雷达非接触健康监测：让健康守护“消失”在场景里

　　说起健康监测，你最先想到的，大概是运动手环、胸贴，或是医院里那台"嘀嘀"作响的监护仪。它们精准、可靠，却也带着一身"小脾气"：要充电、要佩戴、要贴身--皮肤敏感的人贴久了会发红发痒，老人常常转身就忘了戴，婴儿娇嫩的肌肤经不起长时间黏贴，而在传染病病房里，每一次接触，都意味着多一分暴露的风险[1]。

　　那有没有一种可能--让监测"消失"在场景里，不再打扰，甚至不被察觉？

　　雷达非接触健康监测，正在把这种想象变成现实。它不靠电极，不贴皮肤，而是用看不见的电磁波，在空气中轻轻"扫"过人体，隔空捕捉呼吸时胸廓的起伏，以及心跳引发的微弱体表振动。你坐着、躺着、睡着，甚至浑然不觉时，它已静静读出你的呼吸与心跳节律--没有穿戴，没有束缚，也没有"被监测"的负担。让健康监测，像空气一样存在，也像空气一样不被看见。

　　雷达（radio detection and ranging，Radar），即无线电探测与测距技术，其核心功能在于测距、测角与测速。系统通过发射天线向人体辐射电磁波，并由接收天线捕获人体反射的回波，再经信号处理提取目标的距离、角度及速度等信息。

　　雷达不仅能够识别行走、挥手等大幅肢体运动，还能捕捉更为细微的人体微动信号：呼吸时胸腔起伏幅度可达数毫米至一两厘米，而心跳引发的胸壁微动更是仅有亚毫米量级。这些细微的体表运动同样会在回波中产生极其微小的频率或相位变化。雷达捕捉到此类微弱信号后，经滤波、解调及正交分解等预处理环节抑制环境噪声，再通过算法将呼吸与心跳两条信号从混合回波中分离出来，最终实现呼吸率与心率的计算[2-4]。（详情请点击阅读原文）

图1 雷达发射电磁波、经人体胸壁微动反射形成回波的概念示意图（图片由AI生成）

　　和摄像头、红外热成像、激光多普勒等非接触式监测手段相比，雷达在健康监测中具有以下显著优势：无需采集任何图像信息，从根本上保障用户隐私；同时，雷达对复杂光照、温度变化及环境障碍物等干扰因素具有较强的适应性，能够在多种复杂条件下稳定工作[5]。

　　不少人仍以为雷达健康监测尚停留在实验室阶段，但实际上，这项技术早已悄然走进家庭和养老机构。在消费端，最典型的落地应用是近年来多家厂商推出的人体存在传感器：以小米等品牌为代表的产品搭载毫米波雷达，能够捕捉呼吸级别的胸腔微动，实现"人来灯亮、人走关空调"的智能联动，部分高阶型号甚至支持多目标分区控制，进一步提升了使用体验。

　　对于独居老人和养老机构而言，跌倒也夜间意外始终是最大的安全隐忧，而浴室和卫生间恰恰是跌倒高发区域--这些场所的蒸汽和水雾常使摄像头失灵、传统传感器失效，毫米波雷达却能够有效穿透，稳定工作。目前，市场上已形成较为完整的康养雷达产品体系，华为、清澜、旷时、理工雷科等厂商均推出了可识别跌倒、坠床、起夜、睡眠乃至呼吸心率等多项指标的雷达设备，其中多款产品已入选国家级智慧健康养老产品推广目录，并在全国数百家养老机构和社区实现落地应用。在卫生间、床头等关键位置安装毫米波雷达，即可兼顾跌倒检测与呼吸心率监护，一旦老人发生跌倒或生命体征异常，系统可在几十秒内自动报警。

　　这种非接触式的监测思路，还可进一步拓展至新生儿监护、传染病病房等医疗场景，以及车内疲劳检测、儿童遗忘检测等车载安全领域，展现出广阔的应用前景[2]。

图2  雷达非接触健康监测的典型应用场景：客厅存在感知、卧室卧床监测、卫生间跌倒检测、病房监护与车载儿童监测。（图片由AI生成）

　　在已落地的应用之外，研究者正将雷达技术推向更精细的尺度。

　　无论是人体存在传感器判断有无人，还是康养雷达识别跌倒姿态，本质上都依赖于雷达对肢体运动的感知。在此基础上，研究正迈向更高分辨率的行为理解：识别个体步态，既可区分身份，也能从步态起伏中提取平衡力衰退等健康指标[5-6]；实现隔空手势操控家电[7]；量化评估康复训练的动作完成度，甚至在跌倒发生前，从异常姿态中提前预警。与此同时，呼吸与心率的监测也在持续深化，逐步延伸到心率变异性（HRV）、血压趋势、完整睡眠分期，以及长期体征曲线背后所映射的慢病信号[8]。

　　人在紧张或放松状态下，呼吸节律与心率变异性会悄然改变。若雷达能稳定捕捉这些微弱变化，理论上便可用于情绪状态识别，为心理评估、驾驶压力监测、考场应激监测等场景提供新可能。

　　更进一步，雷达技术还有望服务于辅助诊断：长期体征趋势可用于慢病管理，睡眠结构分析有助于阻塞性睡眠呼吸暂停的初步筛查，而呼吸与心跳的异常模式则可能为心脑血管事件提供早期预警。

　　然而，看清应用图景的同时，也需正视现实挑战。在理想实验环境中，雷达信号干净、结果优异；但一旦回归真实卧室，翻身、抖被等肢体动作，墙壁与家具带来的多次反射，都会叠加为复杂噪声。在多房间、多遮挡或大面积住宅中，毫米波甚至可能出现探测盲区；同一空间内多人或宠物的共同活动，也会产生干扰[3,5]。要让算法在如此多变量下保持鲁棒性，需要海量真实场景数据进行训练与验证，而这正是当前最为缺乏的环节。更现实的是，雷达目前仍难直接用于临床诊断，其距离真正落地，还横亘着大样本临床验证、行业标准制定与监管准入等重重门槛。

　　展望未来，技术演进的方向已日渐明晰：与人工智能、深度学习结合，提升复杂环境下的稳定性和准确率；与可穿戴设备、环境传感器多模态融合，实现能力互补；从单一监测走向预警与干预，最终嵌入智慧康养体系，真正服务于人的健康与安全。

　　参考文献

　　[1] Li C, Lubecke V M, Boric-Lubecke O, et al. A review on recent advances in Doppler radar sensors for noncontact healthcare monitoring. IEEE Trans Microw Theory Tech, 2013, 61(5): 2046-2060

　　[2] Li C, Ling J, Li J, et al. Accurate Doppler radar noncontact vital sign detection using the RELAX algorithm. IEEE Trans Instrum Meas, 2010, 59(3): 687-695

　　[3] Lin J C. Microwave sensing of physiological movement and volume change: a review. Bioelectromagnetics, 1992, 13(6): 557-565

　　[4] Droitcour A D, Boric-Lubecke O, Lubecke V M, et al. Range correlation and I/Q performance benefits in single-chip silicon Doppler radars for noncontact cardiopulmonary monitoring. IEEE Trans Microw Theory Tech, 2004, 52(3): 838-848

　　[5] Singh A, Rehman S U, Yongchareon S, et al. Multi-resident non-contact vital sign monitoring using radar: a review. IEEE Sens J, 2021, 21(4): 4061-4084

　　[6] 潘良, 刘康, 张远辉. 基于FMCW雷达的多目标生命体征信号检测. 计量学报, 2024, 45(1): 112-120

　　[7] Lien J, Gillian N, Karagozler M E, et al. Soli: ubiquitous gesture sensing with millimeter wave radar. ACM Trans Graph, 2016, 35(4): 1-19

　　[8] Al Ahmad M, Joyce Among Olule L. Simultaneous measurements of multiple vital signs using non-contact frequency modulated continuous wave radar monitoring. Alex Eng J, 2023, 71: 609-617

　　作者简介

　　仲嘉斌：苏州大学体育学院，苏州大学健康未来研究院，硕士研究生，主要研究方向为：运动健康监测。

　　张  庆：苏州大学体育学院，苏州大学健康未来研究院，副教授，主要研究方向为：运动生理与营养，全生命周期健康管理。

（作者：仲嘉斌、张庆）

（本文来源于公众号：生物化学与生物物理进展）