陈东毅，陈建国，李玉榕

（1.福州大学 电气工程与自动化学院，福建 福州 350108；2.福州大学 福建省医疗器械和医药技术重点实验室，福建 福州 350108）

当人体在指定的红外传感区域移动时，红外传感器会检测到幅值持续变化的电信号，将该信号予以适当的放大滤波处理后可以用作表征人体移动的特征信号。目前被动式红外传感器通常应用随机动态时间分割以及能量堆积逻辑处理等算法，对进入检测区域的移动物体进行信号检测并报警，但该方法对于识别人体移动信号的准确率不高[1-4]。

在防入侵报警实验教学过程中经常发现被动式红外传感器会发出错误的报警信号，如环境中偶尔伴有窗帘的飘动、光线强弱的变化等扰动时易误触发警报。现有的被动式红外传感器已经无法满足正常的实验教学需求，为了提高红外传感器对人体移动的识别精度，降低误报、漏报的概率，本文提出了基于能量矩占比与方差贡献率的改进经验模态分解（EMD）和谱峭度法的人体移动信号特征频率提取的新方法，并以此设计了一种红外探测实验平台。通过理论分析与实验应用可知，该实验平台提高了识别人体移动的精度，减低了误报、漏报的概率，同时也进一步帮助学生理解了红外传感技术的原理。依托该平台可以锻炼学生的动手实践能力，拓展嵌入式系统的应用范围以及培养学生的创新思维，提高防入侵报警实验的成功率。

1 改进的人体移动信号EMD 分解

人体移动的信号是非线性、非平稳信号，通过EMD 后得到有限阶次的IMF 分量，人体移动信号特征信息均包含在各个IMF 分量中。传统EMD 过程中会产生低频虚假的IMF 分量，对低频段人体移动信号的特征分析造成较大的影响，需要设计适当的算法对IMF 分量进行优化，获得更准确的人体移动信号[5-8]。本文提出分别计算各阶IMF 分量的能量矩占比和方差贡献率并进行算法的优化，去噪后选出包含原始信息的有用的、真实的IMF 分量。

1.1 能量矩占比

能量矩占比主要用于表征各阶IMF 分量的能量占总能量的比例[9]。经过EMD 的人体移动特征频率会与原始信号发生混叠，需将虚假的IMF 分量滤除。本文提出通过计算各阶IMF 分量的能量与人体移动信号总能量的占比筛选有用的IMF 分量。

各阶IMF 能量Ei及其相对于原始人体移动信号的能量矩占比向量T 表达如下：

式中：n 为总的采样点数，k 为采样点序号；Δt 为采样周期，ci(t)为IMF 分量。

1.2 方差贡献率

计算各个IMF 分量的方差贡献率是为了表征各IMF的相对重要程度。由式（2）可确定有用的IMF 分量。

式中：Mi为各阶IMF 信号的方差贡献率；Di为第i个IMF 分量的方差。

分解后得到IMF 分量的Mi值越大则表明该IMF分量在原始信号中越重要[9]。

1.3 改进EMD 与信号重构

EMD 是将非线性、非平稳的信号分解为含有时间尺度信息的有限阶次的IMF 分量和残差的余项和。将人体移动信号x(t)经过EMD 后得到一系列IMF 分量ci(t)以及残差的余项rn(t)，三者之间的关系式可以表示如下：

将能量矩占比与方差贡献率应用于对IMF 分量的选取中，通过牛顿插值法对IMF 分量进行信号重构。

2 谱峭度理论

谱峭度法是一种频域统计工具，可以对信号的非高斯成分进行有效的度量并解决了提取信号中伴有瞬态现象的问题，弥补了峭度在特定信号变化过程中无法及时定位跟踪的不足之处[10]。

某非平稳信号x(t)的四阶谱累积量的谱峭度定义为

式中：S2nX(t,f)表示 2n 阶瞬时矩是复包络能量的度量，H(t,f)为在频率f 处的x(t)频域值的复包络，w 为滤波器的一个随机变量，S2nx为x(t)的2n 阶瞬时矩。

能量归一化累积量式（5）表示x(t)的谱峭度：

已知Y(t)=x(t)+N(t)是某个非平稳随机信号，其中N(t)为独立于x(t)的噪声信号。KY(f)表示随机信号Y(t)的谱峭度，可表示为

式中：KN(f)为N(t)的谱峭度；ρ(f)为噪信比，用ρ(f)=S2N(f)/S2X(f)来表示。

3 人体移动信号特征频率的提取

图1 人体移动信号的特征频率提取

改进EMD 和谱峭度法的人体移动信号特征频率提取的流程如图1 所示，对人体移动信号进行改进的EMD，优化分解得到的IMF 分量，有效滤除低频虚假IMF 分量及抑制高频噪声；对去噪后的人体移动信号求谱峭度图并确定带通滤波器的中心频率和带宽等参数；计算其包络谱，从而识别出特征频率。

4 新型红外探测实验平台的设计

4.1 实验平台硬件设计

本文提出的新型红外探测实验教学平台硬件电路主要由STM32 单片机、红外传感器模块、电源转换模块、信号放大电路、滤波电路、LCD 显示模块以及继电器输出模块等组成，如图2 所示。平台电路实物如图3 所示。

图2 新型红外探测实验平台硬件结构设计

图3 电路实物图

红外传感器模块通过外围的信号调理电路实现信号放大与滤波的预处理，STM32 单片机执行人体移动信号特征频率提取模块，将处理后输出的报警信号采用串口通信发送到LCD 显示。

4.2 实验平台软件流程设计

本文提出的新型红外探测实验平台软件流程如图4 所示，开始时实验平台驱动红外传感器模块正常工作，主程序在线等待是否有可疑物体进入红外检测区域；一旦有移动信号产生，软件自动进入人体移动信号特征频率提取模块进行识别，当系统检测出该信号符合人体移动的信号频率的特征后，立即在LCD 上显示报警信号。

图4 新型红外探测实验平台软件流程设计

5 实验结果分析

5.1 人体移动信号的采集

人体在指定的红外探测区域移动时，红外传感器检测到幅值持续变化的电信号。经过放大、滤波等处理后的人体移动信号如图5 所示。

图5 人体移动信号波形图

5.2 改进EMD 及特征频率提取分析

人体移动信号经过EMD 得到的各阶IMF 分量能量矩占比Ti和方差贡献率Mi分别由式（1）和（2）给出，如表1 所示。

表1 人体移动信号特征参数

对前7 阶分量进行信号重构，人体移动信号快速谱峭度图如图6 所示。图6 中，人体移动信号快速峭度图的带通滤波器中心频率为 4.876 2 Hz，带宽为5.112 1 Hz，说明谱峭度在频带1～9 Hz 范围内最大，信噪比最大。图7 所示的外界干扰信号（窗帘随风飘动）快速峭度图的带通滤波器中心频率约为17.658 3 Hz，带宽为5.112 1 Hz，说明谱峭度在频带12～22 Hz 范围内最大，信噪比最大。图6、7 中横轴是频率分量，纵轴表示谱峭度分解的层级，人体移动信号、干扰信号等特征频率的分布位置用颜色表示，更为直观明确[11-12]。

图6 降噪后人体移动信号快速峭度图

图7 降噪后干扰信号快速峭度图

将重构后的人体移动信号、干扰信号分别经过带通滤波器后进行平方包络谱计算，得到人体移动信号的特征频率为2.2 Hz，干扰信号的特征频率为21.2 Hz。

通过上述分析可以得到人体移动信号和干扰信号在其特征频率范围内存在明显的差异，应用上述方法可以准确地对人体移动信号的特征频率进行提取，提高红外传感器对人体移动信号识别的精确度。

5.3 实验结果对比

为了验证设计的可行性，将本文实验平台与现有普通的被动红外传感器进行对比实验，实验1—5 分别表示人体以1.0、1.2、1.5、2.0、2.5 m/s 的速度通过同一个红外检测区域，实验进行两组并记录是否有报警提示，结果如表2 所示，本文设计的实验平台对进入检测区域的人体移动信号均能输出正确的报警信号。

表2 对比实验结果

为了检验该平台的外部环境抗干扰能力，将两个实验装置分别置于有窗帘飘动的同一个窗户附近分别进行两组实验（窗帘均能飘动于红外检测区域内、对窗帘无特殊要求），实验1—4 表示窗帘随机飘动4 次，实验5 是人为将窗帘托举到红外检测区域的边界上进行测试，本文实验平台有一次误判。但在10 次光线强弱的对比实验中，两装置均表现正常。

本文设计的实验平台对人体移动信号的识别正确率接近100%，高于普通被动红外传感器80%的正确率；该平台在实验过程中表现出的不足之处说明其硬件设计还有待进一步优化。

6 拓展设计

该实验平台将红外传感器模块与控制板分开独立设计，便于学生在实验过程中自主选择红外传感器；同时该平台还开放了STM32 控制器中程序编辑、调试与下载烧录的端口，学生可以根据自身的学习能力以及兴趣爱好对平台的软件算法进行进一步深入的理解、修改甚至创新。

7 结语

该实验教学平台应用改进的 EMD 消除了传统EMD 过程中存在的低频虚假IMF 分量，抑制了高频噪声的干扰，对去噪后的人体移动信号进行重构，通过确定谱峭度图上的中心频率和带宽构造带通滤波器，对信号进行包络解调计算后准确得到了用于表征人体移动信号的特征频率，有效地将外界干扰信号与人体移动信号进行区分。该算法的应用提高了红外探测平台识别人体移动信号的准确率，降低了误报、漏报的概率，有较强的抗外界信号干扰能力。

在实验教学过程中发现该平台能够帮助学生形成关于电路设计与软件编程的系统、完整的嵌入式应用理念，学生的动手实践能力得到强化，创新实践意识得以激发，同时该平台为开放式的实验教学提供了积极的探索和实践。