毫米波雷达：无感式健康监测的好帮手

随着微电子、人工智能等技术的快速发展，健康监测技术正经历从传统的床边监护仪向智能化和便携化发展的革命性历程，其中基于可穿戴设备、柔性电子皮肤和无感式监测系统的健康监测技术逐渐成为研究热点。

可穿戴技术通过将小型电子设备佩戴在身体上或者嵌入到服装、眼镜、手表等随身物品中来实现与用户的互动，可用于追踪生理指标、提供实时信息、增强用户体验、改善生活质量，以及支持医疗、军事、运动和娱乐等领域的应用，但在实际应用中也面临穿戴依从性不足、生理参数不易测准等问题。为获取自然状态下高质量的生理参数信息，柔性电子皮肤技术应运而生，通过将电子元件集成到柔软、可弯曲的材料之中，模仿人类皮肤的感知和交互功能，从而实现对外部环境和生物体内的信息采集、传输和处理，但距离大规模应用还有不短的探索之路要走。

无感式监测是一种在不接触人体的情况下通过传感器和算法来实时监测人体生理参数的技术。其无需依从性，可在日常生活场景下连续获取人体健康信息，有利于实现真正意义上的主动健康，做到早诊断、早干预，降低医疗成本，提高医疗效果，改善生活质量。

中国科学院空天信息创新研究院传感技术国家重点实验室新型医疗电子团队在基于毫米波雷达的无感式医疗健康监测技术领域开展了深入研究，设计了调频连续波（FMCW）雷达系统，实现了生理体征监测、摔倒检测、人机交互等无感检测应用，在北京协和医院、解放军总医院等医院进行了临床示范，具体成果包括：基于毫米波雷达的高精度心率监测、基于单毫米波雷达的多人心率监测、基于单毫米波雷达的非接触式连续血压监测、基于毫米波雷达的跌倒检测以及基于毫米波雷达的人机交互实现。

基于毫米波雷达的高精度心率监测

团队提出了一种基于毫米波雷达的心跳监测解决方案，其使用灵敏的人体运动检测算法和最优距离像元选择算法，自动识别人体运动并更新最佳心跳信号通道，基于个性化心跳模板通过全局优化模型提高心跳长度估计的准确性，主要由3个部分组成：一是准确的运动检测算法，用于自动识别人体运动并评估信号的可用性，解决随机运动对心率（HR）检测的影响；二是自适应、鲁棒的距离像元选择算法，用于帮助用户在不同的位置和姿势下获得高质量的心率信号；三是精确高效的心跳分割算法，用于提高心搏间期（IBI）估计的准确性。实验表明，在时间覆盖率为91.2%的情况下，心搏间期估计的误差中位数为12毫秒，逐拍心率的误差中位数为0.65次/分钟（bpm），如图1所示，精度可达到医疗级心率监护设备的国家标准（<5bpm），在同等实验条件下其精度是最高的。该方案为准确心跳监测提供了可行的技术支撑，同时非接触式心跳监测还具有成本低廉、能够降低交叉感染风险等优势，在临床治疗和研究以及日常生活场景中具有良好的应用前景。

基于单毫米波雷达的多人心率监测

团队提出了一种名为“Vital-Masking”的新型信号增强模型，以递归方式从每个受试者中提取生命体征信号，如图2所示。该模型通过零点抑制其余方向的信号，递归地将一个目标从其他目标中分离出来，同时递归地维持一个所需的方向，并进一步创建数值仿真以探索该模型的理论局限性。通过改变源信号的调制系数仿真不同的人员朝向，探究了线性阵列的最小生理信号分辨率，并与傅里叶变换和最小方差无失真响应（MVDR）这两种传统方法进行了对比，对比项包括平均方差以及分离结果之间的相关性。结果显示，该模型在更普遍的场景下拥有最佳的效果：当调制系数较小时，均方误差（MSE）有1个数量级以上的提升，模型能够有效提取不同方向上多个个体的心率信号，并能准确识别目标；当方向差为20度时，对于采用不同姿势组合并排躺着的人，多人心率检测的平均误差为0.75bpm，并且模型能够区分2个心率方向差不超过9度的个体，即能够区分2个背靠背坐着的用户各自的心跳，在相同距离内测试监测了多达4个用户的心率。

基于单毫米波雷达的非接触式连续血压监测

团队提出了一种全新的基于中心动脉脉搏波传递时间（PTT）的非接触式连续血压测量方法，使用单毫米波雷达同时获取来自颈部和胸部的脉搏波信号，实现血液从心脏左心室到颈动脉的传递时间的实时测量，并作为估计中心动脉血压的依据。相较于指尖、桡动脉等外周动脉，从颈动脉处测得的血压更接近中心动脉压，是更好的心血管表征特征。通过波束-分量聚焦算法将来自不同方向和不同身体部位的雷达回波信号分离，得到目标部位即胸部和颈部的脉搏波信号，分别对2路脉搏波信号进行特征分析，以估计逐拍收缩压（SBP）和舒张压（DBP）。该方法首次验证了基于单毫米波雷达测得的脉搏波传递时间的变化趋势与穿戴式设备测得的从心脏到颈动脉的脉搏波传递时间的变化趋势之间具有较强的相关性（高达0.91）；测得的收缩压和舒张压的平均绝对误差分别为5.54和4.68毫米汞柱（mmHg），标准差分别为7.62和6.15mmHg，如图3所示，接近于美国医疗器械促进协会颁布的评价电子血压计的国际标准（AAMI标准）。这表明该方法具有非接触式连续监测血压的潜力，并可进一步可用于夜间睡眠场景及日常办公场景。

基于毫米波雷达的跌倒检测

基于毫米波雷达的跌倒检测方法能够避免摄像头侵犯隐私的问题，也能够避免可穿戴设备面临的供电和老人依从性等问题，逐渐成为跌倒检测的主流方式。团队提出了一种基于调频连续波雷达的跌倒检测新方法，如图4所示。该方法利用调频连续波雷达获取目标的距离、角度和速度信息，利用基于三维卷积神经网络（CNN）的DenseNet结构从雷达信号中提取人体运动的时空速度信息，利用信息融合技术对神经网络提取的特征进行融合，综合判断受试者是否跌倒。在采集的大规模人体运动数据集上的实验结果表明，该方法能够准确区分52种非跌倒动作和12种跌倒动作，对于新环境和新用户依然能够稳健地检测跌倒，F1分数达到0.979。

为解决真实的老人跌倒样本采集困难的问题，团队提出了一种深度异常检测模型来检测跌倒，如图5所示。该模型包括特征提取和预测2个部分。特征提取是一种基于三维卷积的自动编码器，通过端到端的学习来提取雷达信号的时间、距离和速度特征。非跌倒样本的预测特征与特征提取器提取的中段特征具有较高的相似度，获得较低的异常评分。对于跌倒样本，模型会产生错误的预测，从而导致更高的异常评分，当异常评分高于阈值时，模型则将样本报告为跌倒。在模型训练中，基于困难样本挖掘的思想对无监督训练过程进行了改进，即通过寻找相对于当前模型的困难样本，并使后续的训练样本来自困难样本集合，以增强模型对困难样本的学习能力，降低假阳性率。该模型具有95.54%的真阳性率和1.07%的假阳性率，可有效检测跌倒；同时，模型具有持续学习能力，随着用户的使用可进一步改进模型，提高模型的准确度。

基于毫米波雷达的人机交互实现

毫米波雷达是一种具有不侵犯隐私、距离及角度分辨率较高等特点的人机交互传感器。团队提出了一种使用毫米波雷达的半监督手势识别的新方法。团队首先将原始毫米波信号转换为距离多普勒图像（RDI）、距离角度图像（RAI）、多普勒角图像（DAI）和微多普勒频谱图，研究了这4种热图之间的理论差异和相关性，并通过大量实验来比较和评估4种热图对手势识别的效果。然后，采用半监督学习框架设计了一个健壮的通用手势识别系统框架，如图6所示，将一个领域的少量标记数据与其他多个领域的大量未标记数据相结合，并结合了∏模型和一些用于毫米波雷达信号的特定数据增强技术，其中，∏模型通过对输入的微小扰动可以提高模型的正则化一致性，特定数据增强技术可以模拟不同领域中的标记数据。该框架显著提高了毫米波手势识别在真实环境中的识别率。对于一个领域的少量标记数据和多个领域的大量未标记数据，提出的半监督手势识别框架对新用户、新位置和新环境的平均准确率分别为98.59%、96.72%和97.79%。此外，通过引入新用户、新位置和新环境，该框架的准确率分别比基本深度学习模型高0.6%、9.79%和2.75%。

在身份识别方面，若想在一个更复杂、更真实的场景下，即从开集设置的角度，解决基于心跳的身份识别问题，就要求模型在成功拒绝陌生人的同时，还应保证已知身份的识别准确率。为此，团队提出了一种新的偶极子深度学习模型。就像电偶极子一样，在特征空间中，每个已知身份都有一对性质相反的极点。对于属于某个人的样本，负极会把它拉得尽可能近，正极则会把它推得尽可能远，这样模型就可以同时限制封闭空间风险和开放空间风险。具体而言，首先将解缠后的心脏雷达心跳信号分割成长度为5秒的片段，并使用最小-最大归一化方法对其进行归一化，作为模型的输入；然后，通过偶极子深度学习机制，形成单位内紧凑、单位间可分的特征空间；最后，根据特征到极点的距离设置阈值，以判断它属于哪个身份或者拒绝为未知。团队提出的身份识别模型框架和实验结果，如图7所示。实验结果表明，在开集条件下，该模型框架能够准确地识别未知对象，并有效地拒绝陌生人的进入；在近距离条件下也表现出很高的稳定性，在30个受试者的测试中准确率高于99%，并且在近距离环境下的性能优于最先进的方法。此外，与现有的其他工作相比，该模型框架实现了端到端的训练，不需要进行特征工程。

目前，中国科学院空天信息创新研究院传感技术国家重点实验室新型医疗电子团队在基于毫米波雷达的无感式医疗健康监测技术领域已取得多项重要进展，多篇论文发表于国际著名期刊，实现的高精度心率监测、多人心率监测、非接触式连续血压监测、跌倒检测、人机交互实现等技术成果，已在医院得到临床验证，在医疗照护，智能化养老，心血管、卒中、慢阻肺和睡眠呼吸暂停等慢病领域拥有广阔应用前景，尤其是在医疗照护方面具有重要意义，还可以通过非接触式监测降低交叉感染风险。未来，在毫米波雷达系统高精度和低计算复杂度等优势的助推下，有望彻底改变现有医疗及生活场景的健康监测模式。