用 Wi-Fi CSI 测呼吸与心率：原理、可行做法与真实局限

2026-10-11 · 约 2 分钟

呼吸与心率检测的原理很简单：胸腔起伏会周期性改变无线多径，这种变化体现在 CSI 的幅度/相位上（综述见 ^[1]）。 但工程上它比"检测有没有人"难得多，因为你要从噪声里提取 0.1–0.5 Hz（呼吸） 与 0.8–2.0 Hz（心率） 的微弱周期成分。

1. 采样率够不够

本项目实测约 95 条记录/秒（8 条链），远高于心率上限（2 Hz）所需的采样率。 所以瓶颈不是采样率，而是：

1. 相位噪声（CFO/SFO、硬件漂移）；
2. 人体其他动作（说话、翻身）淹没微动；
3. 观察窗口太短，频谱分辨率不足。

2. 可运行的估计流程

import numpy as np
from numpy.fft import rfft, rfftfreq

FS = 95.0            # 实测帧率（条/秒）；务必用时间戳重采样，不要假设恒定
WINDOW_S = 30        # 呼吸 20–30s；心率建议 15–30s

def bandpass(x, fs, lo, hi):
    n = len(x)
    X = rfft(x - x.mean())
    f = rfftfreq(n, 1 / fs)
    X[(f < lo) | (f > hi)] = 0
    return np.fft.irfft(X, n)

def estimate(signal, fs=FS, band=(0.1, 0.5)):
    n = len(signal)
    x = bandpass(signal, fs, *band)
    spec = np.abs(rfft(x * np.hanning(n)))
    freqs = rfftfreq(n, 1 / fs)
    mask = (freqs >= band[0]) & (freqs <= band[1])
    peak = freqs[mask][np.argmax(spec[mask])]
    return peak * 60.0        # bpm

# signal 建议用「相邻子载波的相位差」或幅度，先做去趋势
# breath_bpm = estimate(phase_diff, band=(0.1, 0.5))
# hr_bpm     = estimate(phase_diff, band=(0.8, 2.0))

关键处理顺序：去卷绕 → 去 CFO/SFO 线性漂移 → 带通 → 窗函数 → 谱峰——用相位差做体征监测的代表性工作是 PhaseBeat ^[3]。

3. 什么条件下才可能准

4. 必须承认的局限

1. 不是医疗设备：不能用于诊断，也不应给出医疗承诺；
2. 心率比呼吸难得多（幅度更小、更容易被呼吸谐波干扰）；
3. 换房间/换姿势后参数需要重新标定；
4. 我们的平台里"呼吸/心率"模块默认是门控状态（未满足静止/信噪比条件时输出 Unavailable），这比强行输出一个数字更诚实。

已发表工作同样报告了距离与环境依赖：FarSense 用两天线的 CSI ratio 把呼吸检测距离上限进一步推远 ^[2]， 说明"能测到"与"在任何房间都能测到"是两回事。

5. 参考实现与数据

• 相位处理与谱估计：本文示例 + Python 处理链路
• 用真实数据练手：10 秒样例 + 10 分钟数据集
• 算法库：SenseFi（深度学习）、PhaseBeat/FarSense 等论文实现