在无接触健康监测领域，WiFi 信号感知正在从实验室走向实际应用。相比传统的摄像头方案，WiFi 感知不采集任何图像数据，仅通过分析无线信号的空间干涉模式来推断人体存在、呼吸与心率。RuView 项目展示了这一技术路线的工程可行性 —— 从九美元的 ESP32-S3 开发板到完整的多节点感知网络，核心仅需一块支持 WiFi 的芯片与一套信号处理算法。
两种信号类型的根本差异
WiFi 感知依赖的信号源主要分为两类：RSSI（Received Signal Strength Indicator）与 CSI（Channel State Information）。理解这两者的差异，是选择合适技术方案的前提。
RSSI 是接收端对整个数据包信号强度的粗略度量，通常以 dBm 为单位，常见范围在 - 30dBm（距离极近）到 - 90dBm（信号微弱）之间。RSSI 的优点在于获取门槛极低 —— 任何支持 WiFi 的设备，无论是笔记本电脑、路由器还是、物联网开发板，都能直接读取这一数值，无需特殊的驱动程序或固件修改。标准操作系统（Windows、macOS、Linux）均提供标准 API 供开发者查询当前信号强度。然而，RSSI 的缺点同样明显：它只能反映信号的整体强弱，无法区分直射路径与反射路径，也难以分离环境噪声与人体引起的信号变化。因此，RSSI 更适合做粗粒度的存在感知（是否有人），而非精确的生命体征测量。
CSI 则提供了物理层级别的细粒度信息。以 802.11n 标准下的 20MHz 带宽为例，系统可提供 56 个子载波的幅度与相位数据；802.11ac/ax 标准下，子载波数量可达 114 个甚至更多。每个子载波都对应一段独立的信号路径，当人体在空间中移动或呼吸时，这些路径的长度会发生微小变化，进而体现在子载波的幅度与相位偏移上。CSI 能够捕捉到毫米级的胸部起伏，正是生命体征检测的核心数据来源。不过，CSI 的获取需要特殊硬件支持 ——Intel 5300 网卡刷入修改驱动、ESP32-S3 开发板刷入定制固件、或专业的 Atheros AR9580 网卡配合 Linux ath9k 补丁，都是常见的获取途径。
呼吸与心率检测的信号处理原理
人体生理活动对 WiFi 信号的调制具有明确的频率特征。正常呼吸时，胸部以每分钟六至三十次的频率（约 0.1 至 0.5Hz）起伏；心率对应每分钟四十至一百二十次（约 0.8 至 2.0Hz）。这两种活动产生的信号变化幅度差异显著 —— 呼吸导致的胸部位移通常在四至十二毫米之间，心跳产生的躯体微动更为微弱，幅度通常在一毫米以下。
完整的处理流水线通常包含六个核心阶段。以 ESP32-S3 为例，第一步是数据采集 —— 开发板以每秒二十次的频率通过 UDP 协议将 CSI 帧发送至处理端，每个帧包含五十六个子载波的复数值。第二步是相位清洗，原始 CSI 相位容易受到载波频率偏移与采样定时偏移的污染，SpotFi 算法提出的共轭乘法（Conjugate Multiplication）能够消除天线对之间的相位偏差，保留仅由环境引起的相位变化。第三步是异常值剔除，Hampel 滤波器利用中位数与绝对偏差中位数（MAD）构建稳健统计量，能够在高达百分之五十数据污染的情况下保持稳定，这是处理真实环境噪声的关键步骤。第四步是子载波选择，并非所有子载波对人体活动敏感，部分子载波可能处于多径_null 点（即信号几乎完全抵消的位置），选择方差比最高的十至二十个子载波可以将信噪比提升六至十 dB。
第五步是带通滤波 —— 呼吸信号对应 0.1-0.5Hz 频段，心率信号对应 0.8-2.0Hz 频段，FIR 带通滤波器负责分离这两个目标频段。第六步是频谱分析，对滤波后的时域信号执行快速傅里叶变换（FFT），在对应频段内搜索峰值即可得到呼吸率与心率估计值。值得注意的是，心率检测的难度远高于呼吸检测 —— 心跳信号的幅度通常比呼吸信号低一到两个数量级，且更容易被环境噪声掩盖。Fresnel 区模型在此处发挥作用 —— 它根据发射端、人体、接收端的几何关系预测呼吸信号应当出现的相位变化位置，帮助在多径丰富的环境中定位真实的人体信号。
硬件选型与部署参数
针对不同应用场景，RuView 提供了差异化的硬件配置建议。基础的生命体征监测仅需一块 ESP32-S3 开发板，售价约九美元，配合官方固件即可实现呼吸与心率检测。ESP32-S3 通过 WiFi 监听模式捕获周围路由器发出的信号，无需专门的对射设备 —— 这意味着在实际部署中，只需将开发板放在房间中，任选一台已有的 WiFi 路由器作为信号源即可工作。
若追求更高的空间分辨率与多房间覆盖，建议部署三至六个节点组成 mesh 网络。节点之间通过 TDM（时分复用）协议协调传输，避免信号冲突。总成本约为五十美元左右。多节点配置能够消除单节点的盲点 —— 当一个人位于两个节点之间时，来自不同角度的信号可以交叉验证；多人共处一室时，Stoer-Wagner 最小割算法能够有效分离不同个体的信号。在官方测试中，四节点配置可实现十二个发射 - 接收链路的融合，覆盖 360 度 room-wide 空间。
部署距离方面，官方标称的可信赖检测范围约为三米。在穿透一堵标准砖墙后仍能维持可用的信号质量，但检测精度会明显下降。ESP32-S3 的 CSI 帧率约为 20Hz，满足心率检测的奈奎斯特采样要求（心率上限 2Hz，采样率需大于 4Hz）。若需要更远的穿透距离 —— 例如搜索与救援场景下穿透三十厘米混凝土 ——WiFi 信号相比毫米波具有一定优势，但检测精度会显著下降，需要配合多节点协同、更长的积分时间以及更复杂的信号增强算法。
关于检测阈值的设定，官方文档给出了以下参考：呼吸率检测范围为六至三十 BPM，对应 0.1-0.5Hz 频段；心率检测范围为四十至一百二十 BPM，对应 0.8-2.0Hz 频段。置信度分数介于 0.0 至 1.0 之间，反映信号质量与频谱峰值的一致性。静止人体的心率检测置信度通常高于运动场景 —— 大幅度肢体动作会在更宽的频带内引入干扰，淹没心率信号。存在感知的响应延迟低于一毫秒，在受控测试环境下可达到接近百分之百的准确率。
RSSI 方案的适用场景与局限
尽管 CSI 是当前的主流技术路径，RSSI 方案在特定场景下仍具有不可替代的价值。首先是成本与普及度 —— 任何支持 WiFi 的设备都能直接读取 RSSI，无需固件修改或特殊硬件。对于仅有消费级设备的团队，RSSI 提供了最低的准入门槛。其次是隐私敏感度更高的场景 ——RSSI 仅反映整体信号强弱，不涉及任何子载波或相位信息，即使被恶意截获也难以还原人体活动的细节。
然而，RSSI 方案的局限性同样明显。公开的研究表明，纯 RSSI 方法的呼吸检测精度显著低于 CSI 方法，在动态环境中尤其如此。RSSI 信号更容易受到环境变化（人员走动、家具移动、门窗开关）的影响，分离呼吸信号与背景噪声的难度更大。一个实际的做法是将 RSSI 与其他传感器（如 PIR 人体红外传感器）融合，通过多传感器互补来提升判断准确率。
对于资源有限的团队，一个务实的起步方案是：先使用 RSSI 实现基础的存在感知与粗略活动判断，积累一定的部署经验后，再升级至 CSI 方案。这种渐进式路径能够降低技术风险，也便于在实际环境中逐步校准参数。
隐私保护与合规优势
相比传统的摄像头方案，WiFi 感知的核心优势在于天然的隐私友好性。整个感知过程不涉及任何图像或视频数据的采集、存储与传输。系统处理的是射频信号的空间干涉模式，而非可识别的生物特征。在 GDPR 与 HIPAA 的框架下，摄像头部署通常被视为高风险的数据处理行为，需要额外的同意获取、数据保留期限限制与安全审计。而 WiFi 感知从设计上规避了这些问题 —— 它不采集任何个人身份信息，不存储任何可追溯的生物特征，部署方无需在数据保护合规上投入大量资源。
这一特性在养老监护、病房监控与儿童托管场景中尤为关键。在养老院老人卧室中部署一到两个 ESP32 节点即可实现夜间呼吸监测与跌倒检测，既保障了老人安全，又尊重了生活隐私。在医疗机构中，对于需要持续监测但不适合佩戴心率贴片的患者，WiFi 感知提供了一种无接触的替代方案。
工程落地的关键考量
在实际部署中，以下几个工程问题需要重点关注。首先是环境标定 ——WiFi 信号对房间布局、家具摆设非常敏感，部署初期需要让系统在无人的状态下建立环境基线。RuView 提供了自动标定脚本，运行约十到三十分钟后，系统能够区分静态环境反射与动态人体信号。多径干扰是另一个主要挑战 —— 在金属框架结构或会议室等多反射环境中，信号处理流水线的稳健性会受到考验。子载波选择与相位清洗环节正是为了应对这一问题。
ESP32-S3 的固件更新与配置管理也需要纳入运维体系。官方提供了 provisioning 工具，允许通过 Python 脚本远程修改 WiFi 凭证、目标服务器地址以及 TDM 参数。配合 Cognitum Seed（约一百三十一美元）使用时，系统还能实现持久化的向量存储与密码学见证链 —— 每条测量记录都附带 SHA-256 哈希校验，确保数据未被篡改。这对于医疗场景的审计追溯具有实际价值。
总体而言，基于 WiFi 的生命体征监测已经从概念验证进入工程可用阶段。RuView 项目展示了从九美元硬件到完整感知系统的完整链路 —— 以 ESP32-S3 为采集前端，以 Rust 编写的信号处理流水线为计算核心，以 WebSocket 与 REST API 为输出接口。在呼吸率与心率检测这两个核心指标上，系统达到了可用的工程精度，同时保持了零摄像头、零隐私侵扰的设计承诺。对于寻求非接触式健康监测解决方案的团队，这一技术路线提供了兼具成本效益与合规安全的选择。
参考资料
- RuView 官方项目文档：https://github.com/ruvnet/RuView
- ESP-IDF CSI 获取方案：https://github.com/espressif/esp-csi
- IEEE VTC2024Spring 论文：高精度 WiFi 生命体征检测