用 Python 实现一个简单的“人呼吸检测”算法

雷达物联

508人浏览 · 2026-03-06 21:54:42

雷达物联 · 2026-03-06 21:54:42 发布

在这里插入图片描述

——从毫米波雷达数据到呼吸曲线

如果你第一次接触毫米波雷达的生命体征检测，很可能会觉得这件事有点神奇。

一个人坐在椅子上几乎没有明显动作，
雷达却能够检测到他的呼吸。

很多人会下意识地认为，这背后一定依赖某种复杂的 AI 算法。但真实情况恰恰相反。

在绝大多数雷达系统中，呼吸检测算法其实非常“朴素”。
核心思想可以概括为一句话：

观察人体胸腔的微小周期运动。

只要雷达系统具有足够好的距离分辨率和相位稳定性，这种毫米级的微小位移就会反映在回波信号的相位变化中。

换句话说，雷达并不是直接“看到”胸腔在运动，而是通过信号中的相位变化推断出这种运动。

在这篇文章中，我们做一件非常具体的事情：

用 Python 写一个简单的呼吸检测算法，从原始雷达数据中恢复出一条呼吸曲线。

整套流程适用于 RS6013A 毫米波雷达实验套件 等能够输出原始 ADC 数据的系统。

一、呼吸检测的物理原理

在开始写代码之前，我们先从物理原理出发，理解雷达是如何感知呼吸的。

假设一个人坐在雷达前方 1 米左右 的位置，保持安静呼吸。

当人体呼吸时，胸腔会产生前后往复的运动，典型位移范围大约是：

几毫米到一厘米。

对于人来说，这样的位移几乎感觉不到，但对于毫米波雷达来说，这已经是一个相当明显的变化。

原因在于毫米波的波长非常短。

以常见的 77 GHz 毫米波雷达 为例，其波长大约为：

λ ≈ 3.9 mm

当胸腔移动 1 mm 时，回波信号的相位就会产生明显变化。

换句话说：

雷达并不是“看见胸腔”，
而是“看见相位在周期变化”。

只要把这种周期变化提取出来，就能得到呼吸信号。
在这里插入图片描述

图中示意了毫米波雷达检测呼吸的基本原理：
人体胸腔在呼吸过程中产生毫米级位移，这种微小运动会引起回波信号相位的周期变化。

二、相位变化与位移的数学关系

从数学角度来看，雷达检测呼吸的原理其实非常清晰。

当雷达接收到人体反射的电磁波时，回波信号可以表示为：

$e^{j\phi}$
其中：

( $A$ ) 表示信号幅度
$(ϕ)(\phi)$ 表示信号相位

对于距离为 ® 的目标，其相位为：

$\phi = \frac{4\pi R}{\lambda}$
这里：

( $R$ ) 为目标距离
( $λ\lambda$ ) 为雷达波长

当人体呼吸时，胸腔会产生微小位移 (\Delta R)。

此时相位变化为：

$\Delta \phi = \frac{4\pi \Delta R}{\lambda}$
这条公式非常关键，它说明：

毫米级位移会转化为明显的相位变化。

举一个简单例子。

对于 77 GHz 雷达：

$\lambda \approx 3.9 mm$
如果胸腔移动 1 mm：

$\Delta\phi \approx 3.2 rad$
这已经是一个非常明显的相位变化。

因此，通过连续观测相位随时间变化，就可以恢复出人体的呼吸节律。

三、呼吸检测的基本流程

从雷达数据到呼吸曲线，大致需要经过几个步骤。

首先，雷达持续发射 FMCW chirp 并采集 ADC 数据。
通过 Range FFT，可以得到每一帧的距离谱。

接下来，在距离谱中找到人体所在的 range bin。

人体所在的距离单元会随着呼吸产生微小相位变化。

然后提取这个 range bin 在连续帧中的相位变化。

最后，通过带通滤波去除噪声，就可以得到稳定的呼吸曲线。

整体流程如下：

ADC数据
   ↓
Range FFT
   ↓
定位人体所在距离bin
   ↓
提取相位变化
   ↓
带通滤波
   ↓
呼吸信号

在这里插入图片描述

四、Python 实现呼吸检测

假设我们已经从雷达系统获取一段数据：

radar_data.shape = [num_frames , num_samples]

代码如下：

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import butter, filtfilt

# 加载雷达数据
data = np.load("radar_adc.npy")

num_frames, num_samples = data.shape

# Range FFT
range_fft = np.fft.fft(data, axis=1)

# 找到能量最大的距离bin（假设为人体）
range_bin = np.argmax(np.mean(np.abs(range_fft), axis=0))

# 提取该距离bin信号
signal = range_fft[:, range_bin]

# 相位
phase = np.angle(signal)

# 相位展开
phase = np.unwrap(phase)

# 呼吸频率范围
fs = 20
low = 0.1
high = 0.5

b, a = butter(2, [low/fs*2, high/fs*2], btype='bandpass')
breath = filtfilt(b, a, phase)

plt.figure(figsize=(8,4))
plt.plot(breath)
plt.title("Breathing Signal")
plt.xlabel("Frame")
plt.ylabel("Amplitude")
plt.show()

运行之后，你会得到一条比较平滑的曲线。

这条曲线的周期，就是人的呼吸周期。

五、MATLAB 版本实现

如果你使用 MATLAB，代码实现也非常直观：

load radar_adc.mat

[numFrames, numSamples] = size(data);

range_fft = fft(data, [], 2);

power = mean(abs(range_fft),1);
[~,range_bin] = max(power);

signal = range_fft(:,range_bin);

phase = angle(signal);
phase = unwrap(phase);

fs = 20;

[b,a] = butter(2,[0.1 0.5]/(fs/2),'bandpass');

breath = filtfilt(b,a,phase);

plot(breath)
title('Breathing Signal')
xlabel('Frame')
ylabel('Amplitude')