本文是一篇发表于2024年 IEEE International Conference on Metrology for eXtended Reality, Artificial Intelligence and Neural Engineering (MetroXRAINE) 的会议论文，题目为《Noncontact Cardiorespiratory Feature Extraction Using Frequency Modulated Continuous Wave Radar: Opportunities and Challenges》。主要作者是来自英国巴斯大学电子与电气工程系的 Gengqian Yang, Benjamin Metcalfe, Robert Watson 和 Adrian Evans。这是一篇综述与实证研究相结合的论文，属于类型b。
本文聚焦于利用雷达技术，特别是调频连续波（FMCW）雷达，进行非接触式心呼吸特征提取这一前沿领域。论文旨在梳理该领域的发展脉络，尤其是近年来雷达硬件从连续波（CW）向FMCW转变的趋势，并通过一项实证研究，具体揭示FMCW雷达在实际应用中面临的关键信号处理挑战及其背后原因，为未来研究指明方向。
论文首先阐述了非接触式生命体征检测的巨大潜力。传统的接触式传感器（如心电图ECG、光电容积脉搏波PPG）在临床和新兴场景（如智能家居、车载监控）中存在诸多局限，如需要专业设备、人员操作、不适用于烧伤或皮肤病患者，且在目标非静止或无法紧密接触时难以使用。这推动了过去二十年间对基于摄像头、雷达和超声传感器等非接触式技术的研究。其中，雷达系统因其不受环境光照变化影响、具有高精度和强鲁棒性等优势而备受关注。论文通过文献计量分析指出，基于雷达的研究在数量上非常活跃，尤其在CW雷达应用方面已有大量积累。然而，雷达接收的信号中不仅包含由胸腔运动引起的心呼吸信号，还混杂了背景杂波、大尺度躯体运动（大于雷达分辨率）、随机身体微动（小于雷达分辨率）以及多径干扰等，使得感兴趣信号的提取极具挑战性。此外，雷达有限的空间分辨率也增加了数据解读和寻找合适信号处理流程的难度。
近年来，该领域出现了一个明显的硬件转型趋势，即从CW雷达转向能够进行距离估计的FMCW雷达和脉冲超宽带（IR-UWB）雷达。特别是FMCW雷达，得益于毫米波产品的进步及其在智能家居和汽车领域的广泛应用，相关研究自2020年起迅速增加，并逐渐成为主流。与CW雷达只能测量多普勒频移来估计速度不同，FMCW雷达通过发射频率线性调制的“啁啾”信号，可以同时获取目标的距离和速度信息，具有更好的距离和多普勒分辨率，更适应复杂环境。然而，硬件的升级也带来了新的信号处理挑战。本文的核心贡献之一，就是对FMCW雷达应用于非接触心呼吸特征提取时所面临的这些挑战进行了系统性梳理和实证分析。
论文的第二大部分对FMCW雷达的信号处理算法进行了综述。整个处理流程通常包括：模数转换后去除直流分量、通过距离维快速傅里叶变换（Range-FFT）进行距离估计，然后是杂波去除、心呼吸信号提取（包括人体目标识别、距离单元选择和相位解缠绕），最后是信号分解与特征提取。
在杂波去除方面，常用方法如动目标显示（MTI）或跨多个啁啾的均值去除，其基本假设是背景静止而人体目标由于生命活动和身体运动而处于非静止状态。这种方法在受控环境下能提升信噪比。然而，论文后续的实证研究对此提出了重要质疑。
心呼吸信号提取分为三个关键步骤。首先是人体目标识别。在简单环境下，可以通过在Range-FFT中寻找全局最大值（峰值搜索）来定位人体反射区域。在复杂环境（如智能家居、驾驶员监控）下，则可能采用恒虚警率（CFAR）检测器等动态阈值方法。其次是距离单元选择，即在识别出的人体反射区域内，选择一个或多个包含生命体征信号的特定距离单元。常见方法是选择幅度最大的单元，前提是胸腔区域具有最高的雷达散射截面积（RCS）。在复杂环境中，也有研究利用生命信号的周期性（如呼吸频率）作为选择标准。最后是相位解缠绕，由于相位值与由公式∅ = 4πd / λ决定的位移成正比，但相位值会因超过2π而发生跳变，需要通过算法进行校正以获取真实的位移轮廓。
在信号分解与特征提取阶段，目标是将包含心搏、呼吸和随机身体运动的叠加信号分解开来。由于心率和呼吸率的频率范围（静息时分别为60-100次/分钟和12-20次/分钟）不重叠，频谱分析方法（如快速傅里叶变换FFT、短时傅里叶变换、小波变换WT）被广泛使用，其中不规则身体运动表现为低频噪声可被滤除。时域的周期性方法（如峰值检测、自相关、模板匹配）也有应用。现代FMCW雷达通常配备多个接收器，这为使用盲源分离（BSS）方法（如多重信号分类MUSIC、独立成分分析ICA、经验模态分解EMD）提供了可能。深度学习也被尝试用于此步骤，但其需要大量带标注的同步数据用于训练，且模型泛化能力可能受限。
论文的第三大部分，也是其最具创新性的部分，是通过一项实证研究，具体揭示了FMCW雷达信号处理流程中的三大关键挑战。研究使用了英飞凌（Infineon）的BGT60TR13C商用FMCW雷达开发套件。
挑战一：静止杂波去除是否必需？ 研究发现在受控环境中，当人体反射占主导时，直接使用峰值搜索方法即可准确描述人体随时间的距离轮廓。然而，应用MTI去除静止杂波后，虽然大部分时间表现一致，但在某些情况下会失效。例如，当人体在连续几个啁啾周期内暂时保持静止时，其反射的大部分强度也会被MTI当作“静止背景”而移除，剩余由生命体征或微小身体运动引起的强度可能接近噪声水平，难以与残余的背景杂波、人体其他部位（如手臂、腿）的反射或噪声区分开，导致目标识别错误。因此，是否应用静止杂波去除技术高度依赖于具体应用场景。在简单环境下，其应用反而可能使目标识别复杂化；在复杂环境下虽有必要，但需辅以其他策略。
挑战二：雷达散射截面积（RCS）可变性对心呼吸信号提取的影响。 这是一个被论文作者强调为目前FMCW雷达非接触生命体征提取发展的“最大障碍”。研究通过实验发现，即使在一个受控环境中（受试者静坐），人体反射轮廓在形状和幅度上虽然大体一致，但存在细微变化。更重要的是，一个普遍采用的假设——人体反射轮廓在位置变化时保持一致，且轮廓内幅度最高的点（峰值）对应包含心呼吸信号的区域——并不总是成立。实验数据显示，尽管使用峰值方法从三个接收器提取并解缠绕后的心搏信号都显示出明显的周期性，但相位差图中存在多处不连续点，这表明所选中的“峰值”距离单元在不同时间点可能对应人体不同空间区域，而非始终追踪胸腔同一位置。这种RCS特征的可变性源于身体方向、运动和构成的动态变化，甚至呼吸活动本身也会引起RCS的时变。其结果是，从看似相同的“人体反射区域”的“相同”距离单元提取出的相位信号，实际上可能源自身体的不同部位，导致生命体征信号失真，严重影响了信号提取的一致性，尤其是在复杂环境中。
挑战三：相位模糊性。 雷达系统理论上旨在测量胸腔的总位移，但实际上只能测量相位值。相位与位移的关系明确，但相位本身固有的周期性导致了相位模糊问题。常规相位解缠绕算法在相位值连续一致时可以很好地解决此问题。然而，由于上述RCS可变性，相位值可能变得不一致，此时解缠绕算法可能会产生错误结果，进一步放大生命体征信号的误差。这也会严重影响基于周期性的目标识别方法的准确性。
针对这些挑战，论文探讨了潜在的缓解策略。例如，利用环境先验知识、雷达与受试者的相对位置信息以及相位连续性检查（可作为信号质量指标）来辅助目标识别和相位解缠绕。此外，融合来自其他传感器的数据，可能弥补雷达固有的空间分辨率限制，帮助实现一致的目标跟踪。
本文的结论部分重申了非接触生命体征检测，特别是雷达技术，在传统医疗和新兴领域的变革潜力。论文强调了在雷达系统中心呼吸特征提取中，硬件设计和信号处理流程都至关重要，并特别聚焦于FMCW雷达的信号处理方面。通过文献综述和实证研究，论文明确了人体目标识别、RCS可变性和相位模糊性这三大尚未完全克服的关键挑战，并分析了其背后的原因，为未来研究提供了有价值的见解和潜在方向。
本文的价值在于，它不仅仅是一篇综述，而是将领域趋势分析与具体的、深入的实证挑战剖析相结合。作者明确指出并论证了RCS可变性这一此前在非接触心呼吸监测领域较少被充分考虑的深层次难题，这对于推动该领域的实质性进展具有重要的警示和指导意义。论文为从事雷达生理测量研究的研究人员和工业界人士提供了对问题复杂性、现有解决方案的局限以及未来研究方向更深刻的理解，是一份兼具广度与深度的综合性学术报告。