[论文解读] Contactless Electrocardiogram Monitoring with Millimeter Wave Radar

Jinbo Chen, Dongheng Zhang+4 more|arXiv (Cornell University)|Dec 13, 2021

Non-Invasive Vital Sign Monitoring被引用 8

一句话总结

本文提出了一种基于毫米波雷达检测心脏机械运动并利用深度学习重建心电图（ECG）信号的非接触式心电图监测系统。通过采用波束成形、微运动放大以及用于领域转换的深度神经网络，该系统实现了低于14ms的中位时间误差和与真实心电图90%的相关性，证明了其在持续、非侵入性心脏监测中的可行性。

ABSTRACT

The electrocardiogram (ECG) has always been an important biomedical test to diagnose cardiovascular diseases. Current approaches for ECG monitoring are based on body attached electrodes leading to uncomfortable user experience. Therefore, contactless ECG monitoring has drawn tremendous attention, which however remains unsolved. In fact, cardiac electrical-mechanical activities are coupling in a well-coordinated pattern. In this paper, we achieve contactless ECG monitoring by breaking the boundary between the cardiac mechanical and electrical activity. Specifically, we develop a millimeter-wave radar system to contactlessly measure cardiac mechanical activity and reconstruct ECG without any contact in. To measure the cardiac mechanical activity comprehensively, we propose a series of signal processing algorithms to extract 4D cardiac motions from radio frequency (RF) signals. Furthermore, we design a deep neural network to solve the cardiac related domain transformation problem and achieve end-to-end reconstruction mapping from RF input to the ECG output. The experimental results show that our contactless ECG measurements achieve timing accuracy of cardiac electrical events with median error below 14ms and morphology accuracy with median Pearson-Correlation of 90% and median Root-Mean-Square-Error of 0.081mv compared to the groudtruth ECG. These results indicate that the system enables the potential of contactless, continuous and accurate ECG monitoring.

研究动机与目标

• 为解决传统电极式心电图监测存在的不适感、电极脱落以及在敏感患者群体中不可行等问题。
• 探索利用毫米波雷达对心脏机械活动进行非接触式测量并重建心电图信号的可行性。
• 开发一种稳健的信号处理流程，能够在真实世界干扰和距离变化条件下，从射频（RF）信号中提取四维心脏运动。
• 设计一个端到端的深度学习模型，将雷达获取的心脏机械运动映射为心电图波形，实现高时间精度和形态学保真度。
• 在多种条件下评估系统性能，包括心律失常、心率变化以及日常生活中的干扰场景。

提出的方法

• 使用毫米波雷达（AWR1843）发射和接收受心脏机械运动调制的射频（RF）信号。
• 应用波束成形技术分离不同胸廓区域的反射信号，提升空间分辨率。
• 采用微运动放大技术抑制呼吸干扰，提高心脏信号的信噪比（SNR）。
• 实施心脏信号聚焦与四维运动提取，全面表征随时间变化的心脏机械活动。
• 设计深度神经网络，以端到端方式学习从雷达RF输入到ECG输出的非线性领域转换。
• 使用10名健康受试者的数据集在受控环境和真实世界条件下对系统进行验证，包括干扰和距离变化场景。

实验结果

研究问题

• RQ1 毫米波雷达能否在无物理接触的情况下准确捕捉足够用于重建心电图信号的心脏机械运动？
• RQ2 在正常、心动过缓、心动过速及心律失常条件下，系统在时间精度和形态学保真度方面与真实心电图相比表现如何？
• RQ3 环境干扰（如附近人体运动）以及探测距离对系统性能有何影响？
• RQ4 深度学习模型能否在不同心率和运动伪影条件下实现泛化，保持一致的准确性？
• RQ5 在真实环境中，为最大化心电图重建精度，最优探测距离是多少？

主要发现

• 系统在R-R间期检测中的中位时间误差低于14ms，表明在所有心率条件下均具备高时间精度。
• 重建心电图与真实心电图之间的中位皮尔逊相关系数为90%，表明形态学保真度高。
• 重建心电图波形的中位均方根误差（RMSE）为0.081 mV，证实了高信号保真度。
• 在相邻干扰条件下性能下降，清洁环境中表现最佳，且随着干扰距离增加，性能有所改善。
• 在约0.5m的探测距离下性能最优，由于波束宽度限制和路径损耗，距离过近（0.3m）或过远时性能均下降。
• 系统在心动过缓、心动过速及心律失常条件下均保持一致的时间精度，表明对心率变异性具有鲁棒性。