在医疗监护领域，非接触式生命体征监测因其能够在不给患者带来不适或皮肤损伤风险的情况下进行长期、连续的监测，特别是在睡眠期间，而成为一个重要的研究方向。雷达，尤其是脉冲无线电超宽带（Impulse-Radio Ultra-Wideband， IR-UWB）雷达，因其能够穿透衣物、抗干扰能力强、测距精度高等特性，已成为该领域一种流行的传感器。当前，许多基于雷达信号估计呼吸率（Respiration Rate， RR）和心率（Heart Rate， HR）的研究算法依赖于快速傅里叶变换（Fast Fourier Transform， FFT）。尽管FFT应用广泛，但它存在一个固有的局限性，即频率分辨率受限于数据采样时间间隔的倒数。这意味着，为了获得足够高的频率分辨率以精确区分心率（通常在0.8-2.0 Hz）和呼吸（0.1-0.5 Hz），需要采集较长时间的信号，这在实时或动态监测中可能不切实际。事实上，除了FFT，还存在多种其他的频谱估计算法，但这些算法在雷达生命体征监测领域的适用性尚未得到充分研究和比较。

针对这一研究空白，IEEE会员Kareeb Hasan, Malikeh P. Ebrahim, Hongqiang Xu以及资深IEEE会员Mehmet R. Yuce（分别来自澳大利亚莫纳什大学和皇家墨丁大学）在2024年的《IEEE Reviews in Biomedical Engineering》（第17卷）上发表了一篇题为《使用超宽带雷达传感器进行准确心率和呼吸率估计的频谱估计算法分析》的方法学综述论文。该研究的主要目标是系统性地比较包括FFT在内的八种不同类型频谱估计算法，在受控环境下对静态受试者进行心率和呼吸率估计的性能，从而为研究人员提供一个清晰的算法选择指南，无需再单独深入研究每一种算法。

本研究的核心是比较八种频谱估计算法。这些算法主要分为三类：非参数方法、参数方法和子空间方法。非参数方法直接由信号估计功率谱密度（Power Spectrum Density， PSD），本研究评估了三种：修正周期图法（Modified Periodogram）、韦尔奇法（Welch）和汤姆森多锥度法（Thomson’s Multitaper）。参数方法，特别是自回归（Autoregressive， AR）模型，将数据建模为由白噪声驱动的线性系统的输出，然后通过估计该系统参数来计算PSD。本研究评估了三种AR方法：协方差法（Covariance）、修正协方差法（Modified Covariance）和伯格法（Burg）。子空间方法基于信号相关矩阵的特征分析进行频率估计，本研究纳入了多重信号分类算法（Multiple Signal Classification， MUSIC）。最后，作为基准，FFT也被纳入比较。

为了进行公平、全面的比较，研究团队构建了一个详尽的实验数据集。数据采集使用了商业化的IR-UWB雷达XeThru X4M200。实验对象为5名年龄在20-30岁之间（4男1女）的健康志愿者。数据采集场景设计得非常丰富，旨在模拟真实环境下的多种情况。主要包括：1）不同的雷达瞄准位置：胸部上方和头部上方；2）不同的呼吸模式：正常呼吸、快速呼吸、慢速呼吸、深呼吸和屏住呼吸；3）不同的福勒体位（Fowler’s Position）：模拟病床上半卧的多种角度；4）不同朝向：身体正对或侧对雷达；5）干扰场景：有另一人坐在受试者附近；6）坐姿场景：受试者坐在雷达前方。每种测试场景均持续3分钟（屏住呼吸为1分钟），并同步使用AD8232单导联心率监测器（参考心率）和Vernier Go Direct呼吸带（参考呼吸率）记录地面真实值。如此设计的数据集包含了超过29种不同的测试场景，旨在评估算法在各种条件下的鲁棒性。

在信号处理流程方面，研究采用了标准化的预处理步骤以确保比较的公平性。首先，去除雷达原始数据中的直流偏移。然后，截取每段3分钟数据中间的两分钟进行分析，以消除起始和结束阶段的不稳定影响。接下来，使用切比雪夫II型低通滤波器（通带0-0.7 Hz， 阻带0.9 Hz）对信号进行滤波，滤除高频噪声，其输出直接用于呼吸率估计。对于心率估计，流程更为复杂，因为心率信号较弱且常被更强的呼吸信号谐波所掩盖。因此，研究采用了两级高通滤波器串联的方案来抑制呼吸信号分量：第一级高通滤波器（通带0.8 Hz， 阻带0.6 Hz）和第二级高通滤波器（通带1.4 Hz， 阻带1.0 Hz）。在通过高通滤波器之前，信号同样经过了低通滤波以消除高频运动噪声。这种设计被证明比单级高通滤波器能更有效地分离心率信号。

在应用各频谱估计算法时，研究者根据算法特性设定了关键参数。对于需要加窗的非参数方法（修正周期图法和韦尔奇法），窗函数均选用汉明窗（Hamming window）。修正周期图法的窗长度等于输入信号长度。韦尔奇法则将数据分成重叠的子序列（窗长400个样本，重叠80个样本）再进行平均，以在频率分辨率和估计方差之间取得平衡。对于参数方法（协方差法、修正协方差法、伯格法），模型阶数（Model Order）是关键参数。经过实验，研究者将心率估计的模型阶数统一设为20，而呼吸率估计则需要更高的模型阶数（设为60），以捕捉呼吸频率对应的精细谱峰。对于汤姆森多锥度法和MUSIC算法，则使用了MATLAB内置函数的默认或推荐参数。从滤波后的信号中，各算法计算出功率谱，然后将谱中的最高峰值对应的频率转换为心率（次/分钟）或呼吸率（次/分钟）。

研究的评估指标是准确率（Accuracy Rate）和平均绝对误差（Mean Absolute Error， MAE）。准确率定义为算法估计值在参考值一定误差范围内（MAE基准）的测试实例占总测试实例的百分比。MAE则直接计算所有测试中算法估计值与参考值之差的绝对值的平均值。

本研究的主要结果通过图表清晰地展示了各种算法在不同场景下的性能。对于心率估计，当雷达瞄准胸部时，参数方法（尤其是修正协方差法和伯格法）以及MUSIC、FFT和汤姆森多锥度法表现优异，准确率均超过80%。其中，修正协方差法表现最佳。然而，非参数方法中的修正周期图法和韦尔奇法在心率估计上表现较差，准确率较低。当雷达瞄准头部时，整体准确率普遍高于胸部位置，伯格法成为表现最好的算法。一个有趣的发现是，在有观察者靠近的干扰场景下（P18-P29），大多数算法仍能保持较低的MAE，显示了IR-UWB雷达和这些算法在多人存在环境下的潜力。对于坐姿数据，所有算法的准确率都显著下降，但研究者指出，由于坐姿数据样本量较少（每人仅5个样本），这一结果可能不足以代表算法的整体性能，更应关注仰卧姿势下的结果。

对于呼吸率估计，结果与心率估计有所不同。所有算法的整体表现都更好，大多数算法的准确率在胸部位置超过85%，在头部位置超过90%。当参数方法的模型阶数调整至60后，三种AR方法（协方差法、修正协方差法、伯格法）均展现出最高的准确率，且性能相近。非参数方法（除头部位置的汤姆森多锥度法外）、MUSIC和FFT的准确率次之，但依然很高。这验证了所使用的滤波器组能有效提取呼吸信号。与心率估计类似，头部位置的呼吸率估计准确率也高于胸部位置。值得注意的是，在不同福勒体位（P6, P7, P8）下，算法的MAE相近，这表明该监测系统对于睡眠中经常变换体位的患者具有应用价值。

通过对结果的深入讨论，本研究得出了一些重要结论和见解。首先，研究证实了FFT并非唯一的、也并非总是最优的选择。参数方法（如修正协方差法、伯格法）和子空间方法（MUSIC）在心率和呼吸率估计上可以达到与FFT相当甚至更高的准确性。这为研究人员提供了更多的算法选项。其次，算法性能对应用场景敏感。例如，参数方法在心率估计中表现优异，但对模型阶数敏感；非参数方法中的韦尔奇法和修正周期图法在心率估计上普遍不佳，但在呼吸率估计中尚可接受。第三，雷达的放置位置（胸部 vs. 头部）对估计精度有显著影响，头部位置通常能获得更好的结果。研究者推测，这可能是因为当雷达正对胸部时，心脏运动和胸部呼吸运动方向一致，使得信号更难分离；而头部位置则可能减少了这种耦合效应。最后，本研究构建的全面数据集和标准化的处理流程，为未来该领域的算法比较研究树立了一个基准。

本研究的价值主要体现在以下几个方面。科学价值：首次在IR-UWB雷达生命体征监测的背景下，对八种主流的频谱估计算法进行了系统性的、基于大规模多样化数据的实证比较，填补了该领域的研究空白。应用价值：为从事非接触式生命体征监测的研究人员和工程师提供了一份实用的“算法选型指南”，使其能根据具体应用需求（如侧重心率还是呼吸率、对计算复杂度的要求、信号长度限制等）快速选择合适的基带频谱估计算法，从而加速研发进程。方法论贡献：研究公开了详尽的实验设计、数据预处理流程和参数设置，具有很高的可重复性和参考价值，促进了该领域研究的规范化和可比性。

本研究的亮点在于其全面性和系统性。从算法覆盖（三类八种算法）、数据场景设计（多种体位、呼吸模式、干扰条件）到评估指标（准确率、MAE、谱图质量），研究构建了一个严谨的比较框架。其实用性非常突出，直接回应了工程研究中的现实需求——在众多算法中如何选择。此外，研究发现了参数方法在特定条件下的优越性，挑战了FFT作为默认选择的普遍认知，并揭示了传感器部署位置对性能的重要影响，这些发现对实际系统设计具有直接的指导意义。尽管研究聚焦于静态受试者，但其建立的方法论为扩展到非静态、多目标等更复杂场景的未来研究奠定了坚实基础。