转载 | 基于4D成像雷达的鲁棒的运动非接触式心跳感知

编者荐语

经常有合作伙伴询问，万蕴Vayyar的呼吸监测和其他传统雷达相比有什么优势？
PLA大学的研究团队最近在IEEE Transactions on Instrumentation and Measurement, IF=5.6期刊上发布了一篇利用高分辨率的4D毫米波成像雷达来感知生命体征的文章。

该研究指出与传统雷达解决方案相比，基于万蕴Vayyar4D成像雷达实现的心率监测方案具有显著的优势，可以达到90%以上的准确率，并且具有非常高的鲁棒性，有利于应用在更多复杂的实际应用场景之中。

这些优势的关键在于能够利用高分辨率4D毫米波成像雷达，通过同时提取同一人胸部和腹部多个观察点的微动信号，获得多视图信息来测量生理信号，这与我们万蕴Vayyar目前提供的呼吸监测原理是一样的。

以下为唐高鹏在医学电磁学界上发布的对此篇论文的解读

基于雷达的非接触式生命体征感知在老年看护、病患监测、抗灾救援等多个领域都有着广泛的应用前景。相较心电图等接触式感知，其在舒适性、便捷性上有着更好表现；相较光学和红外摄像等非接触式感知，其也有着隐私保护性强，不受光照条件影响等优势，因此受到了越来越多的关注。然而，身体运动给基于雷达的非接触式生命体征感知带来了巨大的挑战。从受身体运动干扰的信号中提取生命体征在本质上是区分弱信号和强干扰，传统的干扰去除方法难以有效处理这个问题。

2023年9月，Army Engineering University of PLA大学的研究团队在IEEE Transactions on Instrumentation and Measurement 期刊上发表了题为《Motion-Robust Contactless Heartbeat Sensing Using 4-D Imaging Radar》的文章。研究利用4D成像雷达来感知生命体征，并提出了一种鲁棒的基于联合盲源分离(JBSS)的运动感知方法。

原文信息：

Motion-Robust Contactless Heartbeat Sensing Using 4-D Imaging Radar

https://ieeexplore.ieee.org/document/10246133

期刊信息：

IEEE Transactions on Instrumentation and Measurement, IF=5.6

论文创新点

(1)该研究提出了一种使用高分辨率的4D毫米波成像雷达进行非接触式多视图生命体征测量的新方法：通过同时提取同一人胸部和腹部多个观察点的微动信号，获得多视图信息来测量生理信号，实现了物理模型和数据的结合。

(2)该研究提出了一种基于联合盲源分离(JBSS)的心跳传感方法，该方法利用胸腹部子区域之间的数据相关性来抑制身体运动伪影，对于体动干扰有较好的鲁棒性。

实验方法

通过4D成像雷达进行非接触式生命体征传感的原理是测量心肺活动引起的微运动。图1描述了通过基于阵列的4D雷达提取呼吸和心跳信号的基本原理。由于4-D雷达在距离、方位角、仰角和时间维度上具有高分辨率，因此可以更精细地感知生命体征。

图1. 通过4-D雷达成像感应非接触式生命体征的原理。

该研究的算法流程如图2所示。首先，消除静态背景杂波后进行雷达成像，得到4D雷达图像序列，如图2(a)所示。雷达图像序列是一系列3D雷达图像，其中包含人员的微运动信息。目标检测后，在胸部和腹部指定感兴趣区域(ROI)的多个位置，提取相位序列作为混合身体运动、呼吸分量和心跳分量的微动信号。随后，将在各个位置获得的多个微动信号分组为多个数据集，如图2(b)所示。对时间序列微运动信号应用带通滤波器后，呼吸和运动伪影的低频部分被减少。然后应用联合盲源分离(JBSS)将心跳信号与数据集中剩余的呼吸和身体运动信号分离。如图2(d)所示，心跳信号应用多特征集典型相关分析(MCCA)算法进行分析。最后，如图2(e)和(f)所示，由源分量向量(SCV)的主分量确定心跳信号。

图2. 算法概述：(a) 在雷达图像中的胸部和腹部内选择子区域；(b) 从子区域中的每个点检索展开相位；(c)对每个相位数据进行时间滤波，以去除身体运动和呼吸运动的低频部分；(d) JBSS将混合微动信号分解为几组源分量；(e) 选择具有最大相关性的第一个SCV集作为每次观察中的主要心跳分量；(f)主成分分析(PCA)将主要心跳分量与多视图SCV区分开来。

实验结果

实验在室内办公环境中实施，如图3(a)所示。拍摄对象距离4D雷达1米(IMAGEVK-74毫米波传感器评估套件，Vayyar)。传感结果与接触式心跳测量的黄金标准进行比较。接触式采集装置提供参考心电图(ECG)信号，由嵌入式数据采集电路板和生物电位测量芯片模块组成，如图3(c)所示。

图3. 真实的实验环境和传感器布置。(a)实验场景。(b)四维成像雷达的照片。(c)参考心电图传感器的照片。

心跳信号与呼吸和运动伪影分离结果如图4所示。其中，第一个SCV比其他SCV具有更集中的频谱分布，将其视为心跳信号的集合。之后计算SCV的主成分。最后确定第一主成分为如图5所示的心跳信号。研究还将结果与其他一些BSS和JBSS算法进行了比较，包括快速ICA(fastICA)，特征矩阵的联合近似对角化(JADE)，PCA和独立向量分析(IVA)，并计算了心率(HR)的准确性(ACC)、平均绝对误差(MAE)和均方根误差(RMSE)如表I所示，可以观察到本研究基于MCCA的方法优于其他方法。

图4. 提取JBSS后心跳信号的SCV及其频谱。(a)四个数据集中的三个SCV。(b) SCV的相应频谱。每行显示四个数据集中的相同SCV。

图5. 提取的心跳信号与ECG和其他一些BSS/JBSS算法进行比较。

表I. HR的ACC、MAE和RMSE与其他BSS/JBSS方法的比较。

为了进一步量化所提出的非接触式心跳感知方法的性能，研究针对不同的身体运动和不同的受试者进行了几组实验。第一组实验包括具有不同振幅和速度的前后身体运动(FBM)。第二组实验包括随机身体运动(RBM)，如打字，玩手机，摇腿，说话和锻炼。结果准确性的箱线图，具有不同振幅和速度的第一组实验的箱线图如图6(a)所示。误差的趋势表明，运动越大越快，准确性越低。它还表明，运动速度对心率精度的影响远大于振幅。第二组具有不同类型RBM实验的箱线图如图6(b)所示。结果表明，对于轻微和局部身体运动，测量误差很小，而全身和四肢运动则会带来严重的干扰。尽管如此，测量精度仍能保持在90.0%以上。但结果中显示，有规律且快速的非线性运动，如连续点头，可能导致更差的结果。

图6. 不同身体运动的心率精度箱形图。(a)前后摆动幅度和速度不同的结果。黑色图显示最大速度约为10 mm/s的结果，蓝色图显示最大速度约为20 mm/s的结果。(b)不同RBM的结果。绘制下四分位数、中位数和上四分位数值。

研究所提出的方法还与其他最先进的方法进行了比较，如表II所示。可以观察到，使用JBSS框架的4-D成像在HR准确性方面优于其他方法。

表II. 所提方法与其他雷达感知方法的性能比较。

总结展望

结果表明，研究所提的基于4D成像雷达的非接触式心跳感知方法能够实现较好的准确率，并且在不同运动伪影中检测心跳信号均具有良好的鲁棒性，这有利于应用在更多复杂的实际应用场景之中。