毫米波雷达生物信号解析：Python实现心率呼吸率分离实战指南

当毫米波雷达的电磁波穿透衣物照射到人体表面时，胸腔的微动会形成独特的调制信号。这种非接触式检测方式正在医疗监护、睡眠监测等领域引发革命。本文将手把手带您用Python构建完整的信号处理流水线，从原始信号中提取出心跳与呼吸的"生命密码"。

1. 环境配置与数据准备

工欲善其事，必先利其器。我们需要搭建一个专业的信号处理环境：

python复制# 核心工具库
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
from scipy.fft import fft, fftfreq

# 专业信号处理扩展
import pywt  # 小波分析
import heartpy as hp  # 心率分析专用库

实测数据获取通常有三种途径：

• 开源数据集：如IEEE DataPort的毫米波雷达生命体征数据集
• 硬件采集：使用TI IWR6843等毫米波雷达开发板
• 仿真生成：混合0.2Hz呼吸信号与1.2Hz心跳信号，添加高斯白噪声

python复制# 仿真信号生成示例
fs = 100  # 采样率100Hz
t = np.arange(0, 60, 1/fs)  # 60秒时长
respiration = 0.5 * np.sin(2*np.pi*0.2*t)  # 0.2Hz呼吸
heartbeat = 0.2 * np.sin(2*np.pi*1.2*t)  # 1.2Hz心跳
noise = 0.1 * np.random.normal(size=len(t))
raw_signal = respiration + heartbeat + noise

2. 信号预处理：去噪与增强

原始信号往往包含多种干扰：

• 基线漂移：由身体移动导致
• 高频噪声：电路噪声与环境干扰
• 运动伪影：非呼吸心跳的身体微动

滑动平均去基线漂移：

python复制window_size = int(fs * 1.5)  # 1.5秒窗口
baseline = np.convolve(raw_signal, np.ones(window_size)/window_size, mode='same')
filtered = raw_signal - baseline

小波阈值去噪实战：

python复制coeffs = pywt.wavedec(filtered, 'db4', level=5)
sigma = np.median(np.abs(coeffs[-1])) / 0.6745
threshold = sigma * np.sqrt(2*np.log(len(filtered)))
coeffs[1:] = [pywt.threshold(c, threshold, mode='soft') for c in coeffs[1:]]
denoised = pywt.waverec(coeffs, 'db4')

注意：小波去噪后可能出现边界效应，建议截去首尾各5%的数据

3. 巴特沃斯滤波器设计与实现

巴特沃斯滤波器的核心优势在于通带内最大平坦响应，特别适合生物信号处理。我们需要设计两个滤波器：

呼吸信号提取（低通0.4Hz）：

python复制low_cutoff = 0.4  # Hz
sos_resp = signal.butter(4, low_cutoff, btype='lowpass', fs=fs, output='sos')
respiration_signal = signal.sosfiltfilt(sos_resp, denoised)

心跳信号提取（带通0.7-2Hz）：

python复制low, high = 0.7, 2.0  # Hz
sos_heart = signal.butter(4, [low, high], btype='bandpass', fs=fs, output='sos')
heartbeat_signal = signal.sosfiltfilt(sos_heart, denoised)

关键参数选择指南：

4. 频谱分析与特征提取

FFT是频率分析的利器，但需要掌握正确使用方法：

python复制def compute_psd(signal, fs):
    n = len(signal)
    yf = fft(signal)
    xf = fftfreq(n, 1/fs)[:n//2]
    return xf, 2/n * np.abs(yf[0:n//2])

# 呼吸频谱
f_resp, psd_resp = compute_psd(respiration_signal, fs)
resp_peak = f_resp[np.argmax(psd_resp[:20])]  # 前20个点对应0-2Hz

# 心跳频谱
f_heart, psd_heart = compute_psd(heartbeat_signal, fs)
heart_peak = f_heart[np.argmax(psd_heart[10:40])+10]  # 0.7-2Hz范围

频谱优化技巧：

• 加汉宁窗减少频谱泄漏

python复制window = np.hanning(len(heartbeat_signal))
yf_windowed = fft(heartbeat_signal * window)

• 使用Welch方法提升估计精度

python复制f, Pxx = signal.welch(heartbeat_signal, fs, nperseg=1024)

5. 参数调优与性能提升

实际应用中需要关注的三大核心指标：

1. 信噪比(SNR)优化

   • 增加雷达积分时间
   • 优化天线布局
   • 采用相干积累技术

2. 动态范围调整

python复制# 自动增益控制实现
target_max = 0.8
gain = target_max / np.max(np.abs(raw_signal))
normalized = raw_signal * gain

3. 实时性优化
   • 使用重叠分段处理
   • 采用CIC滤波器降低计算量
   • 移植到嵌入式平台（如STM32H7）

典型问题排查表：

6. 完整流程示例

将各模块整合为端到端处理流水线：

python复制class VitalSignProcessor:
    def __init__(self, fs=100):
        self.fs = fs
        self.resp_filter = signal.butter(4, 0.4, btype='lowpass', fs=fs, output='sos')
        self.heart_filter = signal.butter(4, [0.7, 2.0], btype='bandpass', fs=fs, output='sos')
    
    def process(self, raw_signal):
        # 去基线
        baseline = np.convolve(raw_signal, np.ones(150)/150, mode='same')
        filtered = raw_signal - baseline
        
        # 小波去噪
        coeffs = pywt.wavedec(filtered, 'db4', level=5)
        sigma = np.median(np.abs(coeffs[-1])) / 0.6745
        threshold = sigma * np.sqrt(2*np.log(len(filtered)))
        coeffs[1:] = [pywt.threshold(c, threshold, mode='soft') for c in coeffs[1:]]
        denoised = pywt.waverec(coeffs, 'db4')[75:-75]  # 去除边界
        
        # 滤波分离
        respiration = signal.sosfiltfilt(self.resp_filter, denoised)
        heartbeat = signal.sosfiltfilt(self.heart_filter, denoised)
        
        # 频谱分析
        f_resp, psd_resp = compute_psd(respiration, self.fs)
        f_heart, psd_heart = compute_psd(heartbeat, self.fs)
        
        return {
            'respiration_rate': f_resp[np.argmax(psd_resp[:20])] * 60,
            'heart_rate': f_heart[np.argmax(psd_heart[10:40])+10] * 60
        }

在真实项目中，这个处理器类可以进一步扩展为支持实时流处理、异常检测等功能。记得在部署前用不同体型的测试者数据进行充分验证——我曾在实际项目中遇到过BMI>30的测试者信号需要特殊处理的情况，这时将巴特沃斯阶数提高到6阶能获得更好效果。