吸顶式 FMCW、IR-UWB 与 Wi-Fi 雷达在卧室人体活动监测与睡眠中断检测中的比较

论文信息

标题: A comparison between ceiling-mounted FMCW, IR-UWB and Wi-Fi radar for in-bedroom human activity monitoring and sleep interruption detection

作者: Anton Lambrecht, Reda El Hail, Xianjun Jiao, et al.

发布日期: 2026-08-20

arXiv ID: 2608.20322v1

PDF 链接: 下载 PDF

3 分钟速览

• 研究问题：在相同的天花板安装条件下，FMCW 雷达、IR-UWB 和 Wi-Fi 三种射频感知技术用于卧室人体活动识别与睡眠中断检测，性能和鲁棒性差异如何。
• 核心方法：同步采集 20 名参与者在 6 种房间布局中的三种射频信号，统一预处理后送入同一个卷积神经网络，并用 LOPO、LOSO、LOBPO 三种交叉验证评估。
• 关键结果：在精细活动识别中，IR-UWB 跨人泛化最好（macro F1 89.0%），但 FMCW 对未见房间布局最稳定（83.8%）；睡眠粗分类三者投票后均超过 92%（见表 IV）。
• 主要局限：硬件配置与信号表示未独立变化，无法量化每个因素对性能差异的因果贡献；样本量和人口分布也不足以支持人口统计学泛化结论（见论文第 VI-A 节）。
• 适合读者：从事射频感知、远程医疗、老年人监护、雷达信号处理或机器学习部署研究的人，尤其是需要选择 FMCW、IR-UWB 或 Wi-Fi 方案的系统设计者。

论文背景和研究动机

全球 60 岁以上人口预计到 2050 年将达到 21 亿，老年人中约 40% 存在睡眠质量差、29% 存在失眠。这类问题与跌倒、认知退化和痴呆风险上升有关。因此，连续、非侵入的人体活动与睡眠监测对早期发现健康恶化有实际价值。摄像头方案虽然直观，但在卧室等敏感环境中接受度较低；一项对 304 名非正式照护者的调查显示，射频感知系统的接受度为 4.0/5，高于摄像头系统的 3.1/5（见论文引言）。

FMCW、IR-UWB 和 Wi-Fi 是三种常见射频感知路线，但已有研究通常各自独立开展：要么用不同的硬件、数据集、评价方法，要么把单站雷达与空间分离的 Wi-Fi 链路混合比较，无法把性能差异归因于感知技术本身。此外，大多数工作采用侧视或墙壁安装，而天花板安装虽然更适合实际医疗环境部署，却研究较少。本文的目的就是用同步、同场景、同模型的方式，分离出技术模态本身带来的差异。

核心方法和技术细节

三种模态都可用同一个慢时间—快时间矩阵表示：

$$X^{(j)}[m,k]$$

其中 $j$ 表示 FMCW、IR-UWB 或 Wi-Fi。FMCW 的快时间维度是每个 chirp 的拍频样本；IR-UWB 是快速时间延迟 bin（信道冲激响应）；Wi-Fi 是 OFDM 子载波上的 CSI。三种信号的动态分量都来自人体运动引起的反射变化。

实验在 Ghent University 和 imec 的 HomeLab 卧室环境中进行，传感器固定在天花板上方。20 名参与者（14 男 6 女，21–67 岁）完成协议，6 种房间布局通过改变床和椅子位置形成。活动由 TTS 指令引导，例如 “走到床左侧”“坐在床边”，鼓励自然动作流，而不是重复孤立动作。

硬件方面：FMCW 使用 TI IWR6843AOP，60–64 GHz，带宽 1180 MHz，12 个虚拟天线；IR-UWB 使用 Qorvo QM33120WDK1/DW3000，带宽 500 MHz，伪单站结构，两节点无共享时钟；Wi-Fi 使用 ZedBoard + AD-FMCOMMS2 运行 openwifi，2.4 GHz，带宽 20 MHz，单站全双工，收发共享时钟。

预处理策略根据各模态信号特点选取，但尽量保持可比。FMCW 先对每个天线帧做二维 FFT 得到 Range-Doppler map，再做静态杂波抑制、12 个天线非相干求和，最后沿距离维取最大值，得到 Time-Doppler 图。这样丢弃了显式距离信息。IR-UWB 先做第一径相位校正以消除收发时钟漂移，去除前 12 个快速时间样本，再在 2.5 秒窗口内做慢时间 FFT 得到 Range-Doppler map，保留距离轴，并用 10 秒邻域中值背景减除。Wi-Fi 的 CSI 因 MAC 调度存在不规则慢时间采样，先插值到 500 Hz 均匀网格，再对每个子载波做 STFT（窗口 0.4 秒），平均 53 个子载波得到 Time-Doppler 图，同样进行 10 秒邻域中值背景减除。

分类器统一采用五个卷积块加两个全连接层的 CNN。输入是二维图：FMCW 和 Wi-Fi 为时间—多普勒，IR-UWB 为距离—多普勒。训练超参数按模态分别搜索学习率等，但网络结构保持一致。

评价采用三种交叉验证：留一人（LOPO，20 折）、留一场景（LOSO，6 折）、留一床位组合（LOBPO，3 折）。LOBPO 最严格，因为成对留出场景会完全隐藏一种床位配置。最终指标为 macro F1，并额外报告基于真实活动边界做标签投票后的得分。

创新点和贡献

本文有三个明确贡献。第一，在同一时间、同一天花板安装条件下同步采集三种射频数据，使用相同 CNN 和相同评价协议，使性能差异可归因于感知技术而非实验设计。第二，从距离分辨率、多普勒分辨率、天线分集和空间信息保留四个信号属性解释结果，而不是只报告准确率。第三，公开了 20 人、6 房间布局的同步 FMCW/IR-UWB/Wi-Fi 数据集，可用于复现和跨模态研究（见贡献 3）。

实验结果分析

在精细 10 类活动识别中，LOPO 投票后 IR-UWB 达到 89.0%，FMCW 83.4%，Wi-Fi 79.0%（见表 IV）。IR-UWB 的跨人优势主要体现在 “STAND UP”“GET UP BED”“SIT DOWN” 等姿势转换类，作者推测与其更细的多普勒分辨率（0.009 m/s）和保留距离轴有关（见第 VI-B.3 节）。但这一优势在跨布局时出现反转：LOBPO 投票后 FMCW 为 83.8%，几乎与 LOPO 的 83.4% 持平；IR-UWB 则降至 78.5%，Wi-Fi 降至 68.8%（见表 IV）。作者推测 IR-UWB 的距离轴保留使模型更容易学习到训练布局中的位置信息，因此对未见床位位置更敏感；Wi-Fi 的 20 MHz 带宽对应约 7.5 米距离分辨率，无法在房间尺度区分运动来源，导致跨布局和精细手势均较弱（见第 VI-A 节）。

每类混淆矩阵进一步支持这一解释。FMCW 在跨布局中主要把 “LIE ON BED” 误判为 “ANXIOUS”，两者都表现为低速度床上运动；IR-UWB 则把 “WALK” 和床上动作混淆，“LIE ON BED” 召回率从 89% 降至 57%，较大部分误判为 “GET UP BED”（见图 3）。Wi-Fi 的手部动作最不稳定，“CLAP HANDS” 在 LOBPO 中召回率从 47% 降至 21%。

睡眠监测采用 4 类粗标签后，三者差异明显缩小。投票后 LOPO 分别为 IR-UWB 98.2%、Wi-Fi 96.1%、FMCW 95.1%；LOBPO 仍分别达到 94.2%、93.4%、92.6%（见表 IV）。这主要因为合并了难以区分的手势，并把姿势转换归入同一 “INTERRUPTION” 类，分类难度下降。

需要强调的是，本文未独立变化硬件配置与信号表示，因此无法区分 “更细多普勒来自硬件本身还是预处理窗口选择” 等具体因果；作者明确将相关解释称为 “作者推测” 或基于信号属性的框架性解释（见第 VI-A 节）。

实践建议

在本文评测的硬件和条件下，选择方案需要考虑识别性能、布局鲁棒性和部署成本之间的权衡。

若首要目标是跨房间布局稳定运行，例如养老院中户型较统一但床位可能变化的场景，FMCW 更合适。它在 LOBPO 下精细识别保持在 83.8%，且 LOSO 折间波动最小（标准差 0.8 个百分点，见表 IV 及相关分析）。FMCW 还具备 0.126 米距离分辨率和 12 个虚拟天线，可用于 3D 定位，适合需要同时获取活动与位置信息的场景。

若首要目标是低成本和低功耗，并且部署环境相对固定，IR-UWB 更具吸引力。它的 LOPO 精细识别最高（89.0%），在已知布局下能利用保留距离和细多普勒区分姿势转换；成本约每颗收发芯片 7 欧元，双节点约 14 欧元；连续运行功耗约 0.2 瓦（见第 VII-B、VII-C 节）。但需要注意：其伪单站结构需要额外相位校正，且跨布局性能对距离轴保留较敏感。

Wi-Fi 在本次实验中的精细识别和跨布局鲁棒性都最低，而且当前单站全双工 monostatic CSI 获取需要专用 SDR 平台，功耗和硬件成本约为三者最高（本文测得约 3.5–4.0 瓦，硬件约 320 欧元）。因此，除非系统已经在使用 Wi-Fi 且无法增加专用雷达，或强烈需要复用现有通信链路，否则本文实验结果不支持将其作为卧室活动与睡眠监测的首选感知前端。

对于仅需睡眠中断粗分类的场景，三种技术在投票后均超过 92% macro F1（见表 IV），此时可以更多依据成本、功耗、定位需求以及是否复用通信链路来决定。若需要兼顾传感与通信，IR-UWB 或 Wi-Fi 具有集成优势；若优先鲁棒感知和定位能力，FMCW 更合适。