Radar-Vital-Signs-Monitoring-NICU-to-IMS

24GHz FMCW 雷达生命体征监测：从新生儿 NICU 到舱内监控的技术迁移

发布日期： 2026-04-05
分类： 传感器融合 / CPD
标签： 雷达监测, 生命体征, FMCW, CPD, 非接触传感

研究概述

2026年3月发表于《Sensors》期刊的研究论文，首次系统验证了 24GHz FMCW 雷达在新生儿重症监护室（NICU）中的呼吸监测可行性。这项技术对 IMS 舱内监控，尤其是 CPD（儿童存在检测）和乘员生命体征监测具有直接的技术迁移价值。

核心技术：RaMoSS 系统

硬件架构

RaMoSS（Radar Monitoring Sensor System）关键参数：

参数 规格
工作频率 24.125 GHz（ISM 频段）
带宽 250 MHz
调制方式 FMCW（调频连续波）
通道数 2 发射 + 4 接收（I/Q 解调）
天线 六单元串联馈电贴片阵列
测量距离 ~400 mm（孵箱顶部到目标）

信号处理流程

1
2
3
4
5
6
7
8
9
10
11
发射 FMCW 啁啾信号
    ↓
目标胸壁反射
    ↓
四通道 I/Q 接收
    ↓
相位解调（提取微动）
    ↓
低频滤波（呼吸信号）
    ↓
呼吸频率计算

关键洞察：

  • 雷达检测的是 胸壁微小位移（亚毫米级）
  • 呼吸引起的相位变化可被精确提取
  • 心跳信号存在于更高频率分量中

实验验证：小型猪模型

为什么选择小型猪？

生理相似性：

参数 早产儿 新生小型猪
体重范围 1000-2500g 1050-2210g
呼吸频率 40-60 次/分 80-90 次/分
胸廓尺寸 相似 相似
肺-体重比 相似 相似

测试结果

六个小型猪呼吸监测对比：

受试者 体重(g) 雷达 vs 参考监测器相关性
Piglet 1 1460 r = 0.85
Piglet 2 1250 r = 0.92
Piglet 3 1420 r = 0.88
Piglet 4 1900 r = 0.90
Piglet 5 2210 r = 0.87
Piglet 6 1050 r = 0.62（运动干扰大）

关键发现：

  1. 静态条件下，雷达监测与有线监测器高度一致
  2. 呼吸暂停检测：雷达比传统监测器更敏感
  3. 运动干扰：肢体运动会引入伪影

对 IMS/CPD 的技术迁移

应用场景一：儿童存在检测（CPD）

传统 CPD 方案：

方案 优点 缺点
摄像头 可视化 遮挡失效、隐私问题
超声波 成本低 距离有限、精度低
重量传感器 简单 仅检测座位占用
雷达 穿透遮挡、生命体征 成本较高

RaMoSS 技术的 CPD 优势：

  1. 穿透能力：

    • 毛毯、衣物、座椅套 不影响检测
    • 即使儿童被覆盖仍可检测呼吸

  2. 生命体征区分：

    • 区分”活着的人”与”物品”
    • 避免宠物误触发

  3. 隐私保护：

    • 不采集图像
    • 仅输出”存在/不存在”状态

应用场景二：乘员生命体征监测

可监测参数：

参数 可行性 备注
呼吸频率 ✅ 已验证 本研究核心成果
心率 ⚠️ 可行 需更高频率雷达（60GHz）
呼吸暂停 ✅ 已验证 比传统传感器更敏感
体动 ✅ 可检测 但需区分”正常活动”与”异常”

应用场景三：无响应驾驶员干预

Euro NCAP 2026 要求：

DMS 检测到驾驶员无响应时，系统应自动减速、靠边停车并呼叫救援。

雷达辅助方案：

1
2
3
4
5
6
7
DMS 检测到眼睛闭合/无响应
    ↓
雷达确认生命体征（呼吸/心跳）
    ↓
判断：昏迷 vs 心脏骤停
    ↓
不同紧急响应策略

区分昏迷 vs 心脏骤停：

状态 呼吸 心跳 响应策略
正常睡眠 ✅ 规律 ✅ 规律 警报唤醒
昏迷 ⚠️ 异常 ✅ 存在 紧急停车 + 呼叫
心脏骤停 ❌ 无 ❌ 无 AED + 紧急救援

技术挑战与解决方案

挑战一：运动伪影

问题描述：
肢体运动会干扰呼吸信号提取。

解决方案：

  1. 多通道空间滤波

    1
    四接收通道 → 波束成形 → 聚焦胸廓区域

  2. 自适应运动检测

    1
    2
    3
    4
    if body_motion_detected:
        # 暂停呼吸监测
        # 等待运动停止后恢复
        pause_respiration_monitoring()

  3. 深度学习去噪

    • 训练神经网络区分”呼吸信号”和”运动伪影”
    • 实时滤除干扰

挑战二：多人场景

问题描述：
舱内多人情况下，如何区分不同乘员的呼吸信号？

解决方案：

技术 原理 适用场景
空间分离 多波束指向不同座位 前排/后排分离
距离分辨 FMCW 距离门控 不同距离的乘员
角度分辨 多通道角度估计 并排座位

挑战三：车辆振动

问题描述：
车辆行驶中的振动会干扰微弱的生命体征信号。

解决方案：

  1. 差分测量

    • 参考通道检测车辆振动
    • 减去公共振动分量

  2. 频域滤波

    • 车辆振动：低频（<0.1 Hz）
    • 呼吸：中频（0.2-0.5 Hz）
    • 心跳：高频（1-2 Hz）

硬件设计建议

频率选择

频率 优点 缺点 推荐场景
24 GHz 成熟、成本低 精度较低 初级 CPD
60 GHz 精度高、心率可测 成本较高 高端 CPD/生命体征
77 GHz 车规级、兼容 ADAS 需车规认证 舱内雷达 + ADAS 融合

天线设计

舱内安装位置：

1
2
3
顶棚中央 → 俯视舱内
    ├── 前排 DMS/OMS 覆盖
    └── 后排 CPD 覆盖

波束宽度设计：

区域 波束宽度 覆盖范围
驾驶员座 30° × 30° 单人精准监测
后排 60° × 60° 多人广角监测

信号处理算法

呼吸频率提取

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
import numpy as np
from scipy import signal

def extract_respiration_rate(iq_data, fs=32):
    """
    从 I/Q 数据提取呼吸频率
    
    Args:
        iq_data: 雷达 I/Q 复数信号
        fs: 采样频率（Hz）
    
    Returns:
        respiration_rate: 呼吸频率（次/分钟）
    """
    # 1. 相位解调
    phase = np.angle(iq_data)
    phase_unwrapped = np.unwrap(phase)
    
    # 2. 去除静态相位（直流分量）
    phase_detrended = signal.detrend(phase_unwrapped)
    
    # 3. 带通滤波（0.1-1.0 Hz，对应 6-60 次/分钟）
    b, a = signal.butter(4, [0.1, 1.0], btype='band', fs=fs)
    phase_filtered = signal.filtfilt(b, a, phase_detrended)
    
    # 4. FFT 频谱分析
    freqs = np.fft.rfftfreq(len(phase_filtered), 1/fs)
    spectrum = np.abs(np.fft.rfft(phase_filtered))
    
    # 5. 峰值检测
    peak_idx = np.argmax(spectrum)
    respiration_freq = freqs[peak_idx]
    
    # 6. 转换为呼吸频率
    respiration_rate = respiration_freq * 60  # 次/分钟
    
    return respiration_rate

呼吸暂停检测

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
def detect_apnea(phase_signal, window_sec=10, threshold_bpm=5):
    """
    检测呼吸暂停
    
    Args:
        phase_signal: 相位信号
        window_sec: 滑动窗口（秒）
        threshold_bpm: 呼吸频率阈值
    
    Returns:
        apnea_events: 呼吸暂停事件列表
    """
    apnea_events = []
    
    # 滑动窗口分析
    for i in range(0, len(phase_signal) - window_sec * fs, fs):
        window = phase_signal[i:i + window_sec * fs]
        rr = extract_respiration_rate(window)
        
        if rr < threshold_bpm:
            apnea_events.append({
                'start_time': i / fs,
                'duration': window_sec,
                'estimated_rr': rr
            })
    
    return apnea_events

与 Euro NCAP 2026 的关联

CPD 检测要求

Euro NCAP 2026 CPD 场景：

场景 传统方案局限 雷达方案优势
儿童被毯子覆盖 摄像头失效 ✅ 雷达穿透
儿童在安全座椅内 可能有盲区 ✅ 远场覆盖
儿童睡着不动 重量传感器误判 ✅ 呼吸检测
宠物在车内 可能误触发 ✅ 生命体征区分

Euro NCAP 评分点

雷达 CPD 可贡献的分数：

项目 分数 雷达可实现性
儿童存在检测 3 分 ✅
呼吸/心跳检测 加分项 ✅
多座位覆盖 2 分 ⚠️ 需多雷达配置
遮挡场景 加分项 ✅

开发路线图

第一阶段（1-3 个月）：可行性验证

  1. 采购 24GHz FMCW 雷达评估板
  2. 搭建舱内测试环境
  3. 验证呼吸检测在车内环境的可行性

第二阶段（3-6 个月）：原型开发

  1. 设计舱内雷达天线
  2. 开发信号处理算法
  3. 集成到 IMS 原型系统

第三阶段（6-12 个月）：量产准备

  1. 车规级雷达选型（60GHz/77GHz）
  2. 算法优化（运动干扰抑制）
  3. Euro NCAP 测试验证

供应商推荐

雷达芯片方案：

厂商 产品 频率 备注
Infineon BGT24MTR 24 GHz 本研究所用
Texas Instruments IWR6843 60 GHz 支持心率检测
Infineon BGT60ATR24 60 GHz 车规级
Uhnder 数字雷达 77 GHz 高分辨率

总结

24GHz FMCW 雷达在新生儿 NICU 监测中的成功验证，为 IMS 舱内监控提供了成熟的技术路径：

核心价值：

  1. 非接触生命体征监测——无需任何物理传感器
  2. 穿透遮挡——毛毯、衣物不影响检测
  3. 隐私保护——无图像采集
  4. 呼吸暂停检测——比传统传感器更敏感

IMS 开发的关键启示：

  1. CPD 是雷达技术的最佳应用场景
  2. 与摄像头形成互补——摄像头看”人”，雷达看”生命”
  3. 60GHz 是推荐的量产方案——支持心率检测

行动建议：
立即启动雷达 CPD 原型开发，优先验证车内环境下的呼吸检测准确性。

参考论文：

  • Goedicke-Fritz S, et al. “Radar-Based Monitoring: A Proof of Principle Study in a Piglet Model for a Novel Approach in Non-Contact Vital Sign Monitoring.” Sensors 2026, 26(7), 2139. DOI: 10.3390/s26072139

本文深度解析雷达生命体征监测技术对 IMS/CPD 的应用价值，为开发团队提供技术迁移指南。

Euro NCAP > DMS
#DMS #OMS #CPD #Euro NCAP 2026
Radar-Vital-Signs-Monitoring-NICU-to-IMS
https://dapalm.com/2026/04/05/2026-04-05-Radar-Vital-Signs-Monitoring-NICU-to-IMS/
作者
Mars
发布于
2026年4月5日
许可协议