由於社會的發展，人們對健康管理和健康追求的重視程度越來越高，監測自己或家人健康狀況的需求也隨之增加。
目前，人們使用儀器來獲取重要資訊並監測自己的健康狀況。 一般的監測儀器依靠接觸式感測器和電極進行測量，需要直接或間接接觸人體，應用範圍有限，使用者遵從性問題，當使用者不願意佩戴或忘記佩戴感測裝置時，這些測量裝置將無法正常工作。
針對上述問題，中科院空天資訊創新研究院（CAA）感測技術國家重點實驗室醫療電子團隊致力於基於公釐波雷達的無感醫療健康監測研究，解決了使用者依從性問題，避免了接觸式佩戴裝置帶來的不適感， 並有助於將健康監測融入日常生活。
目前，公釐波雷達在醫療衛生領域的典型應用可歸納為三大類：生理體徵監測、跌倒檢測、人機互動等。
1. 生理體徵監測
研究團隊開發了一種基於調頻連續波（FMCW）雷達的綜合系統，可對無感心率和血壓進行連續動態監測。
1.心率監測
研究團隊提出了靈敏的人體運動檢測演算法、最優距離元素選擇演算法和全域性優化模型，可以識別不同個體和不同睡姿下的身體運動狀態並保持心率測量的準確性。 在91年在 2% 時間覆蓋率下，中位心跳間隔 （IBI） 誤差為 12 ms，中位心跳間隔 （HR） 誤差為 065bpm（圖1），準確度可達到醫療級心率監測裝置國家標準（<5bpm），其精度在相同實驗條件下最高。
它具有高精度和低計算複雜度，可以在低成本的雷達晶元上實現，這也為公釐波雷達健康監測進入生活場景提供了可能。
圖1 心率計算的綜合性能評估。
2.血壓監測
研究團隊首次提出並開發了一種基於脈搏波傳輸時間的單雷達非接觸式連續血壓測量系統，該系統利用單公釐波雷達實現從心臟左心室到頸動脈的血液傳輸時間的實時測量。 系統測得的脈衝傳輸時間與可穿戴裝置測得的傳輸時間之間的相關係數可以達到091，其收縮壓（SBP）和舒張壓（DBP）誤差均為554±7.62 mmHg 和 468±6.15 mmHg（圖2）接近美國醫療器械促進會發布的電子血壓計評估國際標準（AAMI），因此有望以非接觸方式提供連續血壓測量，而不會干擾使用者的日常活動。
圖2 雷達血壓監測的相關性分析。
2.跌倒檢測
在跌倒檢測方面，團隊提出了一種基於多模態雷達資訊融合的跌倒檢測方法，可以獲取不同的雷達特徵資訊完成檢測，有助於幫助人們及時獲取跌倒資訊，便於救援。
該模型首次同時融合距離、速度、方位角、俯仰角等資訊，實現高精度跌倒檢測（圖3），可有效區分52個日常非跌倒動作和12個跌倒動作，在新使用者、新環境測試中達到98個3% 真陽性率和 0誤報率為05%。
圖3 公釐波雷達墜落探測幀
此外，研究團隊還提出了一種基於異常檢測思想的跌倒檢測模型，該模型使用高難度的樣本挖掘技術來降低誤報率（圖4），可以在複雜的真實場景中保持較高的準確性。 在不使用跌倒樣本和不使用非跌倒樣本的標籤資訊的情況下訓練模型時，9554% 真陽性率和 1誤報率為 07%。
圖4 無監督跌倒檢測框架。
3、人機互動
研究團隊開發了多種人機互動模型。 例如，基於心臟雷達訊號的開放式識別模型、基於半監督學習習的步態識別模型、半監督手勢識別框架。 這些模型有效地促進了使用者與計算機系統之間的資訊交換，並可以實現對使用者的個性化監控和管理。
基於心臟雷達訊號的身份識別模型，首次提出了在開集假設下利用雷達心跳訊號進行身份識別的可行性為**，該演算法在開集和閉集環境下均表現出良好的效果，在閉集和開集設定下準確率達到99， 分別17% 和 9357%。
基於半監督學習的步態識別模型習是第乙個基於雷達的半監督步態識別方法。 兩種模式下的雷達訊號協同訓練，大大減少了訓練模型所需的標記樣本數量，有利於該技術的推廣應用。 該方法僅使用每個使用者 4 分鐘的標記樣本即可實現 90 的步態識別準確率7%。
半監督手勢識別框架結合了模型和特定的資料增強技術，充分利用了大量未標記的公釐波手勢資料，實現了高精度的手勢識別。 在訓練測試比例接近1：4的交叉位置域和訓練測試比例接近1：8的跨環境域設定下，模型的手勢識別準確率分別達到9832% 和 9739%。
目前，基於公釐波雷達的非接觸式醫療健康監測系統已在部分醫院進行臨床驗證，未來在醫療、智慧養老、心律失常、腦卒中、慢性阻塞性肺疾病、睡眠呼吸暫停管理等領域具有廣闊的應用前景。
以上研究成果已發表在IEEE Internet of Things Journal、Expert Systems with Applications等中科院期刊上。
發表**：
1.方震， 朴健， 張昊， 等. 基於FMCW雷達的非接觸式醫療衛生監測技術綜述[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 w**e radar[j]. measurement, 2023: 113151.
4. yao y, liu c, zhang h, et al. fall detection system using millimeter-w**e 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 w**e 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 mmw**e radar[j]. expert systems with applications, 2023, 213: 119042.
**： 中國科學院空天資訊研究所
中科院之聲官方賬號是百校幫扶計畫