WiFi 感知人体呼吸与心率：CSI 原理、可行做法与真实局限

作者 Wu Jun · 更新于 2026-11-02 · 约 8 分钟

呼吸与心率检测的基本原理是：胸腔起伏和心跳会改变无线多径，这些微小变化可能出现在 CSI 的幅度或相位里 ^[1]。但"频谱里有一个峰"不等于测到了生理信号。风扇、 空调、走路、设备自动换链和相位漂移都可能制造一个看起来合理的数字。

本文给出一条可复现的工程路线：如何正确计算独立测量率、选出相对稳定的信号、按时间戳重采样、 做 30 秒滑窗、设置可用性门控，以及用外部参考设备做标定。本文不是医疗建议，也不声称当前 开源数据集已经达到某个临床精度。

0. 先看结论

可行做法不是"每个窗口强行输出一个 bpm"，而是同时输出测量值、质量指标和 Unavailable 状态。精度只能相对于同步的呼吸带、胸阻抗、脉搏血氧仪或人工计数来评估。

1. 采样率：记录率不是独立测量率

本项目 10 分钟抓包有 57,293 条链记录，平均约 95.5 条记录/秒。但一次 CSI 测量通常 包含 4 条或 8 条链记录，它们共享同一个测量时刻。按 chain_info bit15 切分后得到 7,609 个完整测量组，实际独立测量率约为：

7,609 / 599.924 s ≈ 12.68 measurements/s

分析脚本进一步剔除 25 个零值过多的异常组，使用 7,583 个测量，得到约 12.64 Hz。这个 速率高于 2 Hz 心率上限所需的 4 Hz Nyquist 下限，但余量并不夸张。频率分辨率、丢包、 时间戳抖动和窗口长度仍然决定结果是否可信。

因此第一件事不是画频谱，而是：

1. 按 chain_info bit15 得到完整测量组；
2. 每个测量组只选择一条有效链，或构造双天线比值；
3. 用实际时间戳排序，不要拿"记录序号 ÷ 常数帧率"伪造时间轴；
4. 检查缺失链、64 子载波记录、全零 I/Q 和长于 1 秒的空档。

2. 选什么信号

幅度容易使用，但会被自动增益、自动速率和大幅动作共同影响。相位包含更细的位移信息， 但商用网卡的原始相位通常混有载波频偏、采样频偏和硬件漂移。单独对一条链"去卷绕"并不能 自动消除这些误差。

PhaseBeat 使用 CSI 相位信息做呼吸和心率监测 ^[2]；FarSense 则强调用两根 天线的 CSI ratio 抑制共模噪声并扩大呼吸检测距离 ^[3]。工程上可以按以下 优先级试验：

1. 同一测量中的双天线相位差或复数比值；
2. 相邻子载波相位差；
3. 多子载波幅度变化的第一主成分；
4. 单链幅度，只作为最简基线。

无论选哪一种，都要先用静止空房、有人静止、有人走动三类数据检查：信号是否真的对呼吸周期 敏感，还是只对运动敏感。

3. 一个不夸张的估计流程

下面的函数假设输入已经是每次测量选一条链后得到的实值信号。它完成线性去趋势、Hann 窗、频带功率谱、峰值频率和两个质量指标。先按时间戳插值到统一采样率：

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

def resample_by_time(x, t, fs=20.0):
    x = np.asarray(x, dtype=float)
    t = np.asarray(t, dtype=float)
    order = np.argsort(t)
    t, x = t[order], x[order]
    tu = np.arange(t[0], t[-1], 1.0 / fs)
    xu = np.interp(tu, t, x)
    return xu, tu

def estimate_bpm(x, fs, band):
    x = np.asarray(x, dtype=float)
    n = len(x)
    if n < int(fs * 20):
        return None

    # Remove a linear trend before windowing.
    idx = np.arange(n, dtype=float)
    slope, intercept = np.polyfit(idx, x, 1)
    y = x - (slope * idx + intercept)
    y = (y - y.mean()) * np.hanning(n)

    power = np.abs(rfft(y)) ** 2
    freqs = rfftfreq(n, 1.0 / fs)
    mask = (freqs >= band[0]) & (freqs <= band[1])
    if not mask.any():
        return None

    band_power = power[mask]
    band_freqs = freqs[mask]
    k = int(np.argmax(band_power))
    peak_freq = band_freqs[k]

    floor = float(np.median(band_power)) + 1e-12
    prominence_db = 10.0 * np.log10((band_power[k] + 1e-12) / floor)
    band_ratio = float(band_power.sum() / (power.sum() + 1e-12))

    return {
        "bpm": float(peak_freq * 60.0),
        "prominence_db": float(prominence_db),
        "band_power_ratio": band_ratio,
    }

示例频带：

# 先统一到 20 Hz 时间网格；插值不会增加真实信息。
xu, tu = resample_by_time(signal, timestamps, fs=20.0)

breath = estimate_bpm(xu, fs=20.0, band=(0.10, 0.50))  # 6–30 bpm
heart  = estimate_bpm(xu, fs=20.0, band=(0.80, 2.00))  # 48–120 bpm

30 秒窗口的理论频率间隔约为 1 / 30 = 0.033 Hz，也就是约 2 bpm。它不代表误差一定是 2 bpm；峰的位置还受信噪比、窗函数和信号非平稳性影响。

4. 30 秒滑窗与可用性门控

推荐从 30 秒窗口、5 秒步长开始。呼吸至少覆盖 3 个周期，心率覆盖更多周期；代价是首次数值 至少延迟约 30 秒。对每个窗口保存：

window = {
    "start_s": start,
    "end_s": end,
    "valid_sample_ratio": valid_count / expected_count,
    "max_gap_s": max_gap,
    "motion_score": motion_score,
    "band_power_ratio": result["band_power_ratio"],
    "prominence_db": result["prominence_db"],
    "bpm": result["bpm"],
}

门控示例：

def vitals_status(w, limits):
    if w["valid_sample_ratio"] < limits["min_valid_ratio"]:
        return "Unavailable: data coverage"
    if w["max_gap_s"] > limits["max_gap_s"]:
        return "Unavailable: gap"
    if w["motion_score"] > limits["max_motion"]:
        return "Unavailable: motion"
    if w["prominence_db"] < limits["min_prominence_db"]:
        return "Unavailable: weak peak"
    if w["band_power_ratio"] < limits["min_band_ratio"]:
        return "Unavailable: broadband noise"
    return "OK"

这些阈值不能照抄成全世界通用的常数。正确做法是收集有参考标签的"空房、静止、说话、走动、 翻身"数据，在自己设备的固件、信道、链路和安装位置下选取阈值，并同时报告误报率和可用率。

5. 一套可复现的标定协议

本节是实验设计建议，不是已经完成的精度结论。受试者应知情同意，并明确这只是研究用途。

5.1 设备与场景

• 固定路由器信道、带宽、发射功率和天线方向；
• 记录 AP 与受试者的距离、朝向、墙体材质和家具位置；
• 使用独立 AP 接口产生稳定流量；
• 参考设备放在容易同步的位置，例如呼吸带、脉搏血氧仪或独立呼吸计数应用；
• 先采 2 分钟空房基线，用来识别风扇、空调和供电周期。

5.2 采集顺序

1. 空房 2 分钟；
2. 受试者静坐 2 分钟，不讲话、不改变姿势；
3. 按节拍器进行 10、15、20 次/分的呼吸段，每段至少 1 分钟；
4. 正常呼吸 2 分钟，并用参考设备同步记录；
5. 原地小幅动作 30 秒，再恢复静止 60 秒；
6. 改变距离或朝向，重复至少 3 次。

心率部分不要用自报"我感觉是 70 bpm"作真值。使用带时间同步的脉搏血氧仪或其他经 合规验证的设备，只用于研究对照，不用于诊断。

5.3 每次实验至少保存

6. 指标怎么报

只报一个有参考值时最准确的窗口，会系统性高估算法。至少同时报告：

• 覆盖率：所有窗口中通过质量门控的比例；
• 有条件 MAE/RMSE：只在 OK 窗口且参考值有效时计算；
• 空房误报率：没有任何人时输出呼吸/心率为正常的比例；
• 动作恢复时间：动作停止后多久重新给出稳定结果；
• 延迟：窗口长度与更新步长造成的时间延迟；
• 分场景结果：不同距离、朝向、人和设备分别列出。

如果比较两种算法，应使用同一批窗口、同一参考时间轴和同一门控规则。若一个算法只输出 20% 的窗口却获得更低 MAE，必须把覆盖率一并展示。

7. 最常见的失败模式

8. 这个数据集能证明什么

本项目公开的 10 分钟数据可用于练习：

• 解析 24 字节 CSI 头与 I/Q；
• 按 bit15 组合测量；
• 生成幅度热图和运动指标；
• 检验时间戳、丢包与链选择代码。

它不包含同步呼吸带或心率参考值，所以不能拿它宣称"呼吸误差 2 bpm"或"心率误差 5 bpm"。 这类结论必须来自新的、经过知情同意并带参考设备的采集。

9. 最小实施清单

• 按每次测量选链，不把 95.5 条记录/秒当 95.5 Hz 生理信号；
• 用时间戳重采样，并记录最大空档；
• 先做空房和静止基线，再尝试呼吸；
• 每位受试者、每个姿势和距离重复至少 3 次；
• 同时保存原始 CSI、参考值、标签和质量指标；
• 先证明呼吸，再尝试心率；
• 未通过质量门控时输出 Unavailable；
• 不使用"诊断、监测疾病、保证准确"等医疗承诺。

10. 参考实现与下一步

• 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；
• 数据集解析：从 8 个分片到热图；
• 已发表方法：PhaseBeat ^[2]、FarSense ^[3]，以及 Wi-Fi CSI 感知综述 ^[1]。