简介这是一套基于毫米波雷达的人体健康监测系统完整工程包聚焦非接触式生理信号采集适用于医疗电子、物联网及智能家居领域的开发者和研究人员。系统覆盖实时心率与呼吸检测、睡眠阶段分析、运动状态追踪、健康异常预警、远程医疗监护、数据可视化与多传感器融合等典型环节既能辅助用户了解自身健康状态也可支撑医生远程诊断。压缩包共含两千个文件以脚本与类型化代码文件为主辅以页面样式、图表组件、配置文档和说明手册整体约三十四兆目录按功能模块划分便于快速定位。目前已有七十九人学习下载适合作为项目参考。工程内提供健康监测展示页面和基于图表库的可视化报告能够直观呈现心电与呼吸波形、睡眠趋势和指标异常提醒有助于深入理解雷达数据到生理信息的转化逻辑并掌握完整的系统组织与实现思路。1. 毫米波雷达非接触式生理信号采集不贴电极的心率呼吸监测怎么落地夜间睡眠监测、养老院看护、新生儿监护这类场景最麻烦的一件事是如何在不打扰人的前提下拿到生理信号。传统方案要贴电极或者戴指夹体动就掉线用户也嫌麻烦。基于雷达技术的人体健康监测系统核心是用毫米波雷达做非接触式生理信号采集从胸腔微动里实时提取心率和呼吸再往上做睡眠质量分析、运动状态追踪、健康异常预警和智能家居联动。这套技术方向适合做养老监护产品、医疗物联网、智能家居健康模块的工程师它能让你在 1 到 2 米距离外全天候拿到连续的生命体征数据而且不需要被测者配合。2. 毫米波雷达信号链路选型参数、距离 FFT 与胸腔微动提取2.1 频段、带宽、天线阵列三个选型参数一次说清做健康监测的毫米波雷达主流是 60GHz 和 77GHz 两个频段。两者都走 FMCW调频连续波体制发射锯齿波回波和发射信号混频后得到中频信号再做傅立叶变换提取目标的距离和相位信息。选型时主要看三个参数。第一是频段。60GHz 在全球多数地区有更宽的可开放带宽调频带宽能到几 GHz对应更高的距离分辨率和更小的天线尺寸模块功耗也低适合做成床头设备或贴墙安装的固定产品。77GHz 带宽相对窄一些探测距离更远常见于车载舱内监测和同时兼顾安防的系统。单做睡眠健康监测我一般优先选 60GHz原因是短距离场景下功耗和体积比探测距离更重要。第二是调频带宽 B它决定距离分辨率ΔR c / (2B)。以 4GHz 带宽算距离分辨率约 3.75cm。很多人误以为要靠这个分辨率去分辨胸腔微动其实不对。心跳引起的胸腔位移只有 0.1 到 0.5mm呼吸位移约 4 到 12mm都远小于一个距离分辨单元。微动信息藏在回波相位里距离分辨率只负责把胸腔目标从墙面、家具里分离出来。第三是天线阵列。1Tx1Rx 最简只能测距离和相位够单人健康监测用1Tx2Rx 多一根接收天线可以解到达角把床位附近和门口走动的人区分开实测提升明显4D 毫米波雷达加了速度维和俯仰维多人场景、姿态识别更稳但数据量翻几倍嵌入式处理压力大。只要目标是单人室内监测1Tx2Rx 的性价比最高。频段典型带宽优势适合场景60GHz可达数 GHz功耗低、体积小、短距分辨率好室内健康监测、睡眠分析77GHz约 4GHz 上下探测距离远、与车载方案复用舱内监测、跨房间看护2.2 距离 FFT先把目标从回波里拎出来拿到 ADC 原始数据后第一道处理是沿快时间维做距离 FFT。数据组织的典型方式是 (n_chirps, n_samples_per_chirp)每行是一个 chirp 内的采样点每一列对应一个距离门在慢时间上的序列。import numpy as np # adc_data 形状: (n_chirps, n_samples_per_chirp) # 假设一次处理 128 个 chirp每个 chirp 采 256 点 adc_data np.random.randn(128, 256) 1j * np.random.randn(128, 256) # 距离维 FFT得到每个 chirp 的距离频谱 range_fft np.fft.fft(adc_data, n256, axis1) # 计算距离谱幅度在 0.5m~2m 范围内找目标距离门 # 实际项目中应根据雷达配置的距离门间距换算 range_profile np.abs(range_fft) target_bin np.argmax(np.mean(range_profile[:, 16:64], axis0)) 16 # 提取该距离门上的慢时间复信号后续做相位解调 slow_time_signal range_fft[:, target_bin]这段代码的关键在于目标距离门的选择。直接在整个距离维上找最大能量峰不稳因为人走动时波形幅度远大于胸腔静止时的呼吸信号目标 bin 会跳来跳去。我的做法是把搜索范围限制在实际部署场景内比如床头柜对面 0.5m 到 2m 这个区间再取能量峰。另外FFT 点数不用盲目加到 2048 或 4096零填充能让峰值看起来更平滑但不会提升相位测量精度反而增加计算量。2.3 相位解调从毫米级微动到呼吸心跳波形距离 FFT 输出的复数幅值代表目标反射强度相位代表目标到雷达的精确距离。提取目标距离门处的慢时间复信号后逐帧取相位即可得到胸腔微动位移波形。# 提取慢时间信号的相位 phase np.angle(slow_time_signal) # 相位跨越 ±pi 边界时跳变必须解缠 phase_unwrapped np.unwrap(phase) # 位移 波长 * 相位 / (4 * pi) # 60GHz 载波波长约 5mm wavelength_mm 5.0 displacement_mm wavelength_mm * phase_unwrapped / (4.0 * np.pi) # 一阶差分去掉直流分量得到微动位移变化量 micro_motion np.diff(displacement_mm)相位解调是整个系统的核心一步。毫米波雷达相位测量精度可以达到几十微米比距离分辨率高两个数量级这正是它能分辨心跳微动的原因。实际操作中要注意两点一是相位解缠不能省否则每次相位跨过 ±π 边界都会产生一个跳变尖峰二是慢时间信号里混有低频漂移来自人翻身造成的距离门滑动和雷达模块自身的温度漂移需要后面用高通滤波或滑动中值去除。我试过直接从相位差分后的信号做频谱分析短时间看波形没问题但放长时间窗口会发现基线随体温和环境温度缓慢爬升这就是模块发热引起的相位漂移。所以后面的算法链路里会先做一次高通滤波再进入心率呼吸分离。3. 实时心率呼吸检测滤波参数、频谱估计与异常预警判定3.1 带通滤波器设计心跳和呼吸的频段怎么切生理信号的频率范围是固定的呼吸约 0.15 到 0.5Hz对应每分钟 9 到 30 次心率约 0.8 到 3Hz对应每分钟 48 到 180 次。滤波的作用是把两个频段从 micro_motion 信号里分离出来。from scipy import signal # 慢时间采样率chirp 重复频率10Hz 足够覆盖到心跳谐波 fs 10.0 # 呼吸通道带通滤波2 阶巴特沃斯 sos_breathe signal.butter(2, [0.15, 0.5], btypebandpass, fsfs, outputsos) breath_wave signal.sosfilt(sos_breathe, micro_motion) # 心跳通道带通滤波3 阶巴特沃斯 sos_heart signal.butter(3, [0.8, 3.0], btypebandpass, fsfs, outputsos) heart_wave signal.sosfilt(sos_heart, micro_motion)滤波参数有两个坑。第一个是阶数呼吸通道用 2 阶就够了阶数太高会引入明显群延迟让呼吸波形和真实胸腔运动对不上后续睡眠分析里的呼吸暂停事件计时就偏了心跳通道可以放到 3 阶因为心跳信号幅值比呼吸小一个量级需要更陡的截止把呼吸泄漏挡干净。第二个是 fs 的选择10Hz 慢时间采样率下奈奎斯特频率是 5Hz能覆盖到心率频段的二次谐波足够了。滤波之后先别急着做频谱。要把心率通道里可能存在的呼吸谐波干扰处理掉。呼吸波形不是标准正弦谐波丰富二次谐波刚好落在 0.8 到 1.0Hz和心率频段重叠。我一般先用呼吸通道估出呼吸率然后在心率通道上加一个陷波滤波器把呼吸基频的 2、3 次谐波频率陷掉心率检测可信度会明显提升。3.2 短时频谱估计与峰值跟踪窗口长度和更新率怎么配滤波后的波形是一维时间序列要得到实时心率需要用滑动窗口做频谱估计。窗口长度的选择决定了响应速度和频率分辨率的取舍。import numpy as np def estimate_heart_rate(heart_wave, fs10.0): # 10 秒窗口频率分辨率约 0.1Hz对应 6bpm window_len int(10 * fs) hop int(1 * fs) # 每 1 秒更新一次 nfft 128 # FFT 点数补零到 128 heart_freq_range (0.8, 3.0) hr_list [] for start in range(0, len(heart_wave) - window_len, hop): segment heart_wave[start:start window_len] segment segment * np.hanning(window_len) # 汉宁窗抑制频谱泄漏 spectrum np.fft.rfft(segment, nnfft) freqs np.fft.rfftfreq(nfft, d1.0 / fs) # 在心率频段内找峰值 mask (freqs heart_freq_range[0]) (freqs heart_freq_range[1]) peak_idx np.argmax(np.abs(spectrum[mask])) hr freqs[mask][peak_idx] * 60.0 hr_list.append(hr) return hr_list窗口 10 秒、每秒更新一次、重叠率 90%这是睡眠监测场景的常用配置。10 秒窗口的频率分辨率约 0.1Hz对应 6bpm已经能区分相邻心率了。如果要测运动状态下的实时心率窗口缩到 5 秒频段放宽到 0.8 到 4Hz代价是频谱泄漏变大需要靠帧间平滑补救。帧间平滑我用 α 滤波hr_smooth 0.7 * hr_new 0.3 * hr_prevα 取 0.30.4 比较稳。α 太小输出迟钝心率突变的响应要十几秒α 太大会跟着单帧噪声跳。这个参数需要用真实数据标定我一般录制一组长达 20 分钟的静止数据用指夹式设备做参考调到误差不超过 ±5bpm 为止。3.3 HRV 与异常预警从波形到告警的阈值逻辑实时心率呼吸只是原始指标健康异常预警需要更高层的特征。HRV心率变异性是其中最实用的一项它反映自主神经调节能力和睡眠质量、压力水平、心脏风险都有相关性。HRV 计算的第一步是提取 RR 间隔。做法有两种一种是从滤波后的心跳波形里找峰值计算相邻峰值间隔另一种是用 Hilbert 变换求瞬时相位过零检测得到瞬时心率序列。睡眠监测场景建议用第二种峰值检测在呼吸谐波残留时容易误检。from scipy.signal import hilbert # 心率波形经 Hilbert 变换得到瞬时相位 analytic_signal hilbert(heart_wave) instantaneous_phase np.unwrap(np.angle(analytic_signal)) instantaneous_hr np.diff(instantaneous_phase) / (2.0 * np.pi * (1.0 / fs)) * 60.0 # 滑动计算 RMSSD取过去 30 个 RR 间隔的差值均方根 def rmssd(hr_values, window_size30): values [] for i in range(window_size, len(hr_values)): diffs np.diff(hr_values[i - window_size:i]) values.append(np.sqrt(np.mean(diffs ** 2))) return np.array(values)异常预警不能只看单一指标超限就报警否则人下床喝水就会触发一场虚惊。我的做法是把状态机分成 normal、watch、alert 三档normal 时单项超限进入 watchwatch 状态持续 30 秒以上或出现第二项指标异常才升级为 alert。指标正常参考范围预警阈值可配置静息心率50100 bpm45 或 120 持续 60 秒呼吸率1220 次/分8 或 25 持续 60 秒呼吸暂停无呼吸幅度低于阈值且持续 ≥10 秒RMSSD与年龄相关连续 10 分钟下滑超过 30%这里要特别注意和运动状态联动。心率 130 可能是异常也可能是人刚从床上坐起来走动。所以异常判定逻辑必须输入上一章的运动状态标记运动状态下只做监测不做告警静止状态下才启用阈值判定。这也是为什么标题里运动状态追踪和健康异常预警要放在同一个系统里两者是互相约束的关系。4. 睡眠质量分析、运动状态追踪与多传感器融合4.1 睡眠呼吸暂停与体动识别雷达能测什么、测不了什么毫米波雷达做睡眠分析核心优势是能整夜无感监测呼吸和体动但边界要讲清楚。雷达能直接测到的是三样东西呼吸幅度和节律、心率及其变异性、身体的翻身和移动。基于这三样可以可靠地识别呼吸暂停事件、评估体动频率和整夜睡眠时长。雷达测不了的是真正的睡眠分期。NREM 三期和 REM 期需要脑电特征来划分雷达只能通过呼吸平稳度、体动频率和心率变化做近似估计。所以睡眠报告里写「深睡比例」时背后是体动少 呼吸平稳 心率下降的综合评分不是医学意义的脑电分期报告里要注明这是基于体动和呼吸的估计值。呼吸暂停事件检测是最容易落地的功能因为信号特征非常清晰。# 呼吸包络对呼吸波形做滑动 RMS rms_window int(5 * fs) # 5 秒窗口 rms np.sqrt(np.convolve(breath_wave ** 2, np.ones(rms_window) / rms_window, modesame)) # 基线取过去 10 分钟的中位数而不是全局中位数 # 避免睡眠后期整体呼吸变浅导致基线失真 baseline pd.Series(rms).rolling(int(600 * fs)).median().values apnea_mask (rms 0.3 * baseline).astype(int) # 连续 10 秒以上标记为一次呼吸暂停候选事件 events [] count 0 start_idx 0 for i, m in enumerate(apnea_mask): if m: if count 0: start_idx i count 1 else: if count int(10 * fs): events.append((start_idx, i)) count 0阈值 0.3 倍基线和 10 秒持续时间参考的是临床上呼吸暂停低通气指数AHI的事件定义。但雷达测的是胸腔位移幅度不是实际气流鼻腔部分阻塞导致的低通气事件雷达基本测不出来所以检测结果只能叫「疑似呼吸暂停」。部署前我习惯先用指夹式血氧仪做一晚同步对比确认事件召回率在可接受范围再上线。4.2 运动状态追踪多普勒特征与三分类运动状态追踪的输入是距离 FFT 之后的目标距离门慢时间信号。人在静止时慢时间信号的幅度和相位围绕呼吸心跳做周期性微动人走动时胸腔整体位移会在多普勒维产生显著展宽。用多普勒特征做三分类足够满足健康监测需求。# 取最近 2.56 秒的慢时间信号做多普勒 FFT慢时间采样率 10Hz 时约 256 点 segment slow_time_signal[-256:] doppler_spectrum np.fft.fftshift(np.fft.fft(segment, n256)) power np.abs(doppler_spectrum) ** 2 total_power power.sum() 1e-9 # 峰值多普勒位置接近零表示目标基本静止 peak_idx np.argmax(power) peak_doppler peak_idx - 128 # 能量集中度峰值能量占总能量比例 concentration power[peak_idx] / total_power # 三分类判定阈值需现场标定 if concentration 0.6 and abs(peak_doppler) 5: motion_state static # 静止可计算心率呼吸 elif concentration 0.3: motion_state micro # 微动如翻身、坐起 else: motion_state moving # 走动暂停生命体征计算这个分类器的阈值和雷达安装位置强相关。安装高度 1.5m 正对床位时门窗处的走动目标多普勒谱峰值偏移明显如果雷达装在墙角斜着照走动的多普勒特征会被压缩阈值要重标。我踩过这个坑后来直接在部署页面上加了一个「现场校准」步骤让用户分别静止、走动各一分钟自动统计两类特征分布再算阈值比手工调参与。」这个分类器的阈值和雷达安装位置强相关。安装高度 1.5m 正对床位时门窗处的走动目标多普勒谱峰值偏移明显如果雷达装在墙角斜着照走动的多普勒特征会被压缩阈值要重标。我踩过这个坑后来直接在部署页面上加了一个「现场校准」步骤让用户分别静止、走动各一分钟自动统计两类特征分布再算阈值比手工调参稳得多。4.3 多传感器融合雷达为主、PIR 确认、环境量修正多传感器融合在标题里是「多传感器融」实际做项目时会发现贪多会导致系统的复杂度和误报率一起上升。我推荐的策略是雷达做主传感器PIR 人体红外做存在性确认温湿度传感器做环境上下文决策层做融合而不是数据层堆叠。PIR 的作用非常关键。雷达在无人房间对着一个摇头风扇或窗帘也能检测到周期性微动幅度特征和呼吸高度相似。如果只看雷达这种场景会出一整晚的「呼吸正常」假数据。接入 PIR 后PIR 无人但雷达有心跳呼吸信号融合层直接把置信度拉低输出「有人但主体遮挡」或「疑似环境干扰」避免误告警。温湿度传感器不直接参与心率呼吸算法。它记录的是睡眠环境上下文比如卧室温度超过 26 度时深睡比例系统性下降这可以在周报告里给出可解释的建议。真正把温湿度直接融合进生理信号算法的做法很少见因为毫米波雷达的相位受温度影响主要在模块自身发热环境温度变化的贡献太小没必要建模。多传感器融合的落地原则是一个传感器的可信度能被另一个独立信息源确认这种融合才有价值。5. 毫米波雷达健康监测避坑实录五条让项目翻车的常见问题5.1 心率测成了呼吸率的两倍谐波干扰现象人静坐不动心率输出稳定在呼吸率的整数倍比如呼吸 15 次/分心率显示 45 或 60和真实值完全对不上。原因呼吸波形不是纯正弦含有丰富的谐波成分。呼吸基频 0.25Hz 的二次谐波 0.5Hz 还在呼吸频段内但三次谐波 0.75Hz 已经进入心率频段的边缘。呼吸幅度比心跳幅度大数十倍谐波能量在滤波后依然可能盖过真实心跳峰。解决先单独跑呼吸通道估计出呼吸率然后在心率通道的频谱估计里把呼吸基频的 2、3、4 次谐波频率处用陷波滤波器清零再做峰值搜索。实测这个步骤能让心率误锁率大幅下降。5.2 人一起身数据瞬间跳到 180现象整晚数据正常老人起夜时心率输出瞬间跳到 180bpm 并持续十几秒触发异常告警家属半夜收到报警。原因体动位移量级远大于心跳微动翻身、坐起时胸腔整体移动的频谱能量泄漏到心率频段峰值搜索直接锁到了高频干扰峰上。解决运动状态分类器检测到 moving 或 micro 状态时心率呼吸输出标记为 invalid保持上一帧有效值不做插值回填。等信号稳定后重新捕获。这个「冻结输出」机制看起来简单却是避免误报的关键。5.3 靠墙安装后读数漂移现象同一套系统在房间中央测试正常挪到贴近墙面后呼吸幅度逐渐变大心率频谱里多出低频噪声。原因墙面是强反射体雷达发出的一部分能量经墙面反射后与目标回波混频产生低频干涉漂移另外安装位置变化后距离门可能锁定在墙面上而不是胸腔上。解决安装离墙距离至少 30cm距离门选择时不要只看幅度峰要看呼吸频带内的能量。处理链路里加静态杂波对消对每个距离门减去长时间均值再重新搜索目标门。5.4 嵌入式板子上跑不动现象把 Python 原型直接搬到树莓派上帧率掉到 2HzCPU 占用超过 70%实时性完全无法保证。原因全距离维 FFT 每次都算完整 256 点滑动频谱估计每帧又做了 512 点 FFT慢时间采样率还设成了 30Hz大量计算花在了无用数据上。解决慢时间采样率降到 10Hz 足够心跳频谱 FFT 点数降到 128只保留目标距离门附近 ±2 个 bin 的数据参与后续计算。全程用单精度浮点Python 侧能把帧率拉到 10Hz 以上。这套优化做完之前不要急着换更强的板子。5.5 和手环对比对不上现象用户同时戴了手环手环显示 60bpm雷达显示 68bpm用户质疑系统准确性。原因可穿戴设备在体动时本身就有偏差手环心率算法滞后时间常数各不相同而且双方滤波平滑参数不同导致输出曲线的相位差。这类对比天然有 ±5bpm 级别差异。解决做一致性验证时约定静止状态、同一时间段、只对比滤波后的分钟均值不做瞬时值对标。项目验收报告里也按 ±5bpm 的误差范围写指标避免验收时拿瞬时值较真。6. 远程医疗监护、智能家居集成与 ECharts 可视化报告6.1 异常事件传到家人和医护端MQTT 消息流设计远程医疗监护的链路是雷达算法板 → MQTT Broker → 业务后端 → 手机/医护端。消息格式统一用 JSON算法板只负责上报结构化数据由后端决定是否告警和推给谁。# 心跳消息算法板每 2 秒发布一次topic: health/radar_001/vitals { device_id: radar_001, ts: 1712345678900, heart_rate: 72, respiratory_rate: 16, confidence: 0.95, motion_state: static, signal_status: valid } # 事件消息只在异常时发布topic: health/radar_001/events { device_id: radar_001, ts: 1712345678900, event_type: apnea_suspected, duration_sec: 22, start_ts: 1712345675000, severity: watch }这里有两个设计要点。一是生命周期状态和异常事件分离后端订阅 v 事件需要触发警报通知订阅 events 才能做统计二是事件消息要带 duration 和 start_ts这样才能生成睡眠报告里的「疑似呼吸暂停 3 次最长 28 秒」这类描述。测试阶段可以先把 broker 和 Node-RED 搭一个可视化联调台比直接在手机上看日志高效得多。6.2 智能家居联动健康数据触发设备动作智能家居集成不能直接把雷达的每一帧数据都发给家居平台那样会淹掉平台的事件流。我的做法是让业务后端做一层「联动规则引擎」只把有意义的健康事件转成家居平台的开关指令。联动场景通常做两个就够一个是用智能音箱语音提醒夜间心率持续超过 120 持续 30 秒时让音箱播放语音「监测到心率异常需要帮助吗」同时把床头灯调到 20%另一个是呼吸暂停事件积累到一晚上超过阈值时第二天早上通过智能家居平台向家属手机推一份异常报告。注意联动规则必须带持续时间和确认机制避免单次误报直接触发音箱夜间发声把老人吵醒。在 Home Assistant 这类平台里用自动化规则配置即可不需要在雷达算法代码里耦合家居逻辑。6.3 ECharts 可视化报告时序、频谱与睡眠分期的前端方案数据可视化报告分两个层面网页端实时页面展示最近一分钟的心率呼吸动态曲线以及端测生成的睡眠报告页。ECharts 是该项目里最适合做这件事的组件因为它原生支持实时数据推送渲染和静态报告两种形态。// 实时心率呼吸曲线双 y 轴左轴心率右轴呼吸率 const option { tooltip: { trigger: axis }, xAxis: { type: time }, yAxis: [ { type: value, name: 心率 bpm, min: 40, max: 140 }, { type: value, name: 呼吸率 次/分, min: 5, max: 35 } ], series: [ { name: 心率, type: line, data: heartRateHistory, yAxisIndex: 0, sampling: lttb }, { name: 呼吸率, type: line, data: respiratoryHistory, yAxisIndex: 1, sampling: lttb } ] }; chart.setOption(option);参数上值得注意的就是 sampling: lttb。页面上要展示整晚的心率曲线时几万帧数据直接渲染会卡到没法拖动缩放lttb 抽稀算法保留趋势形状的同时把点数降到一个数量级做了这个设置后再加载一晚的数据就流畅可用了。睡眠报告则用 custom series 画甘特条带横轴时间纵轴 清醒 / 浅睡 / 深睡 / 疑似呼吸暂停比折线图直观得多。这套东西做到最后我最大的体会是健康监测系统的核心不是把某一个算法指标调到极致而是整条链路的稳定性和可解释性。从雷达安装位置到 MQTT 消息结构再到报告里每一个指标的定义口径任何一个环节模糊最终反馈到用户那里都是「这个东西不准」。先把链路完整跑通再逐点做精度优化是最省力的路径。希望帮到你。本文还有配套的精品资源点击获取