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