性强的人体运动信号,本研究提出了一种基于反权重系数人体运动超宽带雷达信号时间—频率谱综合距离累积方法。本方法对人体运动超宽带雷达信号不同距离单元上的不同频谱特征信息充分利用,以期使得人体细粒度运动微多普勒特征更加明显,为后期人体运动的有效特征提取和高效识别准确率奠定基础。
1 材料与方法
1.1 SFCW雷达实验平台
本研究基于双通道SFCW雷达系统,系统的主要技术指标:工作带宽0.5~3.5 GHz,发射机步进点数101~301(可调),发射机频率采样间隔30 MHz,最大发射功率10 d Bm,动态范围≥ 72 d B,AD精度≥ 12 bit,采样率为4 ms/ 次。天线系统采用1 发2 收天线阵,天线采用平面对数螺旋天线,发射天线与接收天线采用交叉极化,整个SFCW雷达采集系统,见图1(a)。
利用SFCW雷达穿墙探测人体运动场景,见图1(b),受试者位于实验室砖墙一侧,正对紧贴砖墙另一侧的雷达。采集数据时,每次仅有一位受试者位于砖墙一侧以自然状态执行特定动作,每个特定动作重复执行并持续20 s左右,雷达探测回波经后期软件采集得到原始离散信号。本研究分别在隔墙3 m处采集原地踏步、原地跳跃和蹲下捡物信号,然后分别在4、5、6 m处采集原地踏步信号。
1.2 基于不同距离累积方式的人体运动超宽带雷达信号时频分析方法
SFCW超宽带雷达因其具有距离分辨率可使人体运动各部位的距离信息变化在雷达回波时间- 距离图像上明显地表现出来。在超宽带雷达中,运动信号经过采样后得到sig(t),其表示处于一个相邻处理间隔(Coherent Processing Interval,CPI)的一个目标散射中心信号。在此CPI中,其假定目标运动维持在单个距离单元中,并且每个距离单元都得到一个信号,即可获得一系列信号{Sigil(t)}(i表示距离单元索引)。此时对单个距离单元信号进行时频变换是分析微多普勒特征的有效方法。文献[5]指出,如果目标在CPI中运动距离处于单个距离单元长度内,则此方法有效。若目标在CPI中运动距离超出单个距离单元长度,此时散射中心信号将分布于多个距离单元,此方法将失效。根据本系统参数和采样率参数,在CPI内,人体运动各散射中心运动均处于单个不同距离单元内。
原地踏步运动在SFCW雷达原始回波时间- 距离像上主要分布在1200~1500 点(图2(a))。对此单通道原始回波依次进行距离压缩、去背景和低通滤波(截止频率为60 Hz)等预处理,得到原地踏步SFCW雷达回波预处理信号(图2(b)),其运动起伏变化在图像上清晰可见。在对回波预处理信号进行时频分析时,不同距离单元信号的利用方式将对时频分析效果产生重要影响。在以往研究方法主要有优选一点法和有效距离平均法两种。
1.2.1 最优一点法和有效距离平均法
(1)最优一点法:在距离单元上取信号最优一点。通过在超宽带雷达时间距离像中选择最强或者信号特征代表性最优的距离单元信号sigbest,然后进行时频分析。本研究基于能量最强原则选择最优点。
(2)有效距离平均法:将有效运动特征范围内不同距离单元上部分信号叠加求平均,然后得到sigaverage,并对其进行时频分析。
以上两种方法常见于超宽带雷达人体呼吸心跳信号探测时,由于人体呼吸相对于体动幅度小、规律性强、平稳性好,取最优点并不会丢失过多信号特征。有效距离内多点信号合理平均时,合理个数距离单元平均后不易造成信号特征丢失,可以增强信号能量,提高信噪比。
1.2.2 基于反权重系数人体运动超宽带雷达信号时间-频率谱综合距离累积方法
对于人体原地踏步、跳跃等细粒度运动,根据其原始时间- 距离图可以发现:运动跨多距离单元,幅度大、非平稳、弱周期,运动人体各散射中心(各肢体结构)的运动将粗略地分布于不同的距离单元,从而对回波信号形成不同的频率调制。另外,超宽带雷达信号经过穿墙衰减之后,各组分微多普勒特征将被削弱,使得运动整体时频谱特征变得模糊,不利于人体运动状态分析识别。因此本研究提出基于反权重系数人体运动超宽带雷达信号时间- 频率谱综合距离累积方法,充分利用超宽带雷达信号不同距离单元上不同散射中心信号的时频信息,对人体运动信号微多普勒时频谱特征进行增强。首先,笔者需要得到联合距离- 时间- 频率分布(Joint-Range-Time-FrequencyRepresentation,JRTFR)[11],见图3。
通过对每个距离单元信号进行时频变换得到时间- 频率谱(Time-Frequency-Representation,TFR) 并将不同距离单元上的TFR按顺序聚集从而得到整个人体运动超宽带雷达信号在有效距离内的JRTFR立方体,三坐标轴分别表示距离、时间、频率,见图3。然后,将整个JRTFR沿距离轴对每个距离单元信号所得TFR按相应反权重系数进行距离累积。最终将得到整个运动信号综合距离累积时频分布(Comprehensive Distance Accumulation Time-Frequency Representation,CDATFR)。
本文基于增强由肢体运动所形成的微多普勒特征的目的,采用反权重系数对不同距离单元时频谱进行综合距离累积,反权重累积如公式(1) 所示:
其中 ωi表示不同距离单元TFR所对应的权重,si表示不同距离单元所得到的TFR,i=1...n,n表示运动信号TFR信号有效距离单元长度。
在选择权重系数 ω 时,本研究根据人体细粒度运动超宽带雷达信号独有特点而采用反权重系数进行距离累积。以图2 原地踏步信号为例,在原始雷达回波信号伪彩图的运动特征有效范围内,在距离轴方向上中间部分主要来源于散射面积较大的躯干运动和少量肢体运动,其能量较强。而在向其两侧能量逐渐减弱,主要来源于散射面积较小的肢体运动和逐渐减少的躯干运动,如手臂和腿的运动。当信号经过穿墙衰减或者因目标离雷达较远而信号较弱时,肢体造成的微多普勒将急剧衰减。为此,将能量值较弱的距离单元TFR赋予较大的权重而能量值较大的距离单元TFR赋予较小的权重,从而利用反权重系数 ω 增强由手臂、腿等肢体运动形成微多普勒特征。
2 结果
本研究采用短时傅里叶变换(STFT)对人体运动雷达信号进行时间- 频率谱分析,其中窗函数采用0.42 s的Hanning窗。本实验主要分为两部分:
(1)第一部分主要利用基于3 种距离累积方法的时频变换对相同距离处不同人体细粒度运动穿墙探测超宽带信号进行时间- 频率谱分析。以原地踏步、原地跳跃和蹲下捡物为例,其实验结果,见图4。
(2)第二部分主要利用基于3 种距离累积方法的时频变换对不同距离处相同人体细粒度运动穿墙探测超宽带信号进行时间- 频率谱分析,以原地踏步为例。实验结果,见图5。
图4(a) 表明取最优一点时频分析效果稍好但信号特征较弱。图4(b) 表明有效距离内信号平均法距离累积后再进行时频分析,效果最差。图4(c) 表明基于反权重综合距离累积时频谱效果最好,信号特征明显。
图5 分别为穿墙4 m、5 m、6 m处原地踏步运动信号基于三种距离累积方式条件下STFT时频谱。通过观察可以发现,在穿墙4 m处,距离平均法已经失效,所得时频谱微多普勒特征已急剧削弱,很难看出原地踏步运动变化特征。最优一点法效果优于距离平均法,在穿墙5 m处仍可以较为粗略的看出原地踏步运动的节律性变化,但此时由手臂和腿等肢体运动形成的高频微多普勒特征已极其微弱并且较为混乱模糊。而本文提出的综合距离累积时频变换方法性能优越。虽然与3 m处原地踏步动作时频谱图4(c) 相比,随着穿墙距离增加,部分能量较为微弱的肢体运动信号高频微多普勒特征已经被急剧削弱。但其在穿墙6 m处也能较好的表现出原地踏步运动的节律性变化,躯干运动多普勒特征和肢体运动微多普勒特征仍能明显区分,利于运动特征分析。因此,在较远距离穿墙情况下,运动信号微多普勒特征因衰减较大而较为微弱时,本方法优势十分明显。
3 讨论
第一部分实验结果中,对于原地踏步、原地跳跃、蹲下捡物3 种跨多个距离单元的大幅度、非平稳信号,人体各个肢体结构的散射中心将粗略地分布于不同的距离单元,因而不同距离单元信号将包含不同肢体的运动信息,并且相邻距离单元信号具有一定的相关性。若采用最优一点法,将丢失许多不同肢体结构所形成的微多普勒信息。若采用有效距离平均法,分布在不同距离单元内信号的正负值很容易相互抵消或者被改变从而导致运动特征被减弱或者被改变。然而采用本研究提出的综合距离累积时频变换方法则可以清楚的看出人体运动的节律性变化,并且由躯干运动形成的多普勒特征和肢体运动所形成的微多普勒特征也可以明显区分。如图4(c) 所示,由于在原地踏步、原地跳跃和蹲下捡物时,人体躯干运动频率较低但散射面积大、能量强,因此其在时频图中就主要分布在0~8 Hz以内,而手臂和腿等肢体运动速度快故瞬时频率高,因而在时频图中主要分布于8 Hz以上。另外,由于肢体运动在原地跳跃时比踏步时更加随机不规律,故而从原地跳跃时频谱中就可看出包含高频信息的微多普勒特征变化更加紊乱。
第二部分实验结果中,随着穿墙距离的增大,人体运动的高频微多普勒特征相对低频微多普勒特征衰减更快。这可能是因为距离增大,手臂等肢体相对躯干运动速度快、散射面积较小,其形成的高频微多普勒衰减更快并更容易淹没于随机无规律噪声和干扰中,因而更难在时频谱中表现出有规律的运动特征。
4 结论
本研究基于穿墙探测的需求选择SFCW雷达对人体细粒度运动进行穿透探测。针对人体运动超宽带雷达信号微多普勒特征容易由于穿墙探测或者距离增大而急剧衰减,从而不利于人体运动信号的有效分析和识别的问题,本研究提出了一种基于反权重系数综合距离累积时频变换方法。其充分利用人体运动SFCW超宽带雷达信号不同距离单元信息,在较好地保证信号特征完整性和原始性的基础上增强运动信号微多普勒特征。
在实验研究中,首先通过基于3 种距离累积方式的时频处理方法对同一穿墙距离处原地踏步、原地跳跃和蹲下捡物3 种穿墙超宽带雷达信号进行时频谱分析,结果表明本研究提出的综合距离累积时频变换方法针对人体细粒度运动信号处理效果优于目前常用的最优一点法和距离平均法,证明了此方法对不同运动信号的广泛适用性。另外,实验还通过基于3 种距离累积方式的时频处理方法对不同穿墙距离处的原地踏步穿墙超宽带雷达信号进行时频谱分析,结果表明综合距离累积时频变换方法在运动信号微多普勒特征因穿墙或距离增而削弱时,可以较好地增强微多普勒特征。
本研究提出的综合距离累积时频变换方法能够高效利用人体运动超宽带雷达信号距离信息,较大程度上合理增强运动信号中微多普勒特征,为穿墙探测或远距离探测条件下人体细粒度运动的有效分析和准确识别奠定了基础。在下一步研究中,希望对随着距离增大运动高频微多普勒特征削弱过快问题进行深入研究并提出相应的解决方法。
参考文献
[1]Fairchild DP,Narayanan RM.Micro-doppler radar classification of human motions under various training scenarios[C].SPIEDefense,Security,and Sensing.International Society for Optics and Photonics,2013:873407-873411.
[2]Bryan JD,Kwon J,Lee N,et al.Application of ultra-wide band radar for classification of human activities[J].IET Radar Sonar Navig,2012,6(3):172-179.
[3]Fairchild DP,Narayanan RM.Classification and modeling of human activities using empirical mode decomposition with S-band and millimeter-wave micro-Doppler radars[C].SPIEDefense,Security,and Sensing.International Society for Optics and Photonics,2012:83610X-15.
[4]Lyonnet B,Ioana C,Amin MG.Human gait classification using micro Doppler time-frequency signal representations[C].Radar Conference,2010 IEEE.IEEE,2010:915-919.
[5]Smith GE,Ahmad F,Amin MG.Micro-Doppler processing for ultra-wideband radar data[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2012:83610L-83610L-10.
[6]Chen VC.Analysis of radar micro-Doppler with time-frequency transform[C].Statistical Signal and Array Processing,2000.Proceedings of the Tenth IEEE Workshop on.IEEE,2000:463-466.
[7]Chen VC,Li F,Ho SS,et al.Micro-Doppler effect in radar:phenomenon,model,and simulation study[J].IEEE T Aero Elec Sys,2006,42(1):2-21.
[8]Kim Y,Ling H.Human activity classification based on microDoppler signatures using an artificial neural network[C].Antennas and Propagation Society International Symposium,2008.AP-S 2008.IEEE.IEEE,2008:1-4.
[9]Kim Y,Ling H.Human activity classification based on microDoppler signatures using a support vector machine[J].IEEE TGeosci Remote S,2009,47(5):1328-1337.
[10]Lai CP,Ruan Q,Narayanan RM.Hilbert-Huang Transform(HHT)analysis of human activities using through-wall noise radar[C].Signals,Systems and Electronics,2007.ISSSE'07.International Symposium on.IEEE,2007:115-118.
【运动信号】相关文章：
受体细胞信号转导运动与规律分析09-10
信号信号初级工问答题03-24
驼峰信号设备、铁路信号基本知识04-25
信号传输06-19
运行信号05-24
高速信号05-28
声音信号05-31
远程信号06-01
电磁信号06-03