FMCW雷达在非接触式心跳监测中的信号处理与优化

1. 从“看见”到“感知”：FMCW雷达如何捕捉心跳

你可能觉得心跳监测是智能手表或者医疗监护仪的专利，得贴着皮肤才能测。但你知道吗，现在有一种技术，可以让你隔着一米远，甚至隔着被子，就能精准地“听”到一个人的心跳。这听起来有点像科幻电影里的场景，但它背后的核心技术，其实就藏在很多我们身边的产品里，比如一些高端的智能家居传感器、睡眠监测仪，甚至是汽车里的驾驶员状态监测系统。这项技术，就是FMCW雷达。

FMCW，全称是调频连续波雷达。这个名字听起来有点唬人，但原理其实挺直观的。想象一下，你站在一个空旷的山谷里，对着远处的山崖大喊一声，然后听回声。通过回声回来的时间，你就能大概估算出山崖离你有多远。传统雷达就是这个原理。但FMCW雷达更“聪明”一点，它发出的不是一声固定的“啊——”，而是一段音调从低到高连续变化的“歌声”。当这段“歌声”碰到目标（比如人的胸口）反射回来时，由于目标在微微运动（心跳和呼吸），反射回来的“歌声”音调会和原来发出的“歌声”音调有一个微小的差异。这个差异，专业上叫“频差”，就包含了目标距离和运动速度的全部信息。

对于心跳监测来说，我们关心的就是这个由胸口起伏带来的、极其微小的运动。一次心跳引起的胸腔位移，可能只有零点几毫米，比一张纸还薄。FMCW雷达的厉害之处就在于，它能捕捉到这种毫米甚至亚毫米级别的微动。我刚开始接触这个领域时，也觉得不可思议：一个无线电波，怎么能“看”到这么细微的变化？但当你理解了它的信号处理流程，就会明白这其实是一系列精妙“算法魔术”的结果。整个过程，就是从原始的、充满噪声的无线电波中，一步步“提纯”出那个代表心跳的、有规律的微弱信号。接下来，我就带你深入这个“魔术”的后台，看看我们是怎么把心跳信号从一堆干扰里“揪”出来的。

2. 信号处理的起点：IQ基带信号解调

雷达天线接收到的信号，就像一盘录下了各种环境噪音、设备干扰和微弱心跳回声的“原始录音带”。我们的第一步，就是把这盘“录音带”转换成我们能处理的“数字音频文件”。这个转换过程，就是基带信号解调。FMCW雷达通常会输出两路信号，我们称之为I路和Q路。你可以把它们理解为一对双胞胎，它们携带的信息几乎一样，但彼此之间永远保持着90度的“相位差”，就像一个正弦波和一个余弦波的关系。

为什么需要两路？这其实是为了解决一个关键问题：盲点问题。如果只有一路信号，当目标的距离恰好使得回波信号的相位处于某个特定值时，解调出来的信号幅度可能会变得非常小，甚至为零，导致我们丢失目标信息。有了I和Q这两路正交的信号，就像有了两个观察角度，总能保证至少有一路信号是清晰的，从而避免了信息丢失。我在实际调试硬件时，就遇到过单路信号在某些距离上周期性衰减的问题，加上Q路后，信号就稳定多了。

拿到I、Q两路原始的基带信号后，它们还不能直接用，因为里面混杂着很多我们不想要的成分。最主要的是直流偏置和IQ失衡。直流偏置就像是录音里的底噪，是硬件电路本身产生的固定偏移。IQ失衡则像是双胞胎一个声音大、一个声音小，或者反应稍微有点不同步，这是由于两路模拟电路不可能做到完全一致导致的。如果不处理掉它们，后续的分析就会误差很大。

常用的解调方法主要有两种：反正切解调和复数解调。

反正切解调非常直观，它的核心公式是：相位 = arctan(Q / I)。通过计算I和Q比值的反正切，我们可以直接得到目标相位随时间的变化，而这个相位变化直接对应着胸腔的位移。这个方法的优点是直接、计算量相对小，能线性地还原出位移信号。但它对IQ失衡和噪声比较敏感，如果I、Q两路信号质量不高，解算出的相位会跳变，产生所谓的“相位缠绕”问题。

复数解调则更“数学”一些。它把I路信号当作复数的实部，Q路信号当作虚部，构造出一个复数信号：S(t) = I(t) + j * Q(t)（这里的j是虚数单位）。然后，我们计算这个复数信号的相位角，同样可以得到位移信息。复数解调在数学上更完备，能更好地处理信号，并且为后续的频谱分析提供了便利。在实际项目中，我通常更倾向于使用复数解调，因为它为滤波和频谱分析提供了更统一的框架，虽然计算上稍微复杂一点，但换来的是更好的鲁棒性。

提示：选择哪种解调方法，取决于你的具体应用和硬件条件。如果追求简单快速，且信号质量很好，反正切法够用。如果信号环境复杂，或者你需要做更精细的频谱分析，复数解调是更强大的工具。

3. 去芜存菁：滤波优化与生命体征分离

解调出来的相位信号（也就是胸腔位移信号），现在是一锅“大杂烩”。里面最强的信号通常是呼吸，因为呼吸的起伏幅度大（几毫米到一厘米），频率低（0.1-0.5 Hz）。而我们要找的心跳信号，则微弱得多（幅度不到1毫米），频率却高一些（0.8-3 Hz，通常是1-1.7 Hz）。除此之外，信号里还混杂着人体无意识的微动、环境物体的晃动、以及电路本身的各种噪声。我们的任务，就是设计一个高效的“筛子”，把心跳这颗“金砂”筛出来。

第一步，是滤除呼吸信号。这通常用一个高通滤波器来实现。比如，我们可以设置一个截止频率在0.7 Hz左右的高通滤波器，把频率更低的呼吸信号和一部分超低频漂移给滤掉。但这里有个坑：呼吸和心跳的频谱有时会靠得很近，特别是当呼吸急促时。如果高通滤波器的截止频率设得太高，可能会伤及心跳的低频部分；设得太低，又滤不干净呼吸残留。我常用的做法是采用一个过渡带比较陡峭的FIR（有限长单位冲激响应）滤波器。FIR滤波器没有反馈，是绝对稳定的，而且可以设计出严格的线性相位，这意味着它不会扭曲信号的时间关系，对于后续分析波形形态很重要。

第二步，是进一步净化心跳频带。滤掉呼吸后，信号里主要剩下心跳和噪声。这时我们需要一个带通滤波器，只让大概0.8 Hz到3 Hz这个频率范围（心跳可能出现的范围）的信号通过，把更高频的噪声和可能残留的极低频干扰进一步滤除。这个带通滤波器的设计也很有讲究。窗函数的选择（比如汉宁窗、汉明窗）、滤波器的阶数，都会影响效果。阶数太高，计算量大，还可能引入不必要的纹波；阶数太低，滤波效果又不好。我一般会先用一个阶数适中的滤波器做初步处理，观察频谱，再微调参数。

第三步，也是最具挑战性的一步：处理谐波和互调干扰。呼吸和心跳都不是完美的单一频率正弦波，它们会有谐波。呼吸的二次谐波（比如0.3 Hz呼吸的二次谐波是0.6 Hz）可能会落到心跳的频带内，被误认为是心跳。更麻烦的是，由于系统的非线性，呼吸和心跳信号可能会产生互调，生成新的频率成分，比如“呼吸频率+心跳频率”或“呼吸频率-心跳频率”，这些成分也可能干扰对真实心跳频率的判断。为了解决这个问题，仅仅靠时域滤波就不够了，我们需要结合频域分析和自适应算法。

一种有效的策略是频谱追踪与剔除。我们先对信号做短时傅里叶变换，在时频谱上找到能量最强的呼吸频率成分（假设是f_b），然后主动在信号中生成一个与f_b及其主要谐波（如2*f_b,3*f_b）相对应的正弦波，再从原始信号中减去这些成分。这个过程有点像“主动降噪”。实测下来，这个方法对于抑制呼吸谐波干扰非常有效。

4. 从时频域中锁定心跳：特征提取与算法优化

经过层层滤波，我们得到了一条相对干净的、主要包含心跳信息的信号。但这还不够，我们需要从中精确地提取出心率值，并尽可能还原出心跳波形（如心冲击图），这对健康分析更有价值。

心率提取最经典的方法是快速傅里叶变换。把一段时间的信号（比如30秒）从时域转换到频域，看看在0.8-3 Hz这个范围内，哪个频率点的能量最高，那个频率就对应着心率（需要乘以60转换成每分钟心跳次数，BPM）。但FFT有个缺点：它假设信号在这段时间内是平稳的，心率不变。实际上，人的心率是时刻变化的。为了解决这个问题，我们会用短时傅里叶变换或者小波变换。STFT就像用一个滑动的时间窗，一段一段地做FFT，从而得到一个“时频谱”，能看到心率随时间的变化趋势。小波变换则能提供更好的时频分辨率，尤其适合分析像心跳这样瞬变的信号。

仅仅找到主峰频率有时会出错，比如遇到前面提到的谐波干扰，或者人突然动了一下产生一个干扰脉冲。因此，我们需要一些后处理算法来“纠错”。常用的方法包括：

• 峰值检测：直接在时域信号上寻找每个心跳周期的峰值点，计算相邻峰值的间隔，再换算成瞬时心率。这个方法能捕捉心率的瞬时变化，但对信号质量要求高，容易受噪声影响产生误检或漏检。
• 频谱质心跟踪：不只看最高的峰，而是计算心跳频带内所有频率分量的加权平均频率，作为心率的估计。这种方法更稳健，抗单频干扰能力强。
• 卡尔曼滤波或粒子滤波：这是一种更高级的状态估计方法。我们把心率看作一个随时间变化的“状态”，建立状态方程和观测方程（即我们测到的信号）。滤波器会根据之前的估计和新的观测值，最优地估计出当前最可能的心率值。这种方法特别适合处理噪声大、心率变化快的情况，我在做运动状态下的心率监测项目时，就大量使用了卡尔曼滤波来平滑结果，效果比简单平均好很多。

为了让你更直观地理解这个过程，我写一段简化的Python处理流程的核心代码框架。这只是一个示意，真实的工程代码要复杂得多，会包含大量的参数调整和错误处理。

import numpy as np from scipy import signal, fft import matplotlib.pyplot as plt # 假设我们已经有了解调后的位移信号 `displacement_signal` 和采样率 `fs` # 1. 设计高通滤波器滤除呼吸（假设截止频率为0.7 Hz） b_high, a_high = signal.butter(4, 0.7/(fs/2), 'high') filtered_signal = signal.filtfilt(b_high, a_high, displacement_signal) # 使用filtfilt实现零相位滤波 # 2. 设计带通滤波器提取心跳频带（0.8 Hz - 3 Hz） b_band, a_band = signal.butter(4, [0.8/(fs/2), 3.0/(fs/2)], 'bandpass') heartbeat_signal = signal.filtfilt(b_band, a_band, filtered_signal) # 3. 计算频谱，寻找心率 N = len(heartbeat_signal) freqs = fft.rfftfreq(N, 1/fs) spectrum = np.abs(fft.rfft(heartbeat_signal)) # 将频率范围限制在心跳范围内 mask = (freqs >= 0.8) & (freqs <= 3.0) heartbeat_freqs = freqs[mask] heartbeat_spectrum = spectrum[mask] # 找到频谱峰值对应的频率 dominant_freq = heartbeat_freqs[np.argmax(heartbeat_spectrum)] heart_rate_bpm = dominant_freq * 60 # 转换为每分钟心跳次数 print(f"估计的心率为: {heart_rate_bpm:.1f} BPM") # 4. （进阶）简单的时域峰值检测 peaks, _ = signal.find_peaks(heartbeat_signal, distance=fs*0.4) # 假设心跳间隔至少0.4秒 if len(peaks) > 1: intervals = np.diff(peaks) / fs # 峰值间隔（秒） instant_hr = 60 / intervals # 瞬时心率 print(f"瞬时心率序列 (BPM): {instant_hr}")

5. 实战挑战与性能提升技巧

理论很美好，但一上实际项目，坑就来了。我总结了几类最常见的挑战和我的应对“土方”。

第一类挑战：环境与运动干扰。这是非接触监测最大的敌人。除了人体自身的微动，风扇的转动、窗帘的飘动、甚至远处汽车的震动，都可能被雷达捕捉到。我的策略是多通道与自适应降噪。如果硬件条件允许，使用多天线雷达，通过比较不同天线接收信号的差异，可以一定程度上区分运动方向，抑制来自非监测方向的干扰。在算法上，可以引入参考通道，比如用另一个雷达或麦克风监测环境振动，然后从主信号中自适应地减去相关噪声。

第二类挑战：个体差异与姿势。不同体型的人（胖瘦）、不同的穿着（厚薄）、不同的睡姿（平躺、侧卧），对雷达波的反射特性影响巨大。侧卧时，胸腔的径向运动幅度会减小，信号变弱。解决这个问题需要算法具有鲁棒性。我们不能把滤波器的参数写死，而需要根据信号质量自适应调整。例如，可以先估计出当前信号的信噪比，如果信噪比低，就使用更强的平滑滤波；如果检测到姿势可能发生改变，可以短暂地提高更新率，重新锁定信号。

第三类挑战：硬件限制与校准。廉价的雷达芯片可能存在I/Q不平衡严重、相位噪声大、直流偏移不稳定等问题。这就需要在信号处理的最前端下功夫。上电后，先进行一段时间的空场景采集，估计并扣除直流偏移。对于I/Q不平衡，可以通过采集一个静止的强反射体（比如一个金属板）的回波，来校准两路的增益和相位差。这些校准步骤虽然增加了复杂度，但对于提升最终监测的准确性和稳定性是至关重要的。我踩过的坑就是，忽略了对新批次硬件的校准，导致同一套算法在不同设备上效果差异很大。

为了更系统地对比不同优化方法的效果，我整理了一个简单的表格，总结了在不同场景下的策略选择：

最后，我想分享一个很重要的心得：没有一劳永逸的“最优参数”。我在实验室里对着静止目标调得非常好的参数，一到真实的卧室环境，可能就不好用了。因此，构建一个参数可配置、甚至可在线学习的信号处理流水线非常重要。把滤波器的截止频率、谱分析的窗长、峰值检测的阈值等都做成可调节的，通过大量的实测数据去迭代优化。有时候，针对特定场景（比如专用于睡眠监测）做精细调优，比追求一个泛化能力强但精度一般的通用算法，更能做出好产品。信号处理既是科学，也是艺术，需要不断地在理论指导和实验反馈之间寻找平衡点。