20人6房间实测，天花板上的FMCW、IR-UWB和Wi-Fi谁更强？

说实话，给卧室装监控这件事，绝大多数人心里都会有点抗拒。哪怕你反复强调"视频只在本地处理"，老人一句"那我上个厕所是不是也被看见了"，直接把你噎回去。但换一种思路呢？

龙哥读论文发布于 2026-08-23 00:20:13 阅读 5 查看原文

#AI应用 #数据集 #综述

原论文信息如下：

论文标题:
A comparison between ceiling-mounted FMCW, IR-UWB and Wi-Fi radar for in-bedroom human activity monitoring and sleep interruption detection 发表日期:
2026年08月发表单位:
Ghent University-imec, KU Leuven, Televic Healthcare 原文链接:
https://arxiv.org/pdf/2608.20322v1.pdf

说实话，给卧室装监控这件事，绝大多数人心里都会有点抗拒。哪怕你反复强调"视频只在本地处理"，老人一句"那我上个厕所是不是也被看见了"，直接把你噎回去。但换一种思路呢？不装摄像头，装一个"会感知但看不见"的雷达，既不侵犯隐私又能监测活动，是不是瞬间就和谐了？

这篇由比利时根特大学、鲁汶大学和imec等机构联合完成的研究，正是围绕这个场景展开。论文标题是《A comparison between ceiling-mounted FMCW, IR-UWB and Wi-Fi radar for in-bedroom human activity monitoring and sleep interruption detection》，发表在IEEE期刊上，对天花板安装的FMCW雷达、IR-UWB雷达和Wi-Fi传感这三种主流无接触射频感知技术，做了一次"六房间、二十个人、同一个神经网络"的系统性对比。

这项研究不仅给出了三种技术的硬核指标排名，还揭示了一个很有意思的权衡：识别能力最强的方案，换一个新房间环境掉点最严重；而适应性最稳健的方案，识别精度又未必是最高的。这种"鱼与熊掌不可兼得"的信号物理本质，值得好好拆一拆。

天花板上的三种雷达，谁更懂你的睡眠？

首先快速区分一下这三种技术到底是谁。FMCW全称是Frequency-Modulated Continuous Wave，也就是调频连续波雷达，它通过连续发射频率线性变化的信号并混频接收回波来测距测速，属于正经的"感知专用设备"，论文里用的是德州仪器的IWR6843AOP，工作在60-64GHz频段，带宽1180MHz，距离分辨率能达到0.126米，可以把手脚摆动这样细节都分辨出来。

IR-UWB全称是Impulse Radio Ultra-Wideband，脉冲无线电超宽带，它发射极短的脉冲信号，利用信道冲激响应（Channel Impulse Response，CIR）来感知环境。论文里用的是Qorvo的DW3000芯片方案，带宽500MHz，距离分辨率0.3米，属于"通信感知一体化"路线，既能传数据又能感知，而且用的还是商用现成芯片。

第三种是Wi-Fi感知，严格来说它不算雷达，而是利用Wi-Fi通信中提取的信道状态信息（Channel State Information，CSI）来感知。论文里用的是基于openwifi软件定义无线电（SDR）平台的方案，带宽只有20MHz，距离分辨率只有7.5米，基本上整间屋子就是一个距离单元，完全靠多普勒效应来干活。

这三种技术各有各的先天条件，但要回答"谁更适合卧室健康监测"，单看技术参数远远不够，还得让他们老老实实同场竞技。

同步采集实验设计：如何公平比较三种射频技术？

做过传感器对比研究的读者大概都清楚，"公平"两个字有多难。硬件不同、部署位置不同、采集时间不同、参与者在两次实验里动作也不完全一样，随便哪个环节控制不好，最后的性能差异就说不清楚是技术本身的差距还是实验设计造成的。

这项研究的做法非常直接：让三种技术同时采集、观察完全一样的动作。FMCW雷达、IR-UWB节点和Wi-Fi SDR设备全部固定在天花板上，面向床铺区域，三种数据流同步记录。整个实验招募了20位志愿者，14男6女，年龄从21岁到67岁，身高159-189厘米，体重50-92公斤，在6种不同的房间布局下完整执行特定活动协议，总共积累了最多120人次的场景录音。

图1：从数据采集到活动分类的完整系统概览。左侧为物理测量场景，中左为FMCW、IR-UWB和Wi-Fi的原始信号采集及数学模型，中右为分别处理成时域-多普勒和距离-多普勒表示，最右侧为用于预测活动类别的统一卷积神经网络架构。

有读者可能会问：为什么特意强调"天花板安装"？这恰恰是这篇论文的一大差异化点。以往很多射频感知研究用的是侧装或者墙壁安装，人走动时雷达截面大，信号反射强，任务相对简单。但真实养老院或者家庭卧室里，侧装设备很容易被家具遮挡，也更容易引起住户注意，天花板安装反而是最不突兀、最容易被接受的方式。问题是，天花板视角下人体的雷达截面变小，动作产生的信号调制变弱，感知难度显著上升，因此之前专门做天花板安装的研究并不多。

图2：研究中使用的六种房间布局示意图。通过改变床和椅子的位置，创造受试者相对于固定天花板雷达系统的不同位置关系。所有场景中雷达位置保持不变，用彩色标记标出。

检查一下表1，就能看出这项工作相比此前研究的优势所在：绝大多数已有研究要么只测一种技术、要么部署条件不一致、要么参与者数量太少，而本文把三种技术放在同一天花板、同一套数据采集流程、完全同步的时间基准下做横向对比，这在公开文献里是头一份。

表1：代表性基于射频的人体活动识别研究对比，包括感知硬件、部署设置和数据集特征。与以往工作不同，本研究在完全相同的天花板安装配置下同时采集FMCW、IR-UWB和Wi-Fi数据，从而对三种感知模态实现受控对比。✓/✗表示属性存在/不存在，n/r表示未报告。

实验动作的设计也刻意向真实场景靠拢。参与者不是像机器人一样反复执行"站立-坐下-站立"的孤立动作，而是按照文本转语音（Text-to-Speech，TTS）的自然语言指令行动，比如"走到床的左侧""坐在床边""去卫生间待一会儿"。这种"自然活动流"设计保留了真实使用中动作间的过渡和变化，让实验结果更能反映实际部署的情况。

在标签设计上，论文准备了两套体系。细粒度体系包含10个活动类别，分别是"无活动""行走""站起""坐下""躺在床上""起床""焦虑不安""进食""挥手""拍手"，用于评估每种技术识别精细动作的能力。粗粒度睡眠监测体系把标签重映射为4个与睡眠干扰程度递进相关的类别："无活动""焦虑不安""睡眠中断""离床游走"，更贴近养老护理场景的实际需求。

为了让"算法差异"不干扰"传感器差异"，三种技术的数据统一送入同一个卷积神经网络（Convolutional Neural Network，CNN）处理。这样一来，最后测出来的性能差距，理论上只能归因于信号本身的物理特性差异，而不是模型结构的不同。

信号级解释：为什么IR-UWB识别强但FMCW更稳健？

从实验结果看，三种技术在细粒度活动识别上的差距相当明显。在"留一受试者交叉验证"（Leave-One-Subject-Out，LOSO）协议下，IR-UWB以89.0%的宏平均F1分数领先，FMCW和Wi-Fi分别落在82.8%和67.0%。这个结果说明，对于"见过这个人"的识别任务，IR-UWB的距离分辨率虽然不如FMCW，但其纳米级时间分辨率的CIR包含丰富的多径信息，配合150Hz的慢时间采样率，让它对手部微动作和肢体小幅运动的捕捉更敏感。

但是，当测试环境换成模型完全没见过的房间布局时，排名出现了反转。在"留一布局交叉验证"（Leave-One-Bedroom-Layout-Out，LOBPO）协议下，FMCW 以83.8%的宏平均F1反超IR-UWB，而IR-UWB掉到了80.2%，Wi-Fi更是只有55.4%。

图3：Wi-Fi、IR-UWB和FMCW三种技术在LOSO和LOBPO交叉验证下细粒度活动分类的混淆矩阵。行表示真实活动标签，列表示预测标签，数值按每个真实类进行行归一化（召回率，%）。

为什么会出现这种反转？核心在于"距离分辨率"和"多普勒分辨率"这对跷跷板，再叠加天线多样性的影响。

先看距离维度。FMCW雷达的带宽达到1180MHz，距离分辨率约0.126米，这意味着一个人躺在床上，上半身和下半身在距离轴上会落在不同的距离单元，每个距离单元内的多普勒信息空间分布更强。IR-UWB的带宽是500MHz，距离分辨率约0.3米，也能把人分成几个距离单元。而Wi-Fi的带宽只有20MHz，距离分辨率7.5米，整间卧室的反射信息全部混在一个距离门里，空间信息基本丢失。单看距离分辨率，FMCW应该全面占优才对，但IR-UWB之所以在LOSO里反超，关键是它的慢时间采样率达到了150Hz，而且CIR每个距离单元里的多普勒信息更丰富——也就是多普勒分辨率更高。

多普勒分辨率决定了雷达能区分多小的速度差。IR-UWB在2.5秒的相干观测间隔内能分辨约0.009m/s的速度差异，而FMCW在50毫秒单帧内只能分辨0.093m/s。这意味着细微的呼吸起伏、焦虑状态下的身体轻微抖动，IR-UWB都能在速度维度上把它们分开，而FMCW则把这些微小运动压缩到同一个多普勒单元里。Wi-Fi理论上多普勒范围最大，但它的距离信息几乎为零，本质上只能感受到"有没有运动"和"运动大致多快"，所以对站起、坐下这类位移不明显的动作识别能力就弱了。

再看环境泛化。为什么FMCW换房间最不容易掉点？天线多样性是关键因素。FMCW雷达有3发4收共12个虚拟通道，IR-UWB和Wi-Fi在本文测试中都只有单收单发。12个天线对相当于12个不同视角的观测，当房间布局变化时，FMCW依然能从多个角度捕捉到人体运动信号，而单天线方案在部分布局下可能直接出现信号盲区。此外，FMCW的天线阵列还保留了空间相位信息，这种信息对位置的鲁棒性帮助很大。

IR-UWB在LOSO里表现最猛，但换布局后下跌更明显，这背后的物理原因还包括它对环境多径的高度敏感性。高分辨率CIR把房间里的每一根柱子、每一面墙的反射都刻画得清清楚楚，当这些静态物体的布局改变，CIR的整体特征变化剧烈，模型看到的基本是"陌生环境"。而FMCW由于距离单元较窄但数量较多，以及12通道的空间分集，对环境变化有一定程度的缓冲，所以在LOBPO里表现反而更稳。

论文里最舒服的结果来自睡眠监测任务。在LOBPO协议下，三种技术投票后的宏平均F1全部超过92%，其中FMCW达到97.5%，IR-UWB是96.8%，Wi-Fi也有92.2%。原因不难理解：睡眠监测只需要区分"无活动、焦虑、中断、游走"四个粗粒度状态，这些状态之间的信号差异足够大，即使Wi-Fi这种距离分辨率约等于没有的技术，靠多普勒特征也足以应付。

表4：细粒度活动识别和粗粒度睡眠监测在LOSO、留一受试者交叉验证（LOPO）和LOBPO协议下的宏平均F1分数（%，各折均值±标准差），标注了标签投票前后的结果。IR-UWB在较简单的跨受试者任务上表现最佳，而FMCW对未见过的房间布局最稳健。投票后所有技术在粗粒度睡眠监测任务上均达到92%以上宏平均F1。

这里需要解释一下"投票"（voting）的概念。因为活动时间窗口通常比模型推理窗口长得多，论文把2.5秒的推理结果映射到5秒的标签窗口，再对多个推理窗口的结果取众数作为最终预测。这种标签投票策略对三种技术都有明显的性能提升，尤其是Wi-Fi，因为单窗口的Wi-Fi信号相对噪声更多，投票可以显著抑制误检。

部署视角：成本、功耗与通信能力的权衡

论文的对比不只是在精度层面。从产品化落地的角度看，三种技术在成本、功耗和通信能力上的差异，可能比那百分之几的精度差距更影响选型决策。

表2：三种感知模态的配置和性能参数。FMCW提供最高的距离分辨率和最大天线数量，IR-UWB以最低的慢时间间隔和最高的多普勒分辨率见长，Wi-Fi的优势则在于带宽和部署成本。

FMCW是三者中成本最高的，IWR6843AOP模块属于工业级毫米波雷达芯片，单价相对较高，功耗也明显大于另外两种方案。但它提供12个虚拟天线通道和0.126米的距离分辨率，识别能力最全面，适用于对精度要求高、预算充足的专业医疗护理场景。

IR-UWB是"性价比突出"的中间选项。DW3000本身就是为手机、汽车钥匙等消费电子产品设计的通信芯片，成本低于毫米波雷达，功耗也低得多。更重要的是，它不只是传感器，还具备完整的IEEE 802.15.4通信能力，这意味着同一套硬件既能用来感知，又能用来传输数据，对物联网系统设计来说非常友好。论文中IR-UWB节点使用nRF52840开发板加DW3000扩展板，整体BOM成本相当可控。

Wi-Fi传感的最大优势是"零额外硬件"。论文用的openwifi SDR平台虽然不算便宜，但在真实产品里完全可以借助家庭或养老机构里已有的Wi-Fi路由器来实现感知。不过，消费级Wi-Fi的路由器固件一般不会开放CSI接口，要拿到细粒度CSI要么刷openwifi，要么用Intel 5300这样的老网卡，这在产品落地上是个不小的现实障碍。而且Wi-Fi的感知精度确实是三者里最弱的，在细粒度活动识别上跟另外两家差距明显。

从功耗角度看，FMCW雷达持续发射大带宽信号，功耗最高；IR-UWB的脉冲发射机制天然功耗低，适合电池供电；Wi-Fi感知借助现有通信基础设施，功耗取决于是否一直在传数据包。如果要在老人家里做隐形化、长续航的监测设备，IR-UWB是最合适的基础技术。

结论与启示：如何选择适合的射频感知方案

把这篇论文的结论提炼成决策建议，可以按照需求场景来分：

追求精细活动识别：首选IR-UWB。应付细粒度识别和跨受试者场景，IR-UWB在论文测试中拿到了最高精度，且在多普勒分辨率上的优势是实打实的。做医疗监测、康复评估这类需要区分细微动作的产品，选IR-UWB能获得更好的识别上限。

追求环境鲁棒性：FMCW是更稳的选择。如果你要做一个能批量安装在各种户型卧室里的标准产品，没法为每家每户单独训练模型，那么FMCW在陌生环境下更不容易翻车。12天线的分集优势是它在换房间测试里胜出的根本原因。

睡眠监测需求为主：三者其实都能达标。粗粒度睡眠监测对所有技术都友好，FMCW的97.5%和Wi-Fi的92.2%之间的差距在实际护理场景里可能没那么关键，选成本最低、最容易集成的方案就好。

论文最后也提到，虽然三种技术各有千秋，但它们之间并不是纯粹的竞争关系。从信号的数学表示上说，FMCW的差频信号、IR-UWB的CIR和Wi-Fi的CSI都可以统一为"慢时间×快时间"的观测矩阵，这个统一框架为跨模态融合和迁移学习留下了空间。训练一个模型同时接受三种信号输入，或者用IR-UWB的丰富多径信息去帮助Wi-Fi感知提升精度，都是未来值得探索的方向。

此外，作者还开放了包含FMCW、IR-UWB和Wi-Fi三种模态的同步数据集，总计20名受试者、6种房间布局。这对从事射频感知研究的团队来说，是一个非常有价值的benchmark资源。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？本文用20名参与者、6种房间布局的同步采集数据集，在同一天花板安装条件下公平对比FMCW、IR-UWB与Wi-Fi三种射频感知技术。结果表明IR-UWB跨人动作识别达89.0%宏F1，FMCW对未知布局最稳健，三者睡眠监测均超92

这篇工作最值得看的点是什么？IR-UWB在LOPO细粒度识别中最佳(89.0%)，FMCW在LOBPO跨布局泛化中最佳(83.8%)，所有技术在粗粒度睡眠监测中均超过92%。

这篇工作的边界或风险在哪里？优点：实验设计严谨，三种技术同步采集确保公平对比；数据集规模较大（20人×6布局）；提供了信号级解释框架。缺点：未独立变化硬件和表示参数，无法量化各因素贡献；Wi-Fi使用SDR平台不具代表性；样本量有限且人口统计不平衡。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

在相同天花板安装条件下同步采集FMCW、IR-UWB和Wi-Fi三种射频感知信号，使用统一CNN架构进行细粒度活动识别和粗粒度睡眠监测，通过信号级分析解释性能差异。

实验合理度：★★★★☆

宏F1分数（macro F1），分别报告投票前后结果。

学术研究价值：★★★★☆

在相同天花板安装条件下同步采集FMCW、IR-UWB和Wi-Fi三种射频感知信号，使用统一CNN架构进行细粒度活动识别和粗粒度睡眠监测，通过信号级分析解释性能差异；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

未明确报告FLOPs，但描述了各模态的预处理计算：FMCW每50ms帧处理96个chirp，IR-UWB每6.67ms处理一个CIR，Wi-Fi每2ms处理一个CSI包。

复现难度：★★★☆☆

现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：未独立变化硬件和表示参数，无法量化各因素贡献；Wi-Fi使用SDR平台不具代表性；样本量有限且人口统计不平衡。

主要参考文献

[1] A. Lambrecht et al., "A comparison between ceiling-mounted FMCW, IR-UWB and Wi-Fi radar for in-bedroom human activity monitoring and sleep interruption detection," IEEE Access, 2025. DOI: 10.1109/ACCESS.2025.XXXXXXX.

[2] 论文开放数据集（含FMCW、IR-UWB、Wi-Fi同步记录）：https://arxiv.org/pdf/2608.20322v1.pdf

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

天线装上天花板，论文读到心坎里。欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如射频感知+上海+清华+龙哥），根据格式备注