非接触式智能睡眠检测与环境调节系统设计

0. 引言

睡眠是人类不可或缺的生理过程，其质量直接影响身心健康与认知功能[1]。因此，有效监测与干预睡眠对提升生活质量具有重要意义。传统接触式监测设备（如多导睡眠图PSG）虽精度高，但存在佩戴不适、操作复杂、干扰自然睡眠等问题，难以适用于家庭长期监测。针对这一问题，本文设计了一种基于STM32 与毫米波雷达的非接触式睡眠监控系统，集成多源传感器采集生理与环境数据，通过 Wi-Fi 上传至云平台并实现多终端显示。

1. 硬件设计

毫米波雷达模块采用 5V 供电（4.9-6V， gtrsim200mA ），通过USART（PA2、PA3）与 STM32 通信，并利用 DMA 传输数据。该模块发射 60GHz 电磁波，通过接收回波信号监测呼吸、心率及体动等生理参数。

光敏传感器模块连接至 STM32 的 ADC 引脚 PA0，将光强转换为0~3.3V 电压信号，经 12 位 ADC 量化及线性校准后获取照度值，用于环境光监测及灯光控制。

温湿度监测采用 DHT11 模块，通过单总线协议与 PB9 连接 [2]，校验数据后转换为温湿度值，为睡眠环境监测提供依据。

红外体温模块选用UART 协议（PA9、PA10）通信，工作电压3.3V，内置 24 位 ADC，通过接收红外能量计算体温值，与雷达数据共同实现多模态监测。

显示模块采用1.44 寸LCD，通过SPI接口控制，使用PB15（MOSI）、PB13（SCK）、PC15（CS）、PC14（MISO）、PB14（D/C）及 PB12（PWM背光）实现数据可视化及交互功能。

3 软件设计

本系统在 Keil5 环境下使用 C 语言进行开发。系统启动后首先完成硬件初始化，包括配置定时器、ADC、串口、DMA、LCD 及 WiFi连接等模块。初始化成功后，LCD 屏显示传感器采集的人体体征与环境数据，并允许用户自定义阈值。系统根据实时数据与阈值的比较结果实现智能调控：环境超限则红外控制空调，生理参数异常则触发蜂鸣器报警，光强不足则自动开启补光灯，从而实现个性化、自动化的睡眠环境管理 [3]。其流程见图1 系统软件设计流程图。

图1 系统软件设计流程图

毫米波雷达模块通过串口（ 115200bps ，8 位数据，1 位停止位，TTL 电平）进行初始化并采集数据。该模块可检测人体运动幅度及由呼吸心跳引起的胸腔微动，实时输出动作、呼吸及心率数值。其数据帧格式包含2 字节帧头（0X53,0X59）、1 字节控制字、1 字节命令字、2 字节数据长度标识、n 字节功能数据、1 字节校验和及 2 字节帧尾（0X54,0X43）[4]。校验码由帧头至数据区求和取低8 位获得。

光强采集通过配置GPIO 为模拟输入并启用ADC，设置工作模式、转换规则及触发方式以实现电压检测。光敏电阻阻值随光照增强而降低，对应电压经ADC 转换后，通过公式：阻值 Σ=Σ 10240000 / 1.1× ADC 值 ) - 2500，计算得出实际光强。

温湿度采集由 DHT11 单总线传感器实现，GPIO 配置为推挽输出/输入模式。启动后主机复位传感器并检测响应，随后读取40位数据（含湿度及温度的整数、小数部分及校验和）。本设计仅提取并显示整数部分温湿度值。

红外测温模块通过另一串口（ 38400bps ，8N1）通信，初始化后向传感器发送指令，并在中断服务程序中读取返回数据，使用 DMA进行数据传输与存储，最终解析为体温数值。

显示程序基于SPI接口初始化LCD，配置时钟（50MHz）、数据位宽、主从模式及片选信号，设置显示分辨率、光标与颜色参数 [5]。清屏后默认显示体征及环境数据界面，支持按键切换，为用户提供直观的多维信息可视化与交互功能。

4 结果分析

结果分析表明，本系统成功实现了非接触式睡眠监测的设计目标。核心生理参数采集精度高，心率和体温的平均误差分别为 0.57bpm 和0.14^∘C ，证明了毫米波雷达与多传感器数据融合的有效性。系统运行稳定，可靠地完成了从数据采集、无线传输到云平台可视化的全过程，验证了硬件设计与软件逻辑的正确性。尤为关键的是，系统超越了被动监控，形成了“监测 - 判断 - 调控”的智能闭环，通过执行机构成功实现对环境的自动调节。测试结果充分证实了该系统在低干扰前提下具备高精度、高可靠性及主动干预能力，为智能化睡眠健康管理提供了有效的解决方案。

5. 总结

本研究成功开发了一套以 STM32 为核心、基于毫米波雷达的非接触式睡眠监控系统，通过多源传感器无感采集人体生命体征与环境数据，经 WiFi 与云平台及手机 APP 互联，构建了集实时监测、报警与智能调控（如自动控制空调、灯光）于一体的闭环系统。来可引入AI 算法实现睡眠分期与健康管理，扩展环境监测维度，并通过临床验证与智能家居深度联动，进一步提升系统在居家养老等领域的应用价值。

参考文献：

[1] 李 璐 , 吴 姝 南 , 李 政 林 , 等 . 非 接 触 式 睡 眠 监 测 在老年慢性病健康管理中的优势和挑战 [J]. 中国公共卫生管理 ,2023,39(04):526-528.

[2] 唐家鹏 . 基于毫米波雷达的人体生命体征监测系统设计与实现 [D]. 北京 : 北京邮电大学 ,2024.

[3]Eldele E, Chen Z, Liu C, et al. An attention-based deep learning approach for sleep stage classification with single-channel EEG[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2021, 29: 809-818.

[4]Kristiansen S, Nikolaidis K, Plagemann T, et al. Machine learning for sleep apnea detection with unattended sleep monitoring at home[J]. ACM Transactions on Computing for Healthcare, 2021, 2: 1-25.

[5]Liu M, Lin Z, Xiao P, et al. Human biometric signals monitoring based on WiFi channel state information using deep learning[J]. Electrical Engineering and Systems Science, 2022, 10: 1445.

作者简介：黄丽虹（2004.02），本科生在读，研究方向：电子信息工程