近日，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医疗电子团队，在基于毫米波雷达的无感式医疗健康监测研究方面取得重要进展。
目前，毫米波雷达在医疗健康领域的典型应用可以概括为3类：生理体征监测，跌倒检测，人机交互。
在生命体征监测方面，团队研制基于调频连续波（FMCW）雷达的集成化系统，开展无感式心率、血压的连续动态监测研究。
针对心率监测，团队提出灵敏的人体运动检测算法和最优距离元选择算法，以及全局优化模型，可识别身体运动状态，对不同个体、不同睡姿等场景下保持心率测量的精度。在91.2%的时间覆盖率下，心跳间隔（IBI）误差中位数为12ms，逐拍心率（HR）误差中位数为0.65bpm（如图1），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。具有高精度和低计算复杂度，且可在低成本雷达芯片上实现，为毫米波雷达健康监测进入生活场景提供可能性。
针对血压监测，团队首次提出并研制基于脉搏波传递时间的单雷达非接触式连续血压测量系统，利用单毫米波雷达实现血液从心脏左心室到颈动脉传递时间的实时测量。该系统所测脉搏传递时间与穿戴式测量的传输时间相关系数可达0.91，其收缩压（SBP）和舒张压（DBP）误差分别为5.54±7.62 mmHg和4.68±6.15 mmHg（图2），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，因此有望在不干扰用户日常活动的情况下以非接触的方式连续测量血压。
在跌倒检测方面，团队提出基于多模态雷达信息融合的跌倒检测方法，获取不同雷达特征信息完成检测，有助于帮助人们及时获取跌倒信息，便于开展救助。模型首次同时融合距离、速度、方位角度和俯仰角度等信息，可有效区分52种日常非跌倒动作和12种跌倒动作，在新用户新环境的测试中达到98.3%的真阳性率和0.05%的假阳性率，实现高准确度跌倒检测（图3）。
此外，团队还提出一种基于异常检测思想的跌倒检测模型，使用困难样本挖掘技术减小假阳性率（图4），可以在复杂的真实场景中保持高准确度。在不使用跌倒样本，也不使用非跌倒样本的标签信息训练模型的情况下，达到95.54%的真阳性率和1.07%的假阳性率。
在人机交互方面，团队探索研究出基于心脏雷达信号的开集身份识别模型、基于半监督学习的步态识别模型、半监督手势识别框架等多种模型。有效帮助用户和计算机系统之间进行信息交流，实现个性化监测和管理。
基于心脏雷达信号的身份识别模型，团队首次探讨在开集假设下，利用雷达心跳信号进行身份识别的可行性，该算法在开集和闭集环境下都表现出很好的有效性，在闭集和开集的设置下准确度分别达到99.17 %和93.57 %。
基于半监督学习的步态识别模型是首个基于雷达的半监督步态识别方法。使用两种模态的雷达信号进行协同训练，降低训练模型所需要的带标签样本的数量，有助于这一技术的推广使用。该方法在仅使用每个用户4分钟的带标签样本的情况下，步态识别准确度达到90.7%。
半监督手势识别框架结合∏模型和特定的数据增强技术，以充分利用大量未标记的毫米波手势数据，实现高准确度手势识别。在训练/测试比接近1：4的交叉位置域和训练/测试比接近1：8的跨环境域的设置下，该模型的手势识别正确率分别达到98.32%和97.39%。
目前基于毫米波雷达的非接触式的医疗健康监测系统已在部分医院得到临床验证，未来在医疗照护，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有广阔的应用前景。
以上研究成果发表于《IEEE物联网期刊》（IEEE Internet of Things Journal）、《专家系统及其应用》（Expert Systems With Applications）等中国科学院一区期刊。
发表论文：
[1]方震, 简璞, 张浩, 等. 基于FMCW雷达的非接触式医疗健康监测技术综述[J]. 雷达学报, 2022, 11(3): 499–516. doi: 10.12000/JR22019.
[2]Zhang H, Jian P, Yao Y, et al. Radar-Beat: Contactless beat-by-beat heart rate monitoring for life scenes[J]. Biomedical Signal Processing and Control, 2023, 86: 105360.
[3] Geng F, Bai Z, Zhang H, et al. Contactless and Continuous Blood Pressure Measurement According to caPTT Obtained from Millimeter Wave Radar[J]. Measurement, 2023: 113151.
[4]Yao Y, Liu C, Zhang H, et al. Fall detection system using millimeter-wave radar based on neural network and information fusion[J]. IEEE Internet of Things Journal, 2022, 9(21): 21038-21050.
[5]Yao Y, Zhang H, Liu C, et al. Unsupervised Learning-Based Unobtrusive Fall Detection Using FMCW Radar[J]. IEEE Internet of Things Journal, 2023. doi: 10.1109/JIOT.2023.3301887.
[6] Yan B, Zhang H, Yao Y, et al. Heart signatures: Open-set person identification based on cardiac radar signals[J]. Biomedical Signal Processing and Control, 2022, 72: 103306.
[7]Yao Y, Zhang H, Xia P, et al. mmSignature: Semi-supervised human identification system based on millimeter wave radar[J]. Engineering Applications of Artificial Intelligence, 2023, 126: 106939.
[8]Yan B, Wang P, Du L, et al. mmGesture: Semi-supervised gesture recognition system using mmWave radar[J]. Expert Systems with Applications, 2023, 213: 119042.
图1 心率计算的综合性能评估
图2 雷达血压监测相关性分析
图3 毫米波雷达跌倒检测框架
图4 无监督跌倒检测框架
动态新闻