原文：Through-Wall Human Presence and Vital Sign Detection Using Dual-Mode mmWave Radar and Embedded Data Fusion
来源：International Journal of Recent Trends in Multidisciplinary Research, May-June 2026, Vol 6(03), 78-86
作者单位：印度 BGS Institute of Technology 电子与通信工程系
先说结论：这不是一篇算法上有突破的论文，而是一个把"穿墙人体检测"这件事拉到很低成本的工程实现。整套系统的核心就是两块毫米波雷达模块加一块 ESP32——一块雷达负责"墙后面有没有东西在动、在哪"，另一块专门盯着"这个目标有没有呼吸"。两路信息在单片机上做融合判断，确认是活人才报警。思路本身不新，但把动目标检测和生命体征检测拆成两路硬件、再在嵌入式端做决策融合的做法，对想做低成本安防、救援定位原型的人有参考价值。需要提醒的是，论文的实验验证偏定性，没有给出量化的准确率数字，这一点后面会细说。
一、为什么"穿墙探测"这件事值得做？
很多场景里，人没法直接看到墙另一边的情况：救援队在废墟外想知道里面有没有幸存者，安防系统想确认空房间里是不是进了人，军方侦察更不想为了看一眼就破门。摄像头在这些场合基本派不上用场——要么没有视线，要么有隐私顾虑（比如卧室、病房里的长期监护）。
毫米波雷达恰好绕开了这两个问题：它能穿透木板、石膏板、砖墙这类非金属障碍物，不依赖光照，也不拍图像，天然保护隐私。但穿墙这件事的难点也很实在——墙体对信号的衰减、多径反射、环境杂波，都会让回波信噪比变得很差。更要命的一个问题是：雷达能发现"有东西在动"，但分不清动的是人还是窗帘、风扇、晃动的桌椅。误报多了，系统就没法用。
这篇论文要解决的正是这个"分不清"的问题。
二、一个雷达不够，为什么要两个？
作者的思路很直接：静止的活人和静止的物体，区别在于活人会呼吸。呼吸引起的胸口起伏只有几毫米，属于"微动"，但它是一个只有生命体才有的周期性信号。所以只要同时确认"有目标"和"目标在呼吸"，就能把大部分静态杂物造成的误报挡在门外。
基于这个判断，系统用了两块雷达模块，各管一件事：
第一块是运动与位置检测雷达（论文实物用的是海凌科 HLK-LD2450），负责输出目标的运动状态、距离和大致位置；第二块是生命体征检测雷达，专门捕捉呼吸引起的胸腔微动。两路数据都通过 UART 串口送进 ESP32，由单片机做预处理、特征提取和最终的决策融合。
决策逻辑把结果分成四档：无人、有人、检测到呼吸、入侵者报警。只有运动信号和呼吸信号对上了，系统才确认"有活人"，进而触发蜂鸣器报警、LCD 显示和 Wi-Fi 远程推送。
上图是系统整体架构图——从天线阵列、射频收发、ADC 采样，到信号预处理、呼吸/心率特征提取，再到存在检测决策和显示输出的完整流水线
顺带说一句，这张图在论文里有个明显的编辑疏漏：图题上方残留了一行"Fpga-Based Mri Reconstruction Architecture"的字样，和正文内容完全无关，应该是从别的模板复制过来没删干净。正文里甚至还留着一句"Small correction before final paper submission"的修改备忘。这类低级纰漏不影响技术内容，但也侧面反映了这篇论文的成色——它更接近一个完成度不错的本科/硕士课程设计，而不是严格打磨过的研究工作。
三、整套系统是怎么串起来的？
硬件清单很短：两块毫米波雷达模块、一块 ESP32、5V 稳压电源、一块 LCD/TFT 显示屏、一个蜂鸣器，再加上 Wi-Fi 远程推送（ESP32 自带）。软件基于 Arduino IDE 或 ESP-IDF 开发，远程监控可以接 Blynk、MQTT 或者自建网页看板。
工作流程按信号走向可以拆成四步：
第一步，隔墙采集。雷达放在墙的一侧，对着墙发射毫米波信号，接收墙后人体反射回来的回波。运动雷达输出目标距离和位置，体征雷达输出包含呼吸微动的原始回波。
第二步，预处理。这一步是整套系统真正干活的地方，下一节单独展开。
第三步，数据融合与决策。运动特征和呼吸特征汇总后，由决策逻辑判断当前属于四档状态中的哪一档。
第四步，输出。本地 LCD 显示"Presence Detected / Breathing: Yes"这类状态，蜂鸣器负责现场报警，Wi-Fi 把结果推到手机或监控端。
整套方案的成本大头就是两块雷达模块，HLK-LD2450 这类消费级雷达模组单价在几十元人民币量级，加上 ESP32，整套 BOM 控制在百元级别没有问题。对比那些需要 GPU 跑深度学习模型的穿墙检测研究，这个方案的卖点很明确：便宜、低功耗、能实时跑在单片机上。
四、呼吸信号是怎么从噪声里"抠"出来的？
穿墙场景里，墙体本身的反射往往比人体回波还强，呼吸引起的信号变化又只有毫米级，直接看原始数据基本是一片噪声。论文在 ESP32 上安排了五级处理：
先是基础的噪声滤波，压掉随机抖动；然后是墙体杂波去除，把墙和周围固定物的强反射抑制掉——这一步不做，墙的回波会淹没一切；接着是静态物体剔除，把家具这类不动的反射源排除，让系统只关注"会动的东西"。
针对呼吸信号，还有两道专门的处理：带通滤波把频率范围收窄到人体呼吸所在的低频区间，把呼吸微动从其他运动成分里分离出来；再用 FFT 把时域信号转到频域，找出周期性的呼吸分量。最终输出的是一条平滑的呼吸波形。
这里比较实在的一点是，所有处理都是滤波、FFT 这个量级的运算，ESP32 跑得动，不需要外部算力。但也要指出，论文只说了"用了这些处理"，没有给出具体的滤波器参数、呼吸频带范围、FFT 点数和窗函数选择，想复现的人需要自己补这些细节。
五、实验结果到底说明了什么？
论文的实验部分以图为主，我们按"它想证明什么"来读，而不是逐图搬运。
首先是最基本的结论：系统能跑通。雷达界面能实时标出目标在监测区域里的位置和距离。
上图是雷达可视化界面截图——绿色雷达网格上标出被检测到的目标点
其次是跟踪的稳定性。下图中，目标距离随时间的曲线稳定在 2.5 英尺（约 0.76 米）附近，只有小幅波动，作者把波动归因于身体移动、呼吸和传感器噪声。这说明雷达对静止目标的距离输出是连续的、不漂移。
第三是预处理确实有效。下图 9 对比了滤波前后的信号，原始信号毛刺很多，滤波后明显平滑；下图 10 给出了提取到的呼吸波形，是规则的类正弦周期信号，说明胸腔微动确实被分离出来了。下图 12 则显示，加了杂波去除和静态物体剔除之后，误检次数明显下降。
最后是系统边界：下图 11 显示检测准确率随距离增加而下降，原因是信号衰减和墙体反射损耗。
读到这里需要泼一点冷水：所有这些结果都是定性的。论文没有给出任何一张量化表格——没有准确率的具体百分比，没有误报率数字，没有在不同墙体材质、不同厚度下的对比数据，也没有和任何基线方法做横向比较。图 11 和图 12 的坐标轴上甚至没有标数值。所以"准确率随距离下降""误检减少"这些结论，方向上是可信的（符合物理直觉），但幅度有多大、边界在哪里，论文本身回答不了。
六、冷静看待：亮点、短板和能借鉴的地方
这篇论文真正有价值的地方，不是某个具体算法，而是它验证了一个低成本系统架构的可行性：用两路分工明确的消费级雷达，在百元级硬件上实现"运动 + 呼吸"双重确认的穿墙检测。对于做智能楼宇、独居老人监护、简易安防原型的人来说，这个架构可以直接抄作业——HLK-LD2450 加 ESP32 的组合在国内很容易买到，论文里的处理流程（杂波去除、带通滤波、FFT 提取呼吸）也都是成熟技术。
它的短板同样明显。除了前面说的缺少量化验证，还有几个问题论文没有触及：多目标场景下呼吸信号怎么分离（房间里不止一个人时怎么办）；金属墙、混凝土承重墙这类强衰减障碍下系统是否还有效；人侧卧、背对雷达时呼吸信号变弱会不会漏检。作者在结尾也承认，后续需要测试不同墙材、扩大探测距离、引入机器学习分类。
所以我觉得：它适合作为工程选型和原型搭建的参考，不适合作为性能评估的依据。如果你要做的是"有没有人"这种粗粒度判断，这套方案够用且便宜；如果你需要的是医疗级的呼吸率精度或者复杂环境里的可靠检测，这篇论文给不了你想要的答案，得去看 IEEE 上那些带完整定量实验的 FMCW 雷达研究。
结语
穿墙检测这个方向，学术界卷的是算法和模型，而这篇论文走的是另一条路：把现成的便宜模块拼起来，用"呼吸确认"这个朴素的判据压住误报。它证明了一件事——在很多实际场景里，系统设计的巧劲比算法的先进性更管用。只是下次投稿前，记得把模板里残留的 MRI 字样删掉。