首頁資訊空天院醫(yī)療電子團隊基于毫米波雷達無感式醫(yī)療健康監(jiān)測研究取得進展

空天院醫(yī)療電子團隊基于毫米波雷達無感式醫(yī)療健康監(jiān)測研究取得進展

來源：泰然健康網時間：2025年06月07日 20:05

　　近日，中國科學院空天信息創(chuàng)新研究院傳感技術國家重點實驗室醫(yī)療電子團隊，在基于毫米波雷達的無感式醫(yī)療健康監(jiān)測研究方面取得重要進展。

　　目前，毫米波雷達在醫(yī)療健康領域的典型應用可以概括為3類：生理體征監(jiān)測，跌倒檢測，人機交互。

　　在生命體征監(jiān)測方面，團隊研制基于調頻連續(xù)波（FMCW）雷達的集成化系統，開展無感式心率、血壓的連續(xù)動態(tài)監(jiān)測研究。

　　針對心率監(jiān)測，團隊提出靈敏的人體運動檢測算法和最優(yōu)距離元選擇算法，以及全局優(yōu)化模型，可識別身體運動狀態(tài)，對不同個體、不同睡姿等場景下保持心率測量的精度。在91.2%的時間覆蓋率下，心跳間隔（IBI）誤差中位數為12ms，逐拍心率（HR）誤差中位數為0.65bpm（如圖1），精度可達到醫(yī)療級心率監(jiān)護設備的國家標準(<5bpm)，在同等實驗條件下其精度是最高的。具有高精度和低計算復雜度，且可在低成本雷達芯片上實現，為毫米波雷達健康監(jiān)測進入生活場景提供可能性。

　　針對血壓監(jiān)測，團隊首次提出并研制基于脈搏波傳遞時間的單雷達非接觸式連續(xù)血壓測量系統，利用單毫米波雷達實現血液從心臟左心室到頸動脈傳遞時間的實時測量。該系統所測脈搏傳遞時間與穿戴式測量的傳輸時間相關系數可達0.91，其收縮壓（SBP）和舒張壓（DBP）誤差分別為5.54±7.62 mmHg和4.68±6.15 mmHg（圖2），接近于美國醫(yī)療器械促進協會頒布的評價電子血壓計的國際標準（AAMI）標準，因此有望在不干擾用戶日?；顒拥那闆r下以非接觸的方式連續(xù)測量血壓。

　　在跌倒檢測方面，團隊提出基于多模態(tài)雷達信息融合的跌倒檢測方法，獲取不同雷達特征信息完成檢測，有助于幫助人們及時獲取跌倒信息，便于開展救助。模型首次同時融合距離、速度、方位角度和俯仰角度等信息，可有效區(qū)分52種日常非跌倒動作和12種跌倒動作，在新用戶新環(huán)境的測試中達到98.3%的真陽性率和0.05%的假陽性率，實現高準確度跌倒檢測（圖3）。

　　此外，團隊還提出一種基于異常檢測思想的跌倒檢測模型，使用困難樣本挖掘技術減小假陽性率（圖4），可以在復雜的真實場景中保持高準確度。在不使用跌倒樣本，也不使用非跌倒樣本的標簽信息訓練模型的情況下，達到95.54%的真陽性率和1.07%的假陽性率。

　　在人機交互方面，團隊探索研究出基于心臟雷達信號的開集身份識別模型、基于半監(jiān)督學習的步態(tài)識別模型、半監(jiān)督手勢識別框架等多種模型。有效幫助用戶和計算機系統之間進行信息交流，實現個性化監(jiān)測和管理。

　　基于心臟雷達信號的身份識別模型，團隊首次探討在開集假設下，利用雷達心跳信號進行身份識別的可行性，該算法在開集和閉集環(huán)境下都表現出很好的有效性，在閉集和開集的設置下準確度分別達到99.17 %和93.57 %。

　　基于半監(jiān)督學習的步態(tài)識別模型是首個基于雷達的半監(jiān)督步態(tài)識別方法。使用兩種模態(tài)的雷達信號進行協同訓練，降低訓練模型所需要的帶標簽樣本的數量，有助于這一技術的推廣使用。該方法在僅使用每個用戶4分鐘的帶標簽樣本的情況下，步態(tài)識別準確度達到90.7%。

　　半監(jiān)督手勢識別框架結合∏模型和特定的數據增強技術，以充分利用大量未標記的毫米波手勢數據，實現高準確度手勢識別。在訓練/測試比接近1：4的交叉位置域和訓練/測試比接近1：8的跨環(huán)境域的設置下，該模型的手勢識別正確率分別達到98.32%和97.39%。

　　目前基于毫米波雷達的非接觸式的醫(yī)療健康監(jiān)測系統已在部分醫(yī)院得到臨床驗證，未來在醫(yī)療照護，智能化養(yǎng)老，心血管、卒中、慢阻肺和睡眠呼吸暫停等慢病領域有廣闊的應用前景。

　　以上研究成果發(fā)表于《IEEE物聯網期刊》（IEEE Internet of Things Journal）、《專家系統及其應用》（Expert Systems With Applications）等中國科學院一區(qū)期刊。

　　發(fā)表論文：

　　[1]方震, 簡璞, 張浩, 等. 基于FMCW雷達的非接觸式醫(yī)療健康監(jiān)測技術綜述[J]. 雷達學報, 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.