3. 传感器数据预处理与特征工程

XENSIV 平台上的雷达、麦克风与压力传感器，原始输出形态差异极大：雷达给出的是复数 IQ 采样，麦克风给出的是单通道或多通道 PCM 波形，压力传感器给出的是低频时序标量。如果把这些原始数据直接送进融合模型，模型会被量纲差异、直流偏置、高频噪声和帧长不一致拖垮。因此本节的核心任务是：把三类异构原始信号，统一转换成"帧长一致、量纲可比、噪声受控、特征可解释"的中间表示。

一、三类信号的预处理路径

雷达 IQ 数据的关键问题是存在静态杂波和直流分量。对每一帧 IQ 序列，先做直流去除（减去帧内均值），再沿慢时间维做一阶差分或均值相消，抑制静止目标回波。随后加窗（常用 Hann 窗）以降低 FFT 旁瓣泄漏，再做距离维 FFT 得到距离谱。若需要速度信息，则在多 chirp 维度再做一次多普勒 FFT，形成距离-多普勒图（Range-Doppler Map）。

麦克风音频的预处理重点是分帧与去噪。典型参数为采样率 16 kHz、帧长 25 ms（400 点）、帧移 10 ms（160 点）、加 Hamming 窗。去噪可采用谱减法或简单的自适应噪声门限：先估计前若干帧的噪声功率谱，再在每帧频谱上减去噪声估计。分帧后即可进入时频域特征提取。

压力时序是低频缓变信号，主要问题是基线漂移和工频干扰。常用做法是先去均值，再用 0.5～5 Hz 的带通滤波器保留呼吸、脉搏或按压事件频段，最后按固定窗口（如 1 s）做归一化。三类信号的预处理路径可归纳为下图。

二、归一化与帧对齐

三类特征量纲差异显著：雷达距离谱能量可达 10³ 量级，音频 MFCC 通常在 -20～20 之间，压力方差可能只有 0.01。若不做归一化，融合模型会被雷达特征主导。推荐对每个特征维度独立做 Z-score 归一化：

z = (x - μ) / (σ + ε)

其中 μ、σ 为训练集上该维度的均值与标准差，
ε 取 1e-8 防止除零。推理时复用训练集统计量，
不可用单帧数据重新计算。

帧对齐方面，雷达帧率通常为 20 Hz（50 ms），音频帧移 10 ms，压力窗口 1 s。融合前需按最小公倍数或统一时间戳重采样到同一时间栅格，例如统一到 50 ms 一帧。对音频可做帧聚合（5 帧 MFCC 取均值），对压力可做插值或滑动窗口统计。

三、时频域特征提取要点

雷达侧重点在距离-多普勒域的物理量：峰值距离对应目标径向距离，多普勒速度对应相对运动，谱宽反映目标扩展程度。音频侧重点在感知相关特征：MFCC 捕捉音色，频谱质心反映亮度，过零率区分清浊音。压力侧重点在事件形态：上升时间、峰峰值、过零率可区分按压、呼吸和脉搏。

四、可复用的预处理参数表

下表给出一组可直接参考的示例参数，适用于 16 kHz 音频、20 Hz 雷达帧率和 100 Hz 压力采样的典型配置。实际部署时应根据传感器手册和任务需求调整。

五、常见问题与排查

预处理阶段最容易出现三类问题。第一，归一化统计量在推理时被重新计算，导致同一输入在不同批次下输出漂移；解决方法是把训练集统计量固化到模型配置中。第二，音频分帧时未做帧移重叠，导致特征时间分辨率不足；应确保帧移小于帧长。第三，雷达去直流时误删低速目标，若目标径向速度接近零，慢时间差分会把目标一并抑制；此时可改用自适应杂波图或保留零多普勒通道。

完成本节预处理与特征提取后，三类传感器数据已转换为统一帧长、统一量纲、物理含义明确的特征向量。下一阶段即可在此基础上进行特征级融合或决策级融合。