Nature 2025：毫米波雷达生命体征检测自适应卡尔曼滤波框架

论文来源： Nature Scientific Reports
期刊： Scientific Reports, August 1, 2025
核心创新： 自适应卡尔曼滤波 + 平方根归一化 → 精准呼吸/心跳提取

---

论文信息

项目	内容
标题	Detection of vital signs based on millimeter wave radar
期刊	Nature Scientific Reports
创新	自适应卡尔曼滤波消除静态杂波和呼吸谐波

---

核心挑战：雷达生命体征提取

传统方法痛点：

干扰源：
- 静态杂波（座椅、车身反射）
- 呼吸谐波干扰心跳检测
- 身体大运动淹没微动信号
- 多目标信号混叠

传统滤波局限：
- 固定截止频率无法适应个体差异
- 呼吸频率变化导致谐波位置变化
- 静态杂波抑制不彻底

---

自适应卡尔曼滤波框架

import numpy as np
from typing import Tuple

class AdaptiveKalmanVitalSigns:
    """
    自适应卡尔曼滤波生命体征提取
    
    Nature 2025 论文核心：
    1. 定位胸部区域
    2. 相位提取（慢时间维）
    3. 信号叠加增强
    4. 相位差分消除静态杂波
    5. 自适应卡尔曼滤波
    """
    
    def __init__(self, 
                 fs: float = 20.0,  # 帧率 Hz
                 breathing_range: Tuple[float, float] = (0.1, 0.5),  # Hz
                 heartbeat_range: Tuple[float, float] = (0.8, 2.0)):  # Hz
        self.fs = fs
        self.breathing_range = breathing_range
        self.heartbeat_range = heartbeat_range
        
        # 卡尔曼滤波器参数
        self.Q_breath = 0.01  # 过程噪声（呼吸）
        self.R_breath = 0.1   # 观测噪声（呼吸）
        
        self.Q_heart = 0.001  # 过程噪声（心跳）
        self.R_heart = 0.05   # 观测噪声（心跳）
    
    def extract_phase(self, 
                      radar_data: np.ndarray,
                      target_range_bin: int) -> np.ndarray:
        """
        提取相位信号
        
        Args:
            radar_data: 雷达数据, shape=(num_chirps, num_range_bins)
            target_range_bin: 目标距离bin
        
        Returns:
            phase: 相位序列, shape=(num_chirps,)
        """
        # 提取目标bin的复数信号
        complex_signal = radar_data[:, target_range_bin]
        
        # 计算相位
        phase = np.angle(complex_signal)
        
        # 相位展开（避免2π跳变）
        phase = np.unwrap(phase)
        
        return phase
    
    def phase_differencing(self, phase: np.ndarray) -> np.ndarray:
        """
        相位差分消除静态杂波
        
        静态杂波相位恒定，差分后为零
        
        Args:
            phase: 相位序列
        
        Returns:
            phase_diff: 差分后的相位
        """
        phase_diff = np.diff(phase)
        
        return phase_diff
    
    def signal_enhancement(self, 
                           phase_signals: list) -> np.ndarray:
        """
        信号叠加增强
        
        多个bin信号叠加，增强微弱信号
        
        Args:
            phase_signals: 多个bin的相位信号列表
        
        Returns:
            enhanced_signal: 增强后的信号
        """
        # 叠加多个bin信号
        enhanced = np.zeros_like(phase_signals[0])
        
        for signal in phase_signals:
            # 归一化后叠加
            normalized = (signal - np.mean(signal)) / (np.std(signal) + 1e-6)
            enhanced += normalized
        
        return enhanced
    
    def adaptive_kalman_filter(self, 
                                signal: np.ndarray,
                                signal_type: str = "breathing") -> np.ndarray:
        """
        自适应卡尔曼滤波
        
        Args:
            signal: 输入信号
            signal_type: "breathing" or "heartbeat"
        
        Returns:
            filtered_signal: 滤波后的信号
        """
        if signal_type == "breathing":
            Q = self.Q_breath
            R = self.R_breath
        else:
            Q = self.Q_heart
            R = self.R_heart
        
        N = len(signal)
        
        # 初始化
        x_estimate = signal[0]
        P_estimate = 1.0
        
        filtered_signal = np.zeros(N)
        
        for i in range(N):
            # 预测
            x_predict = x_estimate
            P_predict = P_estimate + Q
            
            # 更新
            K = P_predict / (P_predict + R)
            x_estimate = x_predict + K * (signal[i] - x_predict)
            P_estimate = (1 - K) * P_predict
            
            filtered_signal[i] = x_estimate
            
            # 自适应调整R（观测噪声）
            if i > 10:
                # 根据残差调整R
                residual = abs(signal[i] - x_predict)
                R = 0.9 * R + 0.1 * residual ** 2
        
        return filtered_signal
    
    def square_root_normalization(self, 
                                    signal: np.ndarray) -> np.ndarray:
        """
        平方根归一化
        
        消除呼吸谐波对心跳的影响
        
        Args:
            signal: 输入信号
        
        Returns:
            normalized: 归一化后的信号
        """
        # 计算平方根
        sqrt_signal = np.sqrt(np.abs(signal))
        
        # 归一化
        normalized = (sqrt_signal - np.mean(sqrt_signal)) / (np.std(sqrt_signal) + 1e-6)
        
        return normalized
    
    def extract_vital_signs(self, 
                            phase_signal: np.ndarray) -> dict:
        """
        完整生命体征提取流程
        
        Args:
            phase_signal: 相位信号
        
        Returns:
            dict: {
                "breathing_rate": float,  # bpm
                "heart_rate": float,      # bpm
                "breathing_signal": np.ndarray,
                "heart_signal": np.ndarray
            }
        """
        # 1. 相位差分消除静态杂波
        phase_diff = self.phase_differencing(phase_signal)
        
        # 2. 平方根归一化（消除呼吸谐波）
        normalized = self.square_root_normalization(phase_diff)
        
        # 3. 自适应卡尔曼滤波 - 呼吸
        breathing_signal = self.adaptive_kalman_filter(
            normalized, "breathing"
        )
        
        # 4. 自适应卡尔曼滤波 - 心跳
        heart_signal = self.adaptive_kalman_filter(
            normalized, "heartbeat"
        )
        
        # 5. 频谱分析提取频率
        breathing_rate = self._extract_frequency(breathing_signal, self.breathing_range)
        heart_rate = self._extract_frequency(heart_signal, self.heartbeat_range)
        
        return {
            "breathing_rate": breathing_rate,
            "heart_rate": heart_rate,
            "breathing_signal": breathing_signal,
            "heart_signal": heart_signal
        }
    
    def _extract_frequency(self, 
                           signal: np.ndarray,
                           freq_range: Tuple[float, float]) -> float:
        """从信号中提取主频率"""
        from scipy.fft import fft, fftfreq
        
        N = len(signal)
        
        # FFT
        spectrum = np.abs(fft(signal))[:N//2]
        freq = fftfreq(N, 1/self.fs)[:N//2]
        
        # 在目标频率范围内搜索峰值
        mask = (freq >= freq_range[0]) & (freq <= freq_range[1])
        
        if np.sum(mask) == 0:
            return 0.0
        
        peak_idx = np.argmax(spectrum[mask])
        peak_freq = freq[mask][peak_idx]
        
        # Hz → bpm
        rate = peak_freq * 60
        
        return rate


# 测试示例
if __name__ == "__main__":
    extractor = AdaptiveKalmanVitalSigns(fs=20.0)
    
    # 模拟相位信号（呼吸 + 心跳）
    t = np.arange(0, 30, 1/20.0)  # 30秒
    
    breathing_signal = 0.5 * np.sin(2 * np.pi * 0.25 * t)  # 15 bpm
    heart_signal = 0.1 * np.sin(2 * np.pi * 1.2 * t)       # 72 bpm
    noise = 0.05 * np.random.randn(len(t))
    
    phase_signal = breathing_signal + heart_signal + noise
    
    # 提取生命体征
    result = extractor.extract_vital_signs(phase_signal)
    
    print("=== 生命体征检测结果 ===")
    print(f"呼吸频率: {result['breathing_rate']:.1f} bpm")
    print(f"心跳频率: {result['heart_rate']:.1f} bpm")
    print(f"呼吸信号长度: {len(result['breathing_signal'])}")
    print(f"心跳信号长度: {len(result['heart_signal'])}")

---

性能评估（论文数据）

指标	传统FFT	传统卡尔曼	自适应卡尔曼
呼吸检测精度	92%	94%	98%
心跳检测精度	75%	82%	91%
静态杂波抑制	70%	85%	95%
谐波消除	60%	70%	88%

---

Euro NCAP CPD应用

应用场景	自适应卡尔曼优势
儿童呼吸检测	高精度呼吸频率提取
心跳监测	消除呼吸谐波干扰
多目标分离	每个目标独立滤波
静止儿童检测	微弱信号增强

---

参考资料

1. Nature Scientific Reports 2025
2. Adaptive Kalman Filtering for Vital Signs
3. Euro NCAP 2026 CPD Protocol

---

总结

自适应卡尔曼核心：

1. 相位差分：消除静态杂波
2. 平方根归一化：消除呼吸谐波
3. 自适应调整：根据残差更新噪声参数

IMS开发优先级：

• 🔴 高：自适应卡尔曼滤波实现
• 🟡 中：多bin信号叠加增强
• 🟢 低：平方根归一化优化

下一步行动：

• 实现AdaptiveKalmanVitalSigns类
• 测试TI AWRL6844数据
• 对齐Euro NCAP CPD生命体征检测场景