颠覆传统！科学家推出超实惠Pulse-Fi心率监测器，超越可穿戴设备

工程师们利用 人工智能 (AI) 和廉价的现成硬件，将 Wi-Fi 信号的幅度转换为一个人的心率估计值。

研究人员在 8 月 5 日发表在 2025 年 IEEE 国际智能系统和物联网分布式计算会议 (DCOSS-IoT) 会议录中的一项研究中写道，这种名为 Pulse-Fi 的系统在不同身体位置和距离下的准确性非常一致。

研究作者 Pranay Kocheta、Nayan Bhatia 和 Katia Obraczka 在一封联合撰写的电子邮件中向 Live Science 表示，研究结果表明，可以通过现有的 Wi-Fi 基础设施和硬件以无接触的方式提取可靠的心率信息。Obraczka 是加利福尼亚大学圣克鲁斯分校 (UC Santa Cruz) 的计算机工程教授，Bhatia 是 UC Santa Cruz 的计算机科学博士生，而 Kocheta 是一名在实习期间进行研究的高中生。

许多家庭技术，比如胸带监测器和 智能手表，监测生命体征，如 心率 和呼吸频率。然而，这些设备需要与个人保持持续接触，并且价格昂贵，因此需要无接触技术。

其中一种技术可以利用 Wi-Fi 信号中的信息，这些信号是无线电波，负责在发射器和接收器之间传输数据，比如路由器和计算机之间。

“信道状态信息”（CSI）提供了信号在这两个设备之间传输时的幅度和相位，包括当它穿过诸如 移动障碍物 等障碍物时。由于信号在通过这些障碍时会发生扭曲，研究人员可以过滤CSI数据以捕捉生命体征。

现在有很多关于 Wi-Fi心率检测的例子，但Kocheta及其团队认为仍然存在若干局限性。例如，许多例子依赖于已经停用的硬件。为了应对这些局限性，研究人员开发了一种名为“Pulse-Fi”的新系统。

捕捉生命体征

为了收集评估Pulse-Fi所需的数据，团队将七个人——五名男性和两名女性——放在两个单天线的 ESP32设备 之间。这些微控制器设备发射Wi-Fi信号，其中一个充当发射器，另一个充当接收器。参与者的实际心率同时通过附在他们指尖的脉搏血氧仪收集。

每个人参与了三次：第一次距离ESP32设备3.3英尺（1米），然后是6.6英尺（2米）和9.8英尺（3米）。每次测量持续五分钟。

团队随后开发了一条机器学习管道，以估计从CSI中估计的心率。初始步骤是提取与个体心跳相关的幅度信息，然后去除因环境障碍物造成的信号杂音。

接下来，工程师添加了一个滤波器，去除频率在0.8到2.17赫兹范围之外的信号，这对应于每分钟48到130次心跳（即48到130 BPM）。然后，他们添加了第二个滤波器，以进一步平滑信号。

团队随后使用长短期记忆递归神经网络（LSTM）来估计参与者的心率，这是一种机器学习形式，它在处理序列数据时添加“记忆单元”，提供了识别数据中依赖关系所需的上下文。在这种情况下，这些依赖关系与静息心率和运动引起的BPM峰值等元素相关。

团队感到惊讶的是，心率估计在与ESP32设备的不同距离下仍然保持准确。在1米的距离下，Pulse-Fi对心率的低估和高估平均为0.429 BPM，在2米处为0.482 BPM，在3米处为0.488 BPM。

研究人员随后使用现有的 Wi-Fi CSI 健康数据 测试 Pulse-Fi 在不同身体姿势和活动下的表现。数据来自118名巴西成年人，他们保持17种静止和活动姿势，包括静坐、原地行走和扫地，持续60秒。参与者与Wi-Fi发射器、接收器以及用于收集CSI数据的 Raspberry Pi 3B+ 的距离均为3.3英尺（1米）。

他们比较了神经网络估算的心率和智能手表的读数，发现Pulse-Fi的结果不受个人身体姿势的影响。典型误差为0.2 BPM。

无线脉搏

这项早期技术从理论上讲很有趣，英国伯明翰大学的健康数据科学家 Andreas Karwath 表示，他并未参与这项研究。

然而，他指出，这项研究的一个关键限制是相同的数据被用于模型的训练、验证和测试。研究人员每次都会打乱数据，但Karwath认为这会导致自我实现的预言。

“这就像通过了解一个人来预测他的疾病，然后再预测这个人，”他对《生活科学》说。“这听起来没道理。”

针对这一批评，研究人员表示，虽然他们的分析确实涉及洗牌，但他们后来在实时中测试了该模型，Pulse-Fi仅基于过去的数据进行训练，并在全新的输入信号和环境中进行评估。这项研究尚未发表。

Karwath还解释说，用于收集心率信息的智能手表和血氧仪并不总是100%准确，因此他们的数据可能存在偏差。

Kocheta、Bhatia和Obraczka承认了智能手表的这一局限性。不过，他们表示，“脉搏血氧仪通常被认为是一种经过认证的医疗设备，准确性很高。”

该团队现在正在扩展Pulse-Fi测试项目，以同时跟踪房间内多个人的心率，以观察该模型在拥挤环境下的表现。

作者表示，数据处理流程中不涉及任何明确的个人信息，所有心率数据都保留在硬件中。因此，这项技术不存在数据隐私方面的担忧。卡尔瓦特预测，这项技术至少还要五到十年才能投入使用。