1. 雷达检测人体呼吸与心率的基本原理
在毫米波雷达生命体征检测领域，我们通常使用FMCW（调频连续波）雷达来捕捉人体胸腔的微小运动。当雷达波照射到人体胸部时，呼吸和心跳引起的胸腔微动会导致反射信号的相位发生变化。这种相位变化与胸腔位移成正比，通过解调这些相位信息，我们就能提取出呼吸和心跳信号。
关键提示：雷达检测的不是直接的位移量，而是通过电磁波相位变化间接推算位移。这个转换过程本身就引入了非线性因素。
传统方法通常假设呼吸运动是完美的正弦波，心跳是另一个独立的正弦信号。但在实际应用中，我们会发现频谱上除了呼吸基频（0.1-0.5Hz）和心跳基频（0.8-2Hz）外，还存在明显的谐波分量，这些谐波往往会干扰心跳信号的准确提取。
2. 呼吸谐波产生的双重机制
2.1 生理运动本身的非线性特性
人体呼吸运动远非理想的简谐振动，它具有以下非线性特征：
-
吸气-呼气不对称性：健康成年人平静呼吸时，吸气时间通常为1-1.5秒，而呼气时间约为1.5-2秒。这种时间不对称性导致呼吸波形在时域上呈现明显的非对称特征。
-
多部位协同运动：呼吸不仅涉及胸腔的起伏，还包括腹部的运动。胸腔和腹部运动的相位差和幅度比因人而异，进一步增加了运动的复杂性。
-
气流动力学特性：肺部的气流速度与胸腔位移并非线性关系，特别是在深呼吸时，湍流效应会更加明显。
这些生理特性使得实际的呼吸位移信号x(t)在频域上必然包含高次谐波分量。根据傅里叶分析，任何周期性的非正弦信号都可以分解为基波和谐波的叠加：
code复制x(t) = Σ [aₙcos(nωt) + bₙsin(nωt)] (n=1,2,3...)
其中n=1对应基波，n≥2对应谐波。
2.2 雷达相位调制的非线性效应
即使呼吸运动是完美的正弦波，雷达检测机制本身也会引入非线性。雷达接收信号可以表示为：
code复制S(t) = A·exp[j(4π/λ)x(t) + φ₀]
当x(t)=m·sin(ωt)时，这个指数函数可以通过Jacobi-Anger展开：
code复制exp[jz·sinθ] = Σ Jₙ(z)·exp[jnθ] (n=-∞到+∞)
其中Jₙ(z)是第一类贝塞尔函数。展开后我们会发现，信号中包含了ω的所有整数倍频分量，这就是雷达系统自身产生的谐波。
实践发现：在77GHz毫米波雷达系统中，当呼吸幅度较大时，二次和三次谐波的强度可能达到基波的30%-50%，这正是心跳信号（通常位于1-2Hz）容易被呼吸谐波淹没的原因。
3. 谐波干扰的量化分析
3.1 调制指数的影响
定义调制指数β=4πm/λ，其中m是呼吸幅度，λ是雷达波长。谐波幅度由Jₙ(β)决定：
- β<1时，高阶贝塞尔函数值快速衰减
- β>1时，高阶谐波变得显著
在60GHz频段(λ=5mm)，假设呼吸幅度m=5mm：
code复制β = 4π×0.005/0.005 ≈ 12.57
此时Jₙ(12.57)在n=12附近达到峰值，说明会产生大量高次谐波。
3.2 谐波与心跳信号的频段重叠
典型频率分布：
| 信号类型 | 频率范围(Hz) |
|---|---|
| 呼吸基频 | 0.1-0.5 |
| 呼吸二次谐波 | 0.2-1.0 |
| 呼吸三次谐波 | 0.3-1.5 |
| 心跳信号 | 0.8-2.0 |
从表格可以看出，深呼吸时（呼吸频率较低），其三次谐波会完全覆盖心跳频段，造成严重干扰。
4. 解决方案与算法实践
4.1 传统方法的局限性
常规的带通滤波方法面临两个主要问题：
- 呼吸谐波与心跳频率重叠，无法通过简单滤波分离
- 呼吸频率会随时间变化，导致谐波位置漂移
4.2 基于EEMD的解决方案
集合经验模态分解(EEMD)是一种适合处理非线性、非平稳信号的方法，其核心思想是：
- 通过多次添加白噪声来克服模态混叠
- 将信号自适应地分解为多个IMF（本征模态函数）
- 根据IMF的时频特性分离呼吸和心跳分量
具体实现步骤：
matlab复制% EEMD参数设置
num_ensembles = 100; % 集合次数
noise_level = 0.2; % 噪声幅度
% 执行EEMD分解
[imf, residual] = eemd(radar_signal, noise_level, num_ensembles);
% 筛选心跳相关的IMF
heartbeat_imf = select_heartbeat_imf(imf, sample_rate);
4.3 相位解缠绕算法
由于雷达相位是包裹的（wrapped），需要先进行相位解缠绕：
matlab复制% 相位解缠绕
unwrapped_phase = unwrap(angle(radar_signal));
% 去除线性趋势
detrended_phase = detrend(unwrapped_phase);
4.4 实际应用效果对比
| 方法 | 呼吸误差(%) | 心跳误差(%) |
|---|---|---|
| 传统滤波 | 15.2 | 23.7 |
| EEMD+相位解缠 | 5.8 | 8.3 |
实测数据显示，新方法将心跳检测准确率提高了约65%。
5. 工程实现中的关键细节
5.1 雷达参数优化建议
-
载频选择：
- 24GHz：呼吸检测效果好，但心跳分辨率不足
- 60GHz：平衡了穿透力和分辨率
- 77GHz：高分辨率但易受谐波干扰
-
波形参数：
- 扫频带宽：至少1GHz（距离分辨率≈15cm）
- 帧周期：建议20-50ms（对应20-50Hz刷新率）
5.2 信号预处理要点
-
静态杂波抑制：
matlab复制% 直流分量去除 ac_coupled = signal - mean(signal); -
运动伪影消除：
- 使用自适应滤波器消除身体大动作
- 结合加速度计数据进行补偿
5.3 实时处理优化
对于嵌入式平台实现，可以考虑：
- 降采样到最低可用采样率（通常50-100Hz足够）
- 固定点运算替代浮点运算
- 滑动窗口处理替代批处理
6. 常见问题与调试技巧
6.1 谐波过强的解决方案
- 调整雷达俯角，减小检测距离（降低调制指数β）
- 提醒被测者保持浅呼吸
- 算法端增强谐波抑制：
matlab复制% 谐波抑制滤波器设计 [b,a] = cheby2(6,40,[0.3 0.9]/(fs/2),'stop');
6.2 心跳信号微弱的处理
- 选择胸壁运动最明显的检测点
- 尝试不同极化方式（垂直极化通常更优）
- 增加时间积分（牺牲实时性提高信噪比）
6.3 多目标场景下的处理
当检测区域内有多人时：
- 使用MIMO雷达实现空间分离
- 结合聚类算法区分不同目标的信号
- 为每个目标独立建立跟踪滤波器
在实际部署中，我们发现将雷达安装在距离人体0.5-1.5米，俯角30-45度的位置，通常能获得最佳检测效果。对于卧床监测应用，建议使用双雷达配置以克服遮挡问题。