在家庭环境中部署 Wi-Fi CSI（信道状态信息）系统用于非接触式心跳检测时，多径干扰和相位失真往往导致信号质量下降，影响检测精度。相位校准和杂波去除作为核心处理步骤，能够有效隔离动态心跳信号（频率约 0.8-2 Hz），从而实现可靠的实时监测。本文聚焦工程实践，提供具体参数和清单，帮助开发者克服这些挑战。
相位失真的成因与校准策略
Wi-Fi 信号在室内传播时，受限于商用设备硬件，如载波频率偏移（CFO）和采样频率偏移（SFO），CSI 相位会产生线性与非线性失真。这些失真在多径环境中放大，导致心跳引起的微弱胸部位移（约 0.5 mm）信号被淹没。观点在于，通过相位解缠和校准，可以恢复原始相位模式，提高信号信噪比（SNR）达 10-15 dB。
证据显示，CFO 可导致相位漂移高达 8π，而 SFO 随子载波索引变化，造成非线性误差。一种有效方法是采用后向链路（back-to-back）校准，利用 Wi-Fi 收发器间的直接通道估计相位旋转，并通过线性变换去除 CFO 和 SFO。具体公式为：校准相位 φ_cal = φ_raw - (α・k + β)，其中 k 为子载波索引，α 和 β 为拟合参数，通过最小二乘法从静态测量中求得。
可落地参数：
- 子载波选择：优先使用 30-56 个子载波（20 MHz 带宽），避免边缘子载波的噪声。
- 校准阈值：相位变化 <0.5π 视为有效心跳信号；如果漂移>π，触发重新校准。
- 实现工具：使用 Intel 5300 NIC 或 ESP32 提取 CSI，在 Python 中应用 SciPy 的 unwrap 函数进行相位解缠，采样率设为 1 kHz。
在实际部署中，先在空室环境中采集 1000 包静态 CSI，计算基准相位曲线，作为校准参考。随后，每 5 分钟动态更新一次，以适应温度或设备漂移。
杂波去除的自适应滤波技术
家庭环境中，墙壁、家具等静态物体产生固定多径杂波，叠加动态干扰（如呼吸谐波 1-0.2 Hz），掩盖心跳信号。观点是，自适应滤波结合主成分分析（PCA）能分离杂波，保留心跳的周期性特征，实现 < 1.5 bpm 误差。
证据表明，PCA 可丢弃第一主成分（静态杂波主导），保留后续 5 个成分用于特征提取。随后，应用小波变换（DWT）分解信号，高频分量对应心跳。Pulse-Fi 系统实验验证，在 3 米距离、多姿态下，滤波后 SNR 提升 20%，准确率达 95%。
可落地参数：
- 滤波器类型：Butterworth 低通滤波器，阶数 4-6，截止频率 1.5 Hz（覆盖心跳范围）。
- 自适应步长：使用 NLMS 算法，步长 μ=0.01-0.05，根据环境噪声自调。
- 杂波阈值：功率延迟曲线（PDP）中，ToF<10 ns 路径视为直接路径，>20 ns 为杂波，阈值 - 30 dB 以下剔除。
- 实现清单：1) 采集 CSI 幅度 / 相位；2) PCA 降维（保留 99% 方差）；3) DWT 分解（Daubechies 小波，4 级）；4) 带通滤波（0.8-2 Hz）；5) FFT 峰值检测心率。
对于多径干扰，引入自适应阈值：如果环境变化（如门开），动态调整滤波截止频率至 2 Hz，并监控 PDP 稳定性。
工程部署与监控要点
集成上述技术时，系统架构包括发射端（路由器 / AP）、接收端（Raspberry Pi + ESP32）和处理模块（AI 模型如 LSTM 预测心率）。观点是，标准化部署清单确保鲁棒性，回滚策略应对失败。
部署清单：
- 硬件：ESP32（$5-10）作为 TX/RX，Raspberry Pi 4（$30）运行滤波 / AI。
- 环境评估：测量室内多径图，LOS 路径占比 > 70%；距离 < 3 米。
- 校准流程：开机后 10 秒静态校准，误差 < 0.1π。
- 滤波参数初始化：低噪声环境 μ=0.01，高干扰 μ=0.05。
- 数据流：采样率 500 Hz，缓冲区大小 1024 包。
- 验证：与脉搏血氧仪对比，MAE<2 bpm。
监控要点：
- 实时指标：SNR>10 dB，PDP 峰值稳定性 < 5% 波动。
- 异常处理：如果心率估计偏差 > 10 bpm，切换到幅度模式（备用，精度低 10%）。
- 回滚策略：滤波失败时，回退至原始 CSI 幅度分析；多用户干扰时，限制单用户模式。
风险包括设备时钟不同步（限 <1 ms）和重杂波（墙反射> 50% 能量），建议阈值警报：杂波能量 > 总能量的 30% 时，提示重新定位设备。
通过这些工程实践，Wi-Fi CSI 系统可在家庭实现准确心跳监测，支持健康应用如老人护理。未来，可扩展至多用户，通过 MIMO 增强抗干扰能力。
（字数：1025）