方 震 簡(jiǎn) 璞 張 浩 姚奕成 耿芳琳 劉暢宇 閆百駒 王 鵬 杜利東 陳賢祥

①(中國(guó)科學(xué)院空天信息創(chuàng)新研究院 北京 100049)

②(中國(guó)科學(xué)院大學(xué)電子電氣與通信工程學(xué)院 北京 100094)

③(上海交通大學(xué)電子信息與電氣工程學(xué)院 上海 200240)

④(中國(guó)醫(yī)學(xué)科學(xué)院個(gè)性化呼吸慢病管理創(chuàng)新單元 北京 100049)

1 引言

呼吸、心率等生理指標(biāo)是人體的基本生命特征信息，可直接反映人體的健康狀況，此外生命特征參數(shù)的異常往往能引發(fā)醫(yī)學(xué)上的突發(fā)緊急事件，因此對(duì)于這些生命特征信息的實(shí)時(shí)檢測(cè)有非常重要的實(shí)用價(jià)值[1]。同時(shí)，近年來隨著全球人口老齡化嚴(yán)重，慢性病普見以及突發(fā)的疫情，對(duì)生命體征的監(jiān)測(cè)需求日漸強(qiáng)烈[2]。而目前生命特征信息主要依靠貼附于人體的接觸式傳感器、電極進(jìn)行測(cè)量，這些方法都需要傳感器直接或間接地接觸人體，接觸式測(cè)量制約了其應(yīng)用范圍，同時(shí)存在使用者依從性問題，當(dāng)使用者不愿意佩戴或者忘記佩戴傳感設(shè)備時(shí)，這些系統(tǒng)無法進(jìn)行監(jiān)測(cè)[3]。與上述傳感設(shè)備相比，無線信號(hào)能夠在用戶毫無察覺的情況下進(jìn)行監(jiān)測(cè)，無需佩戴任何傳感器?；跓o線信號(hào)的醫(yī)療健康監(jiān)測(cè)系統(tǒng)對(duì)用戶的正常生活不造成影響，且能夠解決用戶依從性問題。研究表明，無線技術(shù)能夠持續(xù)地監(jiān)測(cè)用戶的健康狀況，這使其能夠在發(fā)生暈厥、心臟驟停等緊急情況時(shí)及時(shí)示警，降低死亡或致殘的風(fēng)險(xiǎn)，從而減輕社會(huì)醫(yī)療負(fù)擔(dān)[4,5]。

相對(duì)于WiFi[6–8]、連續(xù)波(Continuous-Wave,CW)雷達(dá)[9–12]、音頻設(shè)備[13,14]、視頻設(shè)備[15,16]等無線設(shè)備，調(diào)頻連續(xù)波(Frequency-Modulated Continuous-Wave,FMCW)雷達(dá)[17,18]的特性使得其更適用于醫(yī)療健康監(jiān)測(cè)領(lǐng)域。首先，F(xiàn)MCW雷達(dá)是通過對(duì)連續(xù)波進(jìn)行頻率調(diào)制，根據(jù)發(fā)射信號(hào)和回波信號(hào)的頻率差、相位差來獲取目標(biāo)信息的一種雷達(dá)體制[19]。該雷達(dá)能夠?qū)@取的雷達(dá)信號(hào)劃分為多個(gè)角度、距離尺度[20]，相較于WiFi,CW雷達(dá)捕獲的信息具有更多的細(xì)節(jié)，這對(duì)于醫(yī)療健康監(jiān)測(cè)系統(tǒng)有著重要意義。基于上述特性，不同于CW雷達(dá)，F(xiàn)MCW雷達(dá)能夠隔離非感興趣區(qū)域的噪聲[21]，具備同時(shí)監(jiān)測(cè)不同個(gè)體健康狀況的潛力[22]。不同于音頻、視頻設(shè)備，F(xiàn)MCW雷達(dá)捕獲的用戶信息需要專業(yè)的信號(hào)處理流程才能夠解析，不會(huì)侵犯用戶的隱私[23]。與脈沖雷達(dá)(如超寬帶雷達(dá))等設(shè)備相比，F(xiàn)MCW雷達(dá)具有較大的時(shí)帶積，能夠以低峰值功率達(dá)到與脈沖雷達(dá)等雷達(dá)設(shè)備相同的信噪比[24]。因此，F(xiàn)MCW雷達(dá)不需要集成高功率、高電壓器件，這使得FMCW雷達(dá)系統(tǒng)結(jié)構(gòu)簡(jiǎn)單，易于集成在單個(gè)芯片中。得益于毫米波固態(tài)器件技術(shù)的高速發(fā)展，F(xiàn)MCW雷達(dá)能夠兼具調(diào)頻連續(xù)波與毫米波集成技術(shù)的優(yōu)勢(shì)[24]，這進(jìn)一步縮小了FMCW雷達(dá)的體積，同時(shí)降低了基于該雷達(dá)的醫(yī)療健康監(jiān)測(cè)系統(tǒng)的成本。呼吸、心跳引起的身體表面局部振動(dòng)的幅度分別約 5 mm,200～500 μm[14]，毫米級(jí)的波長(zhǎng)有利于監(jiān)測(cè)小幅度的振動(dòng)，從而準(zhǔn)確地監(jiān)測(cè)生理體征[17]。

同時(shí)，在毫米波波段存在大量未使用的頻段，使得基于FMCW雷達(dá)的醫(yī)療健康監(jiān)測(cè)系統(tǒng)能夠抵抗來自其他頻段的干擾[25]。絕大多數(shù)商用FMCW雷達(dá)與醫(yī)療設(shè)備專用頻段無共享頻段，因此不會(huì)對(duì)已有的醫(yī)療設(shè)備，尤其是植入式醫(yī)療設(shè)備造成干擾[26]。隨著5G技術(shù)的發(fā)展與廣泛應(yīng)用，數(shù)據(jù)的傳輸速率與處理速率得到了革命性的提升，這為FMCW雷達(dá)的數(shù)據(jù)傳輸與實(shí)時(shí)處理提供了保障[23]。綜上所述，F(xiàn)MCW雷達(dá)在醫(yī)療健康監(jiān)測(cè)領(lǐng)域(臨床監(jiān)測(cè)、日常健康狀況監(jiān)測(cè)等)有著廣泛的應(yīng)用前景。

目前，在基于FMCW雷達(dá)的醫(yī)療健康監(jiān)測(cè)這一領(lǐng)域中，最具有代表性的早期研究成果來自麻省理工學(xué)院多媒體實(shí)驗(yàn)室的Fadel Adib博士。Adib博士等人[21]于2015年發(fā)表的研究成果中闡述了其基于FMCW雷達(dá)獲取被試者心率及呼吸率的方法。該研究展示了FMCW雷達(dá)在人體生理體征監(jiān)測(cè)這一應(yīng)用上的潛力。該研究引領(lǐng)了新一輪的非接觸式醫(yī)療健康監(jiān)測(cè)技術(shù)研究熱潮，使基于FMCW雷達(dá)的生理體征獲取，以及基于獲取到的生理體征的健康狀況診斷(呼吸暫停[27]、睡眠監(jiān)測(cè)[28]等) 成為一個(gè)熱門的研究方向。

本文的組織結(jié)構(gòu)如下：第2節(jié)首先簡(jiǎn)要描述FMCW的基本原理，然后列舉在醫(yī)療健康領(lǐng)域經(jīng)常被使用的一些FMCW雷達(dá)特征信息，從而闡述將FMCW用于醫(yī)療健康領(lǐng)域的理論基礎(chǔ)；第3節(jié)介紹生理體征監(jiān)測(cè)、睡眠質(zhì)量監(jiān)測(cè)與跌倒檢測(cè)這3種FMCW雷達(dá)在醫(yī)療健康領(lǐng)域最為典型的前沿應(yīng)用，系統(tǒng)地歸納了這些應(yīng)用中的突出研究成果；第4節(jié)總結(jié)現(xiàn)有研究中存在的局限性，并展望了未來該領(lǐng)域的發(fā)展趨勢(shì)。

2 醫(yī)療健康領(lǐng)域中的FMCW雷達(dá)特征信息

2.1 微多普勒信號(hào)

應(yīng)用于醫(yī)療健康領(lǐng)域的FMCW雷達(dá)主要有線性調(diào)頻連續(xù)波(Linear Frequency-Modulated Continuous-Wave,LFMCW)雷達(dá)與步進(jìn)調(diào)頻連續(xù)波(Stepped Frequency Continuous-Wave,SFCW)雷達(dá)。本文以LFMCW為例介紹FMCW雷達(dá)如何獲取多距離、角度的信號(hào)，以及如何基于FMCW雷達(dá)提取生理體征信號(hào)。對(duì)于LFMCW雷達(dá)，發(fā)射天線Tx周期性地發(fā)射頻率隨時(shí)間線性增長(zhǎng)的信號(hào)

稱為Chirp，其中AT是Chirp的幅度，fc是Chirp的起始頻率。B和Tc分別是Chirp的帶寬與持續(xù)時(shí)間。雷達(dá)視場(chǎng)內(nèi)多個(gè)目標(biāo)的反射信號(hào)被接收天線Rx獲取，每個(gè)反射信號(hào)都是發(fā)射信號(hào)的縮放與移位版本。設(shè)第i個(gè)距離單元內(nèi)的反射面與雷達(dá)的距離為di。接收信號(hào)

是多個(gè)目標(biāo)反射信號(hào)的疊加，其中 c 是光速。αi為第i個(gè)目標(biāo)的反射系數(shù)，該參數(shù)受距離di，目標(biāo)的面積與材質(zhì)等因素影響[18]。經(jīng)過與發(fā)射信號(hào)ST混頻，輸出的中頻 (Intermediate Frequency,IF) 信號(hào)

為多個(gè)諧波的疊加，其中fi,φi為第i個(gè)距離單元反射信號(hào)的頻率與相位。來自不同距離物體的反射具有不同的頻率。因此，對(duì)IF信號(hào)進(jìn)行FFT變換，雷達(dá)視場(chǎng)被劃分為不同的距離區(qū)間，稱為Range Bin。距離分辨率

為雷達(dá)能夠分辨不同目標(biāo)之間的最小距離。當(dāng)?shù)趇個(gè)Range Bin內(nèi)的反射面存在微振動(dòng)，即di(t)=di+vi(t)，其中vi(t)為該Range Bin內(nèi)的微振動(dòng)，該Range Bin的相位φi(t)受vi(t)調(diào) 制。φi(t)與vi(t)的調(diào)制關(guān)系為

其中，λc=c/fc為雷達(dá)信號(hào)的波長(zhǎng)。此時(shí)，φi(t)稱為微多普勒信號(hào)，這種由于微振動(dòng)引起的相位調(diào)制現(xiàn)象稱為微多普勒效應(yīng)[29]。圖1展示了從雷達(dá)天線接收信號(hào)中提取微多普勒信號(hào)的信號(hào)處理流程。

圖1 基于FMCW雷達(dá)的接收信號(hào)提取微多普勒信號(hào)與計(jì)算Range-Doppler圖的信號(hào)處理流程。其中多個(gè)Chirp的IF信號(hào)經(jīng)過FFT變換后得到的二維矩陣稱為Range ProfileFig.1 The signal processing flow of extracting micro-Doppler signal and calculating Range-Doppler map based on the received signal of FMCW radar.The two-dimensional matrix of multiple Chirp IF signals after FFT transform is called Range Profile

SFCW雷達(dá)與LFMCW雷達(dá)都通過對(duì)連續(xù)波雷達(dá)的頻率進(jìn)行調(diào)制，從而將信號(hào)劃分為多個(gè)距離尺度，兩者有著相似的工作原理與硬件結(jié)構(gòu)[30]。與LFMCW雷達(dá)相同，對(duì)于SFCW雷達(dá)，其信號(hào)頻率隨時(shí)間周期性地變化，如圖2所示。SFCW雷達(dá)將不同頻率的信號(hào)分時(shí)發(fā)射，可以在獲得高距離分辨率的同時(shí)降低對(duì)數(shù)字信號(hào)處理機(jī)瞬時(shí)帶寬的要求[31]，易于實(shí)現(xiàn)較大帶寬，目前已有很多研究基于SFCW雷達(dá)進(jìn)行非接觸式醫(yī)療健康監(jiān)測(cè)[30,32,33]。然而，相對(duì)于LFMCW雷達(dá)，SFCW雷達(dá)的波形較復(fù)雜，需要復(fù)雜度更高的信號(hào)處理流程[34,35]。由于LFMCW雷達(dá)與SFCW雷達(dá)的相似性，相當(dāng)一部分基于LFMCW雷達(dá)的監(jiān)測(cè)算法同樣適用于SFCW雷達(dá)[30]。

圖2 SFCW雷達(dá)信號(hào)時(shí)頻圖Fig.2 Time-frequency graph of SFCW radar

一些人體生理體征以人體表面特定區(qū)域的微振動(dòng)的形式呈現(xiàn)。選擇合適的Range Bin中的微多普勒信號(hào)，這類生理體征能夠被捕獲。如第1節(jié)所述，大部分商用FMCW雷達(dá)的波長(zhǎng)在毫米波波段。假設(shè)波長(zhǎng)為1 mm，即使是幅度僅為100 μm的微振動(dòng)生理體征都能夠?qū)е挛⒍嗥绽招盘?hào)具有約1.26 rad的幅度，這使得FMCW雷達(dá)信號(hào)對(duì)微振動(dòng)生理體征具有較高的分辨率。文獻(xiàn)[36]定量地分析了發(fā)射功率、天線增益、距離等因素與微振動(dòng)生理體征測(cè)量性能的關(guān)系?；谖⒍嗥绽招盘?hào)，一系列生理體征能夠被準(zhǔn)確地測(cè)量，這將在第3節(jié)被詳細(xì)闡述。

2.2 Range-Doppler圖

如2.1節(jié)所述，只有選擇人體特定區(qū)域所在的Range Bin，微多普勒信號(hào)才具有應(yīng)用于醫(yī)療健康領(lǐng)域的價(jià)值。然而，Range Profile為二維復(fù)數(shù)矩陣，從Range Profile中無法直觀地得到存在人體生理體征的特定區(qū)域?qū)?yīng)的Range Bin。由式(3)與式(5)可知，經(jīng)過對(duì)IF信號(hào)進(jìn)行FFT變換，在Range Profile中第i個(gè)Range Bin對(duì)應(yīng)的復(fù)數(shù)信號(hào)為

其中，vit是 第i個(gè)Range Bin內(nèi)微振動(dòng)物體的徑向移動(dòng)速度?？梢钥闯觯琗i(t)中出現(xiàn)的徑向運(yùn)動(dòng)導(dǎo)致了量化值為 (4πfcvi)/c的Doppler頻移。因此，對(duì)Xi(t)進(jìn)行FFT變換得到幅度譜，該幅度譜能夠反映第i個(gè)Range Bin內(nèi)微振動(dòng)物體的速度。對(duì)所有的Range Bin重復(fù)上述操作，得到Range-Doppler圖[37]，如圖1所示。

除了估計(jì)微振動(dòng)的速度，F(xiàn)MCW雷達(dá)也能夠監(jiān)測(cè)人體運(yùn)動(dòng)的速度。對(duì)于FMCW雷達(dá)，單個(gè)chirp的持續(xù)時(shí)間為微秒級(jí)。因此，在極短時(shí)間內(nèi)能夠連續(xù)發(fā)送多個(gè)chirp，且在該段時(shí)間內(nèi)人體各部位無法產(chǎn)生明顯的位移，可以視作微振動(dòng)。因此，Range-Doppler圖能夠反映人體各部位的運(yùn)動(dòng)狀態(tài)，在日常行為監(jiān)測(cè)、跌倒檢測(cè)、帕金森等疾病的監(jiān)護(hù)中有著重要的意義[38]。由于Range-Doppler圖具有直觀的視覺信息，近年來一些研究成果將其作為卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[39]的輸入值，嘗試解決醫(yī)療健康領(lǐng)域的分類及回歸問題[40–42]。

2.3 Range-Angle圖

FMCW雷達(dá)雖然具有分離不同距離反射信息的能力。然而，單個(gè)雷達(dá)天線無法估計(jì)反射物體所在的角度這一信息。具有多根Rx天線的FMCW均勻雷達(dá)陣列能夠檢測(cè)反射物體的到達(dá)角(Angle-of-Arrival,AOA)。均勻排布，相鄰Rx天線距離為d的雷達(dá)陣列如圖3所示。設(shè)遠(yuǎn)場(chǎng)的反射信號(hào)為x(t)，AOA為θ，則雷達(dá)陣列中各Rx天線接收到的信號(hào)為

其中，ni(t)為 噪聲(i∈{0,1,...,N -1})，f0為信號(hào)的頻率?；诮嵌菷FT變換、Capon波束賦形以及MUSIC算法，能夠求解a(θ)，從而估計(jì)AOA?；谏鲜鯝OA估計(jì)流程，每個(gè)距離-角度單元的反射信號(hào)強(qiáng)度能夠被計(jì)算，從而得到Range-Angle圖，如圖3所示[22]。

圖3 FMCW雷達(dá)天線陣列計(jì)算Range-Angle圖的原理示意圖Fig.3 The schematic diagram of Range-Angle diagram based on FMCW radar antenna array

基于多輸入多輸出(Multiple Input Multiple Output,MIMO)技術(shù)，N個(gè)Rx天線與M個(gè)時(shí)分復(fù)用的Tx天線能夠生成具有NM個(gè)Rx天線的虛擬雷達(dá)陣列[43]。這種方法節(jié)省了雷達(dá)天線數(shù)，降低了硬件成本，縮小了FMCW雷達(dá)芯片的體積，使之更容易被集成在醫(yī)療健康系統(tǒng)中而不被用戶察覺。互相垂直的兩組雷達(dá)陣列能夠反射物體水平-豎直方向的AOA，從而全面地反映三維空間中的反射信息[44]。

如2.1節(jié)所述，提取包含人體生理體征的微多普勒信號(hào)需要確定人體特定位置所在的Range Bin，而Range-Angle圖恰好能夠直觀地描述人體所在的位置。使用恒虛警檢測(cè)算法(Constant False Alarm Rate,CFAR)與聚類等策略處理Range-Angle圖，人體在3D空間的坐標(biāo)可以被確定[45]，從而進(jìn)一步生成點(diǎn)云[46]等雷達(dá)特征。近年來，一些研究將Range-Angle圖輸入基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)模型，用于估計(jì)人體所在的區(qū)域[47]。相較于CFAR等傳統(tǒng)算法，深度神經(jīng)網(wǎng)絡(luò)能夠區(qū)分人體與雷達(dá)視場(chǎng)內(nèi)的其他運(yùn)動(dòng)物體，如電風(fēng)扇、寵物、掃地機(jī)器人等[39]。具有多根Tx,Rx天線對(duì)的FMCW雷達(dá)陣列，甚至有還原3D空間內(nèi)人體輪廓，估計(jì)人體各部位(手臂、腿部、胸部等)所在區(qū)域的能力[48]。綜上所述，Range-Angle圖能夠被用于確定人體，甚至是人體特定部位所在的區(qū)域，從而提取包含人體生理體征的微多普勒信號(hào)。與Range-Doppler圖相同，如圖3所示的多幀Range-Angle圖能夠反映人體各部分的運(yùn)動(dòng)狀態(tài)，對(duì)于跌倒檢測(cè)、日常行為監(jiān)測(cè)等涉及動(dòng)作信息的應(yīng)用有著重要價(jià)值[49,50]。

在一些波段(如微波波段，即300 MHz～300 GHz)，雷達(dá)信號(hào)能夠穿透人體表面，使得Rx獲取來自人體內(nèi)部組織、器官的反射信號(hào)。此時(shí)，Range-Angle圖能夠作為醫(yī)學(xué)影像[51,52]。相對(duì)于超聲、核磁共振成像等技術(shù)，基于雷達(dá)Range-Angle圖的醫(yī)學(xué)影像技術(shù)具有成本低廉、輻射強(qiáng)度小、能夠長(zhǎng)時(shí)間監(jiān)測(cè)的優(yōu)勢(shì)，具有廣闊的應(yīng)用前景[53]。

3 FMCW雷達(dá)在醫(yī)療健康領(lǐng)域的典型應(yīng)用

3.1 生理體征監(jiān)測(cè)

生理體征是反映人體身體和精神狀態(tài)的重要指標(biāo)。在醫(yī)療健康監(jiān)測(cè)領(lǐng)域，例如睡眠監(jiān)測(cè)、疲勞檢測(cè)、情緒感知等高級(jí)應(yīng)用都依賴準(zhǔn)確的生理體征監(jiān)測(cè)。部分生理活動(dòng)能夠?qū)е氯梭w表面特定區(qū)域出現(xiàn)局部微振動(dòng)。如2.1節(jié)所述，F(xiàn)MCW雷達(dá)對(duì)于微振動(dòng)具有較高的分辨率，基于微多普勒信號(hào)能夠獲取到微振動(dòng)信號(hào)，從而準(zhǔn)確地監(jiān)測(cè)生理體征。表1總結(jié)了基于FMCW雷達(dá)進(jìn)行生理體征監(jiān)測(cè)這一領(lǐng)域的研究現(xiàn)狀。

表1 基于FMCW雷達(dá)的心率、呼吸率監(jiān)測(cè)研究現(xiàn)狀總結(jié)Tab.1 Summary of heart rate and respiratory rate monitoring based on FMCW radar

在已有的基于FMCW雷達(dá)的生理體征監(jiān)測(cè)研究中，大多是針對(duì)呼吸率及心率的監(jiān)測(cè)。這兩種體征的監(jiān)測(cè)是將微振動(dòng)測(cè)量應(yīng)用于醫(yī)療健康領(lǐng)域的典型案例。由于呼氣、吸氣會(huì)導(dǎo)致肺部的收縮與擴(kuò)張，呼吸會(huì)引起胸腔、腹部表面相對(duì)于雷達(dá)的徑向運(yùn)動(dòng)，稱為呼吸努力值。關(guān)于心臟振動(dòng)描記圖(Seismocardiogram,SCG)[54,55]的眾多研究成果也表明了心臟跳動(dòng)會(huì)引起胸腔表面的周期性局部振動(dòng)。綜上所述，從FMCW雷達(dá)的微多普勒信號(hào)中可以獲取心跳信號(hào)和呼吸努力值。

近年來，基于FMCW雷達(dá)的心率、呼吸率監(jiān)測(cè)技術(shù)成為一項(xiàng)研究熱點(diǎn)。其中部分工作實(shí)現(xiàn)了同時(shí)測(cè)量多個(gè)個(gè)體的心率、呼吸率。文獻(xiàn)[56,57]基于FMCW雷達(dá)距離監(jiān)測(cè)原理，建立1D人體定位算法，從而確定不同被試者所在的Range Bin，實(shí)現(xiàn)多人心率、呼吸率監(jiān)測(cè)。然而，當(dāng)不同個(gè)體相對(duì)雷達(dá)距離相同，所在角度不同時(shí)，上述系統(tǒng)無法區(qū)分來自不同個(gè)體的反射信號(hào)。針對(duì)這一問題，文獻(xiàn)[22,65]基于MIMO技術(shù)與Beamforming技術(shù)從距離、角度兩個(gè)尺度劃分來自雷達(dá)視場(chǎng)內(nèi)的反射信號(hào)。其中，文獻(xiàn)[22]的呼吸率(Respiratory Rate,RR)、心率(Heart Rate,HR)的誤差中位數(shù)為0.19 次/min與0.92 次/min，該準(zhǔn)確率能夠滿足大多數(shù)應(yīng)用場(chǎng)景。相控陣技術(shù)能夠?qū)⒗走_(dá)波束聚焦于某個(gè)角度，文獻(xiàn)[58,66]基于相控陣技術(shù)對(duì)整個(gè)雷達(dá)視場(chǎng)進(jìn)行角度掃描，從而監(jiān)測(cè)位于不同位置、角度用戶的心率、呼吸率。

心跳引起的微振動(dòng)幅度約比呼吸努力值小一個(gè)數(shù)量級(jí)。此外，由于直流偏移等原因，F(xiàn)MCW雷達(dá)測(cè)量振動(dòng)信號(hào)時(shí)存在難以避免的非線性，導(dǎo)致檢測(cè)到的心跳信號(hào)中往往混有呼吸諧波。一些創(chuàng)新性的研究使用小波變換[67]，最小均方(Least Mean Square,LMS)濾波器[68]、經(jīng)驗(yàn)?zāi)Ｊ椒纸?Empirical Mode Decomposition,EMD)[59]、變分模態(tài)分解(Variational Mode Decomposition,VMD)[45,69]等算法濾除來自呼吸的干擾，從而得到更準(zhǔn)確的心率估計(jì)值。在心率監(jiān)測(cè)領(lǐng)域，逐拍間隔(Inter-Beat Interval,IBI)，即每個(gè)心跳周期的時(shí)間長(zhǎng)度是一項(xiàng)重要參數(shù)。相對(duì)于監(jiān)測(cè)一段時(shí)間的平均心率，IBI能夠更全面地反映心血管系統(tǒng)的健康狀況。然而，不同于心電圖(Electrocardiogram,ECG)中的QRS波群[70]，基于FMCW雷達(dá)獲取的心跳信號(hào)沒有標(biāo)識(shí)每個(gè)心跳周期開始與結(jié)束的標(biāo)準(zhǔn)特征點(diǎn)，因此難以準(zhǔn)確估計(jì)IBI。絕大多數(shù)基于FMCW雷達(dá)的心率監(jiān)測(cè)研究?jī)H僅能夠估計(jì)一段時(shí)間的平均心率。文獻(xiàn)[71]首次基于FMCW雷達(dá)心跳信號(hào)進(jìn)行IBI估計(jì)，該研究首先利用二階差分去除呼吸諧波，然后基于獲取的心跳信號(hào)，使用模板匹配算法與動(dòng)態(tài)規(guī)劃估計(jì)IBI。文獻(xiàn)[45]使用VMD算法從微多普勒信號(hào)中提取高質(zhì)量的心跳信號(hào)，通過對(duì)心跳信號(hào)的包絡(luò)進(jìn)行峰值檢測(cè)估計(jì)IBI，其IBI誤差中位數(shù)為28 ms。高精度的IBI監(jiān)測(cè)能夠被用于心率變異性(Heart Rate Variability,HRV)分析。HRV分析能夠反映自主神經(jīng)系統(tǒng)的狀態(tài)，對(duì)于睡眠質(zhì)量監(jiān)測(cè)、壓力評(píng)估、情緒識(shí)別[71]等重要領(lǐng)域有著重要意義。然而，已有研究中的IBI估計(jì)對(duì)于大多數(shù)涉及HRV分析的應(yīng)用來說準(zhǔn)確度有待提高。相關(guān)研究表明，基于ECG與SCG信號(hào)，能夠準(zhǔn)確地計(jì)算一些心臟活動(dòng)(如瓣膜的開啟與關(guān)閉)的時(shí)間。一些研究者基于有監(jiān)督深度神經(jīng)網(wǎng)絡(luò)，將FMCW雷達(dá)心跳信號(hào)重建為ECG[60]或SCG[61]，從而準(zhǔn)確地估計(jì)高細(xì)粒度的心臟活動(dòng)的時(shí)間。然而這些研究依賴有監(jiān)督神經(jīng)網(wǎng)絡(luò)，目前沒有受到廣泛認(rèn)可的含有同步ECG,SCG標(biāo)簽的FMCW雷達(dá)心跳信號(hào)數(shù)據(jù)集，復(fù)現(xiàn)這些成果需要采集大量數(shù)據(jù)，并且對(duì)于新的個(gè)體的泛化性能需要被進(jìn)一步評(píng)估。

基于FMCW雷達(dá)的心率、呼吸率監(jiān)測(cè)系統(tǒng)在實(shí)際場(chǎng)景中的應(yīng)用面臨著一些挑戰(zhàn)，其中最主要的挑戰(zhàn)是身體運(yùn)動(dòng)干擾。大幅度的身體運(yùn)動(dòng)會(huì)導(dǎo)致無線信道的明顯改變。由于呼吸與心跳引起的振動(dòng)分別為毫米級(jí)、亞毫米級(jí)，即使很小幅度的身體運(yùn)動(dòng)也會(huì)導(dǎo)致呼吸努力值與心跳信號(hào)的嚴(yán)重失真。然而，身體運(yùn)動(dòng)具有隨機(jī)性，難以建模。大部分工作在性能評(píng)估時(shí)要求被試者保持靜止。一些工作基于能量閾值法、異常值檢測(cè)等策略確定存在身體運(yùn)動(dòng)的時(shí)間段，將該時(shí)間段內(nèi)的信號(hào)丟棄，防止出現(xiàn)難以接受的測(cè)量誤差。這是一種可行的策略，然而一定程度上犧牲了系統(tǒng)的時(shí)間覆蓋率。文獻(xiàn)[63]針對(duì)車輛駕駛場(chǎng)景，基于多變量VMD[72]從車輛振動(dòng)及駕駛者自身運(yùn)動(dòng)導(dǎo)致的運(yùn)動(dòng)偽影中分離呼吸努力值及心跳信號(hào)，呼吸率與心率誤差中位數(shù)分別為0.06 次/min，0.6 次/min，IBI誤差中位數(shù)為50 ms。文獻(xiàn)[64]將從身體運(yùn)動(dòng)干擾中分離心跳信號(hào)、呼吸努力值建模為非線性盲源分離問題，基于深度對(duì)比學(xué)習(xí)算法[73]求解該問題，實(shí)現(xiàn)了日常身體運(yùn)動(dòng)狀態(tài)(打字、運(yùn)動(dòng)等)下的心率、呼吸率監(jiān)測(cè)。當(dāng)雷達(dá)信號(hào)穿透障礙物時(shí)，其信號(hào)嚴(yán)重衰減，導(dǎo)致監(jiān)測(cè)到的生理體征信噪比降低[74,75]。一些工作針對(duì)穿透墻壁等障礙物的生理體征監(jiān)測(cè)展開研究[76,77]。這些工作在災(zāi)后救援任務(wù)中被困幸存者的生命監(jiān)測(cè)等場(chǎng)景下有著重要的應(yīng)用價(jià)值[76]。另外，這些工作中所提出的信號(hào)處理技術(shù)對(duì)復(fù)雜環(huán)境下醫(yī)療健康監(jiān)測(cè)也有著重要的借鑒意義。文獻(xiàn)[78,79]使用信息超材料設(shè)計(jì)可編程超表面(Programable Metasurface,PM)。當(dāng)用戶處于不同位置、姿態(tài)下，PM基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)地改變編碼模式，從而將波束聚焦到胸部或其他合適的區(qū)域。由于造價(jià)、尺寸的約束，用于生理體征監(jiān)測(cè)的雷達(dá)能夠集成的天線數(shù)量受到約束，因此在監(jiān)測(cè)生理體征時(shí)用戶的距離、姿態(tài)受到較大約束，文獻(xiàn)[78,79]為解決這方面的難題提供了重要思路。此外，還有一些研究致力于解決其他實(shí)際應(yīng)用中的挑戰(zhàn)，例如與其他雷達(dá)設(shè)備間的相互干擾[80]、多徑效應(yīng)[57]等。

上述研究成果展示了FMCW雷達(dá)在非接觸式生理監(jiān)測(cè)領(lǐng)域的潛力，不僅在日常健康狀況監(jiān)測(cè)方面有著廣泛的應(yīng)用前景，在臨床醫(yī)療場(chǎng)景下也有著重要的應(yīng)用價(jià)值[81]。新生兒與燒傷患者需要持續(xù)的生理體征監(jiān)測(cè)，然而，其身體上無法佩戴電極或可穿戴傳感器[82,83]。因此，這些人群對(duì)于非接觸式生理體征監(jiān)測(cè)有著迫切需求[84]。在傳統(tǒng)醫(yī)療實(shí)踐中，傳染病患者生理體征需要醫(yī)護(hù)人員手動(dòng)測(cè)量，容易導(dǎo)致交叉感染，非接觸式生理體征監(jiān)測(cè)系統(tǒng)的使用能夠規(guī)避這種風(fēng)險(xiǎn)[84,85]。此外，重癥患者的生理體征也需要被持續(xù)地監(jiān)測(cè)，非接觸式方法能夠提高患者治療期間的舒適度，并且能夠降低醫(yī)療負(fù)擔(dān)。相當(dāng)一部分非接觸式生理體征監(jiān)測(cè)領(lǐng)域的研究成果聲稱其能夠被應(yīng)用于傳染患者、燒傷患者、新生兒以及重癥患者的呼吸監(jiān)測(cè)與心率監(jiān)測(cè)[45,86]。由于對(duì)于這些人群的生理體征監(jiān)測(cè)原理與一般人相同，這些研究成果的主張合乎邏輯。文獻(xiàn)[87]針對(duì)新生兒心率、呼吸率監(jiān)測(cè)場(chǎng)景設(shè)計(jì)了FMCW雷達(dá)硬件系統(tǒng)。文獻(xiàn)[88]利用雷達(dá)對(duì)住院患者的呼吸率進(jìn)行24小時(shí)的非接觸式持續(xù)性監(jiān)測(cè)，從而判斷其是否患有肺炎。

前文所述生理體征測(cè)量方案的理論基礎(chǔ)都是生理活動(dòng)會(huì)引起人體局部的微振動(dòng)，然而，極少數(shù)研究并非基于該原理。文獻(xiàn)[89]提出了一種基于FMCW雷達(dá)的肺功能監(jiān)測(cè)系統(tǒng)，當(dāng)用戶向雷達(dá)芯片吹氣時(shí)，板子的振動(dòng)會(huì)導(dǎo)致周圍靜止物體的反射發(fā)生變化，從而基于用戶吹氣時(shí)獲取的FMCW雷達(dá)信號(hào)進(jìn)行肺活量測(cè)定，并生成流量-體積圖。

3.2 睡眠監(jiān)測(cè)

3.2.1 睡眠質(zhì)量監(jiān)測(cè)

良好的睡眠質(zhì)量對(duì)個(gè)人的身心健康，生活質(zhì)量，工作效率有著重要意義。為了定量地評(píng)估睡眠質(zhì)量，美國(guó)睡眠醫(yī)學(xué)學(xué)會(huì)(American Academy of Sleep Medicine,AASM)將睡眠分為覺醒(WAKE)、快速眼動(dòng)期(Rapid Eye Movement,REM)、N1、N2和N3 5個(gè)睡眠階段，其中N1被歸類為淺睡期，N2,N3被歸類為深睡期，這些階段在整晚睡眠中的占比是評(píng)估睡眠質(zhì)量的重要指標(biāo)[90]。對(duì)HRV[91]與心肺耦合(心血管系統(tǒng)與呼吸系統(tǒng)的相互作用機(jī)制)[92–95]的相關(guān)研究表明，呼吸和心跳模式與睡眠階段有著潛在的聯(lián)系[96]。然而，這種聯(lián)系較為復(fù)雜，難以建模。近年來，F(xiàn)MCW雷達(dá)的廣泛應(yīng)用恰逢機(jī)器學(xué)習(xí)領(lǐng)域，尤其是深度神經(jīng)網(wǎng)絡(luò)的快速發(fā)展。機(jī)器學(xué)習(xí)模型能夠建模包含呼吸與心跳模式的FMCW雷達(dá)信號(hào)與睡眠階段間的復(fù)雜的非線性關(guān)系，避免了人工提取特征。文獻(xiàn)[97]基于Range-Angle圖確定人體位置并判斷床所在的區(qū)域，在獲取上述信息后，基于隱馬爾可夫模型判斷被試者是否在床上，并將包含身體運(yùn)動(dòng)與呼吸模式的FMCW雷達(dá)信號(hào)輸入CNN網(wǎng)絡(luò)判斷被試者是否處于WAKE階段，計(jì)算睡眠延遲(Sleep Latency,SL)、臥床時(shí)間(Time in Bed,TIB)、總睡眠時(shí)間(Total Sleep Time,TST)、睡眠效率(Sleep Efficiency,SE，即TST/TIB)、覺醒后清醒時(shí)間(Wake After Sleep Onset,WASO)等與失眠程度量化評(píng)估指標(biāo)(該指標(biāo)由美國(guó)國(guó)家睡眠基金會(huì)依據(jù)AASM標(biāo)準(zhǔn)制定[28]，受到廣泛認(rèn)可)，從而判斷被試者是否失眠。文獻(xiàn)[98]基于CNN與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory Network,LSTM)，將包含呼吸、心跳模式的FMCW雷達(dá)微多普勒信號(hào)的時(shí)頻圖作為輸入，預(yù)測(cè)睡眠階段，并基于條件對(duì)抗網(wǎng)絡(luò)[99]監(jiān)督分類模型提取與睡眠階段高度相關(guān)，與被試者個(gè)體差異、實(shí)驗(yàn)場(chǎng)景無關(guān)的特征，從而提高分類算法對(duì)于新用戶的泛化性能，最終對(duì)WAKE、REM、深睡與淺睡4種睡眠階段的分類準(zhǔn)確率分別為63%,82%,83%與75%。相對(duì)于多導(dǎo)睡眠儀(Polysomnography,PSG)這一監(jiān)測(cè)睡眠質(zhì)量的標(biāo)準(zhǔn)設(shè)備，上述系統(tǒng)避免了用戶佩戴大量的電極與傳感設(shè)備，提高了監(jiān)測(cè)過程中的睡眠舒適度。但是FMCW雷達(dá)的睡眠階段監(jiān)測(cè)原理決定了其無法獲取腦電、眼電、肌電等在睡眠監(jiān)測(cè)領(lǐng)域較為重要的信息。目前基于FMCW雷達(dá)的睡眠階段分類系統(tǒng)的準(zhǔn)確率相對(duì)可穿戴設(shè)備有較大差距，這些系統(tǒng)的分類結(jié)果對(duì)于評(píng)估睡眠質(zhì)量有一定參考價(jià)值，但目前尚無法用于臨床監(jiān)測(cè)。

3.2.2 睡眠呼吸暫停

睡眠呼吸暫停(Sleep Apnea,SA)是一種常見且可能致命的睡眠障礙[100]。作為一種潛在的身體疾病，睡眠障礙很難在睡眠中被輕易發(fā)現(xiàn)，會(huì)增加患心血管功能障礙、中風(fēng)、糖尿病等疾病的風(fēng)險(xiǎn)，對(duì)健康構(gòu)成威脅。根據(jù)眾多相關(guān)研究，呼吸努力值(呼吸引起的胸部、腹部位移)以及IBI能夠被用于睡眠呼吸暫停檢測(cè)[101–105]。一些已發(fā)表的基于FMCW雷達(dá)的生理體征監(jiān)測(cè)研究都聲稱其成果能夠被應(yīng)用于SA監(jiān)測(cè)[66,106]。文獻(xiàn)[107]基于FMCW雷達(dá)獲取呼吸努力值與心跳信號(hào)，并基于支持向量機(jī)(Support Vector Machine,SVM)判斷被試者呼吸是否正常，并檢測(cè)SA等呼吸異常事件，正常呼吸、SA與各種呼吸異常狀態(tài)的識(shí)別準(zhǔn)確率為98.25%。

3.2.3 睡姿識(shí)別

睡眠時(shí)的姿勢(shì)對(duì)人體健康有著一定影響。研究表明，睡眠質(zhì)量與睡眠姿勢(shì)以及姿勢(shì)的改變密切相關(guān)[108,109]。同時(shí)，睡姿的監(jiān)測(cè)在SA[110]、帕金森[111]等疾病的治療過程中有著重要價(jià)值，例如，對(duì)于阻塞性SA患者，仰臥這一睡姿會(huì)導(dǎo)致不良的氣道幾何形狀，減小肺容積，是不推薦的睡姿[110]。不正確的睡姿甚至?xí)黾影d癇、嬰兒猝死綜合征等疾病患者猝死的風(fēng)險(xiǎn)[112,113]。文獻(xiàn)[114]基于商用FMCW雷達(dá)，將獲取的距離-角度圖作為輸入，使用具有Inception-Residual模塊的多通道CNN網(wǎng)絡(luò)識(shí)別被試者的姿態(tài)，對(duì)于8種睡眠姿式，分類結(jié)果的Kappa系數(shù)為85.35%。然而，該工作中的睡眠姿勢(shì)指的是躺在床上、翻身、起床等動(dòng)態(tài)過程，雖然對(duì)于睡眠質(zhì)量監(jiān)測(cè)有著一定意義，但無法監(jiān)測(cè)人體的靜態(tài)睡姿，如仰臥、俯臥等，不是真正意義上的睡姿識(shí)別。實(shí)際上，仰臥等靜態(tài)睡姿的監(jiān)測(cè)較為困難。睡姿監(jiān)測(cè)系統(tǒng)很難避免周圍物體反射的干擾，如墻壁、床等。因此，很難保證睡姿監(jiān)測(cè)系統(tǒng)對(duì)于新環(huán)境的泛化能力。在基于FMCW雷達(dá)的生理體征監(jiān)測(cè)與動(dòng)作檢測(cè)領(lǐng)域，研究者經(jīng)常采用將相鄰chirp對(duì)應(yīng)的IF信號(hào)相減來排除環(huán)境干擾[115–117]。這是由于對(duì)于靜止物體，其反射不隨時(shí)間變化而改變。然而在睡姿監(jiān)測(cè)領(lǐng)域，無法采用這種策略。原因是睡眠狀態(tài)下，除生理體征引起的局部身體振動(dòng)，人體處于靜止?fàn)顟B(tài)，這種環(huán)境干擾排除策略會(huì)導(dǎo)致人體姿態(tài)信息的丟失。文獻(xiàn)[118]使用遷移學(xué)習(xí)的策略，對(duì)于新的環(huán)境，其提出的姿態(tài)識(shí)別深度神經(jīng)網(wǎng)絡(luò)模型(輸入為Range-Angle圖)僅需要16分鐘的含睡姿標(biāo)簽的數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)，就能夠在新環(huán)境中達(dá)到足夠高的準(zhǔn)確率。該成果[118]使用床面的法向量與人體前軀干表面法向量夾角描述睡姿，對(duì)于使用16分鐘、1整晚與1周含睡姿標(biāo)簽的數(shù)據(jù)(新環(huán)境下采集的)進(jìn)行微調(diào)的模型，在新環(huán)境下的人體睡姿識(shí)別平均誤差分別為28.3°±8.7°、25.6°±6.7°與15.3°±4.4°。

3.3 跌倒檢測(cè)

跌倒是老年人意外死亡、受傷的主要原因[119]。對(duì)于老年人群，跌倒造成骨折的概率約為90%[120]。在65歲以上的老人中，約三分之一每年至少經(jīng)歷一次摔倒，其中大部分老人跌倒后受傷并住院接受治療[121]。調(diào)查顯示，跌倒直接導(dǎo)致每年上百億美元的醫(yī)療開銷[120]。如果老人在跌倒后沒有被及時(shí)被發(fā)現(xiàn)，那么跌倒的風(fēng)險(xiǎn)就大得多，因?yàn)槔先说购笸鶡o法獨(dú)立爬起，長(zhǎng)時(shí)間躺在地板上可能會(huì)導(dǎo)致體溫過低、脫水、橫紋肌溶解、吸入性肺炎和壓瘡，甚至死亡[122]。對(duì)于獨(dú)居老人，跌倒后沒有被及時(shí)治療的情況則更加普遍[123]。近年來，隨著信息技術(shù)與物聯(lián)網(wǎng)技術(shù)的發(fā)展，跌倒檢測(cè)系統(tǒng)成為醫(yī)療健康領(lǐng)域的研究熱點(diǎn)[124]。如果能夠在被監(jiān)測(cè)者跌倒時(shí)及時(shí)向親屬及監(jiān)護(hù)人員示警，不僅能降低死亡及受傷的風(fēng)險(xiǎn)，同時(shí)也能夠減少醫(yī)療資源消耗。

Range-Doppler圖、Range-Angle圖等FMCW雷達(dá)特征信息中包含距離、角度、速度等與人體運(yùn)動(dòng)相關(guān)的時(shí)間、空間維度的信息，這些雷達(dá)特征信息能夠被用于跌倒檢測(cè)[37]。FMCW雷達(dá)在跌倒檢測(cè)領(lǐng)域具有獨(dú)特的優(yōu)勢(shì)，與視頻設(shè)備相比，避免了用戶隱私泄露的風(fēng)險(xiǎn)，與陀螺儀、加速度計(jì)等可穿戴設(shè)備相比，不影響用戶的日常生活，不會(huì)出現(xiàn)忘記佩戴設(shè)備導(dǎo)致設(shè)備失效的情況，這些優(yōu)勢(shì)使得FMCW雷達(dá)受到該領(lǐng)域研究者的廣泛關(guān)注。表2總結(jié)了基于FMCW雷達(dá)的跌倒檢測(cè)技術(shù)的研究現(xiàn)狀。

表2 基于FMCW雷達(dá)的跌倒檢測(cè)研究現(xiàn)狀總結(jié)Tab.2 Summary of research status of falling detection based on FMCW radar

文獻(xiàn)[125]提出一種基于自編碼器(Auto-encoder)與 Logistic回歸的多傳感器融合方法，采集的信號(hào)來自FMCW雷達(dá)和3個(gè)穿在身上的慣性傳感器(在手腕、腰部和腳踝上)，實(shí)現(xiàn)了可穿戴傳感器和雷達(dá)數(shù)據(jù)之間的特征融合。為了驗(yàn)證他們的方法對(duì)沒有參與訓(xùn)練的個(gè)體的泛化性能，該研究采用“留一法”(Leave-One-Out,LOO)的交叉驗(yàn)證策略，達(dá)到了96%的平均準(zhǔn)確率(Accuracy,Acc)。然而，雷達(dá)接收的信號(hào)是環(huán)境中所有物體對(duì)雷達(dá)信號(hào)反射的組合，不同環(huán)境對(duì)雷達(dá)信號(hào)的影響不同。他們只在一個(gè)環(huán)境采集了數(shù)據(jù)，并沒有驗(yàn)證系統(tǒng)在新的環(huán)境下的性能。此外，該系統(tǒng)仍然需要被試者佩戴傳感器，違背了使用FMCW雷達(dá)進(jìn)行非接觸式監(jiān)測(cè)的初衷。

文獻(xiàn)[126]基于CNN與LSTM設(shè)計(jì)跌倒檢測(cè)網(wǎng)絡(luò)，將獲取的多幀Range-Doppler圖作為輸入，獲得了96.67%的平均檢測(cè)準(zhǔn)確率與3.33%的漏警率。文獻(xiàn)[127]提出了一種線性核卷積神經(jīng)網(wǎng)絡(luò)(Linear Kernel Convolution Neural Network,LKCNN)來直接處理FMCW雷達(dá)獲取的IF信號(hào)來檢測(cè)墜落運(yùn)動(dòng)，并提出了一種數(shù)據(jù)樣本生成方法，利用多個(gè)接收信道和足夠小的脈沖重復(fù)時(shí)間為訓(xùn)練過程生成多個(gè)樣本。實(shí)驗(yàn)結(jié)果表明，該方法能夠以較少的網(wǎng)絡(luò)參數(shù)和較小的計(jì)算量檢測(cè)到跌倒運(yùn)動(dòng)，具有較高的準(zhǔn)確性、靈敏度和特異性。然而，上述兩項(xiàng)研究?jī)H僅將跌倒檢測(cè)視作動(dòng)作分類，跌倒樣本與非跌倒樣本比例接近1:1。在長(zhǎng)時(shí)間的跌倒檢測(cè)場(chǎng)景中，跌倒是偶然性事件，在時(shí)間維度上是稀疏的。日常生活中，跌倒與非跌倒樣本的比例通常接近0。

文獻(xiàn)[128]使用 FMCW雷達(dá)陣列生成水平方向和垂直方向的Range-Angle圖，將2.5 s的多幀Range-Angle圖輸入基于ResNet與Softmax網(wǎng)絡(luò)層的分類器，用于識(shí)別是否發(fā)生跌倒。該研究在不同場(chǎng)景下，針對(duì)不同的被試者采集了包含滑倒、絆倒等8種跌倒姿勢(shì)的超過40種的動(dòng)作種類。該研究的創(chuàng)新點(diǎn)在于考慮到了跌倒事件在時(shí)間維度上的稀疏性，采用多個(gè)級(jí)聯(lián)的分類器逐級(jí)排除非跌倒樣本，在跌倒樣本與非跌倒樣本比例約1:100的情況下，準(zhǔn)確率、召回率與F1 Score分別達(dá)到了91.9%、93.8%與92.9%。盡管他們的工作取得了令人信服的結(jié)果和較高的精度，但仍然存在一些問題。首先，該研究使用的設(shè)備有12個(gè)Tx天線和12個(gè)Rx天線，這意味著較大的體積和高昂的成本，難以在實(shí)際監(jiān)測(cè)場(chǎng)景中部署。此外，真實(shí)跌倒樣本的采集是不現(xiàn)實(shí)的，但是難以保證被試者有意做出的跌倒動(dòng)作(假摔)與真實(shí)情況的一致性，因此使用假摔樣本進(jìn)行訓(xùn)練與驗(yàn)證仍然存在一定局限性。

文獻(xiàn)[46]基于變分自編碼器(Variational Auto-Encoder,VAE)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)設(shè)計(jì)跌倒檢測(cè)網(wǎng)絡(luò)，將Range-Angle圖與CFAR算法生成的人體點(diǎn)云作為輸入，學(xué)習(xí)深度動(dòng)作特征。該研究，以半監(jiān)督的方式僅采用正常活動(dòng)數(shù)據(jù)進(jìn)行訓(xùn)練，而不使用跌倒(假摔樣本)。在測(cè)試階段，一旦發(fā)生如跌倒的異常動(dòng)作模型將產(chǎn)生較高的異常得分，最終實(shí)現(xiàn)了98%的跌倒檢測(cè)準(zhǔn)確度。盡管該研究提出的模型避免了使用假摔樣本導(dǎo)致的局限性，但仍有一些不足。在實(shí)驗(yàn)中，僅有包括跌倒在內(nèi)的5類動(dòng)作被采集，僅包含各類跌倒動(dòng)作與日常動(dòng)作中的極少部分。同時(shí)，該研究與文獻(xiàn)[128]相同，沒有考慮跌倒事件在時(shí)間維度上的稀疏性，在測(cè)試集中，正常樣本與跌倒樣本的比例為4:1。

4 總結(jié)與展望

4.1 研究現(xiàn)狀及局限性

目前國(guó)內(nèi)外學(xué)者基于FMCW雷達(dá)在醫(yī)療健康領(lǐng)域的多個(gè)方面進(jìn)行了應(yīng)用研究，并取得了大量有價(jià)值的研究成果。部分研究基于微多普勒現(xiàn)象監(jiān)測(cè)人體生理體征，相比其他無線設(shè)備，達(dá)到了更高的監(jiān)測(cè)性能。在大量生理體征監(jiān)測(cè)的研究成果基礎(chǔ)上，一些研究者基于生理體征信號(hào)設(shè)計(jì)心臟事件監(jiān)測(cè)、呼吸暫停監(jiān)測(cè)系統(tǒng)等應(yīng)用，這些研究拓展了FMCW在醫(yī)療健康領(lǐng)域的應(yīng)用場(chǎng)景。此外，F(xiàn)MCW雷達(dá)的廣泛應(yīng)用恰逢深度神經(jīng)網(wǎng)絡(luò)的快速發(fā)展。深度學(xué)習(xí)網(wǎng)絡(luò)能夠深入挖掘多普勒信號(hào)、Range-Doppler圖、Range-Angle圖等各種FMCW雷達(dá)特征信息，并建模與睡眠階段、跌倒事件、睡眠姿勢(shì)等醫(yī)療應(yīng)用間復(fù)雜的非線性關(guān)系。

然而，F(xiàn)MCW雷達(dá)在醫(yī)療健康領(lǐng)域的應(yīng)用仍然存在著以下問題以及局限性：(1)能夠獲取的生理體征有限：相對(duì)于多導(dǎo)睡眠儀等傳統(tǒng)醫(yī)療設(shè)備，以及可穿戴設(shè)備，F(xiàn)MCW雷達(dá)僅能監(jiān)測(cè)與微振動(dòng)相關(guān)的生理體征(呼吸、心跳等)，無法獲取生物電信號(hào)等信息。這一局限性使得大多數(shù)系統(tǒng)的性能無法與傳統(tǒng)醫(yī)療設(shè)備相比。目前的研究成果雖然具有較強(qiáng)的參考價(jià)值，但仍不適合被用于需要高精度的臨床診斷場(chǎng)景。(2)魯棒性：FMCW雷達(dá)信號(hào)容易受到干擾，在醫(yī)療健康領(lǐng)域，這些干擾包括身體運(yùn)動(dòng)、監(jiān)測(cè)目標(biāo)的姿態(tài)及位置變化、其他生理體征、周圍的運(yùn)動(dòng)物體等。許多研究在設(shè)計(jì)性能評(píng)估實(shí)驗(yàn)時(shí)人為地規(guī)避了這些問題，如讓被試者保持靜止等。雖然，相對(duì)于絕大多數(shù)無線設(shè)備，F(xiàn)MCW雷達(dá)具有更強(qiáng)的抗干擾能力。然而，大多數(shù)基于FMCW雷達(dá)的系統(tǒng)在這些干擾下的魯棒性需要被進(jìn)一步評(píng)估。(3)泛化性能：近年來，許多研究者基于深度神經(jīng)網(wǎng)絡(luò)將FMCW雷達(dá)特征信號(hào)應(yīng)用于醫(yī)療健康領(lǐng)域。然而，與基于深度神經(jīng)網(wǎng)絡(luò)的大多數(shù)系統(tǒng)相同，這些研究成果也存在著泛化性能問題。在訓(xùn)練與測(cè)試過程中，大多數(shù)系統(tǒng)中的神經(jīng)網(wǎng)絡(luò)模型使用實(shí)驗(yàn)室場(chǎng)景下，基于健康被試者采集的數(shù)據(jù)。這些系統(tǒng)對(duì)于真實(shí)場(chǎng)景的泛化性能有待提高。此外，大多數(shù)實(shí)驗(yàn)中使用的數(shù)據(jù)來自健康被試者，這些研究成果對(duì)于患病人群的泛化性能需要被評(píng)估。(4)醫(yī)療標(biāo)準(zhǔn)的缺失：考慮到暴露在大量輻射中對(duì)人體的危害，一直以來，對(duì)于應(yīng)用在醫(yī)療健康領(lǐng)域的無線設(shè)備，其發(fā)射功率等參數(shù)都受到嚴(yán)格的標(biāo)準(zhǔn)限制。不同于傳統(tǒng)的無線設(shè)備，目前被廣泛使用的商用FMCW雷達(dá)芯片處于毫米波頻段。在毫米波頻段內(nèi)，大氣中傳播衰減嚴(yán)重，因此高增益天線甚至是陣列天線被用于對(duì)抗這種衰減。在醫(yī)療健康領(lǐng)域，目前沒有針對(duì)毫米波波段的發(fā)射功率等雷達(dá)參數(shù)標(biāo)準(zhǔn)。關(guān)于各個(gè)國(guó)際組織制定的相關(guān)標(biāo)準(zhǔn)是否能繼續(xù)有效地衡量毫米波輻射危害，目前正在學(xué)術(shù)界及工業(yè)界被廣泛討論和研究。

4.2 展望

現(xiàn)代社會(huì)中人們對(duì)自身健康水平的關(guān)注程度超過以往任何一個(gè)時(shí)期。FMCW在醫(yī)療健康領(lǐng)域具有獨(dú)特優(yōu)勢(shì)，這些優(yōu)勢(shì)使其具有滿足人們時(shí)刻了解自身健康狀況這一需求的潛力。隨著硬件技術(shù)與嵌入式技術(shù)的發(fā)展，集成有更多Tx,Rx天線的雷達(dá)芯片將會(huì)具有更小的尺寸與更低的價(jià)格?；贔MCW雷達(dá)捕獲的雷達(dá)特征信息將包含更多的細(xì)節(jié)，更高信噪比的生理體征信號(hào)將能夠被提取，各類醫(yī)療健康應(yīng)用的性能將會(huì)得到進(jìn)一步的改善。目前，上百萬臺(tái)智能手機(jī)(如Pixel 4)中已經(jīng)集成有小尺寸的FMCW雷達(dá)。在5G技術(shù)與IoT時(shí)代，可以預(yù)見，F(xiàn)MCW雷達(dá)將會(huì)被嵌入手機(jī)、電腦、掃地機(jī)器人甚至墻壁中，從而融入人們生活的方方面面?；贔MCW雷達(dá)的醫(yī)療健康監(jiān)測(cè)系統(tǒng)能夠?qū)⒉糠种荒茉卺t(yī)院獲得的服務(wù)轉(zhuǎn)移到日常生活中，實(shí)現(xiàn)無處不在的醫(yī)療健康服務(wù)。此外，F(xiàn)MCW雷達(dá)在臨床應(yīng)用中也有著廣闊的應(yīng)用前景。目前，新型冠狀病毒肺炎(Corona Virus Disease 2019,COVID-19)已經(jīng)成為全球性的流行性傳染病。在照護(hù)COVID-19病患時(shí)，生理體征的監(jiān)測(cè)尤其重要?；贔MCW雷達(dá)的醫(yī)療健康監(jiān)測(cè)系統(tǒng)的使用能夠降低交叉感染的風(fēng)險(xiǎn)。

從現(xiàn)有研究狀況可以預(yù)見，在醫(yī)療健康領(lǐng)域，F(xiàn)MCW雷達(dá)在以下方面的應(yīng)用價(jià)值將會(huì)受到學(xué)術(shù)界及工業(yè)界的關(guān)注：

(1) 心血管疾病檢測(cè)：FMCW雷達(dá)已經(jīng)在心率監(jiān)測(cè)這一應(yīng)用中展現(xiàn)了較好的性能。同時(shí)，目前有研究者基于微多普勒信號(hào)成功重建ECG與SCG[60,61]。這說明基于微多普勒現(xiàn)象能夠捕獲充足的心血管系統(tǒng)信息。目前已有大量研究基于ECG判斷是否患有心血管疾病[129]。因此，F(xiàn)MCW雷達(dá)具備檢測(cè)用戶是否患有心血管疾病的潛在能力值得研究。由于心血管疾病本身具有偶發(fā)性，佩戴ECG的有限時(shí)間內(nèi)或許無法監(jiān)測(cè)到心血管系統(tǒng)的異?；顒?dòng)，而FMCW雷達(dá)具有持續(xù)監(jiān)測(cè)能力，基于該設(shè)備的心血管疾病檢測(cè)技術(shù)有著重要價(jià)值。

(2) 腦血管監(jiān)測(cè)：如3.1節(jié)所述，基于MIMO技術(shù)，F(xiàn)MCW雷達(dá)能夠區(qū)分不同距離、角度的反射信號(hào)。這一特性能夠用于腦血管監(jiān)測(cè)。大腦區(qū)域不同位置的介電性質(zhì)不同，因此，這些位置的反射能量存在差異。基于FMCW雷達(dá)重建的大腦區(qū)域Range-Doppler圖或多幀Range-Angle圖具有反映腦血管的擴(kuò)張速率等時(shí)變特性的潛在可能。目前已有基于FMCW雷達(dá)監(jiān)測(cè)全腦模型中的腦血管活動(dòng)的相關(guān)研究[130]。

(3) 慢性呼吸疾病檢測(cè)：慢性呼吸疾病在中國(guó)發(fā)病率高。其中，我國(guó)20歲及以上人群哮喘患病率為4.2%，成人患者總數(shù)達(dá)4570萬人[131]。此外，研究表明，我國(guó)慢性阻塞性肺疾病(Chronic Obstructive Pulmonary Disease,COPD)患者人數(shù)約1億人[132]。慢性呼吸疾病的早期發(fā)現(xiàn)與康復(fù)評(píng)估對(duì)于該疾病的整體防控有著重要意義[131]。目前已有基于ECG信號(hào)中提取的呼吸努力值進(jìn)行COPD檢測(cè)的研究[133]。慢性呼吸疾病患者普遍存在氣短、咳嗽和呼吸困難等癥狀。通過FMCW雷達(dá)能夠?qū)ι鲜霭Y狀及使用者的生理體征進(jìn)行監(jiān)測(cè)，基于數(shù)據(jù)融合對(duì)使用者的肺功能進(jìn)行綜合性評(píng)估，有望為慢性呼吸疾病的早期發(fā)現(xiàn)和康復(fù)評(píng)估提供有效的手段。

(4) 心理健康狀況評(píng)估：對(duì)心理健康的評(píng)估也是醫(yī)療健康應(yīng)用的重要方面。一些研究揭示了心血管系統(tǒng)、呼吸系統(tǒng)與人的情緒[71]、壓力[134]等心理狀態(tài)有著潛在的聯(lián)系。FMCW雷達(dá)能夠監(jiān)測(cè)心血管系統(tǒng)以及呼吸系統(tǒng)的活動(dòng)，因此具有監(jiān)測(cè)用戶當(dāng)前心理狀態(tài)的潛在可能。對(duì)用戶的心理狀態(tài)進(jìn)行長(zhǎng)時(shí)間持續(xù)監(jiān)測(cè)，得到的統(tǒng)計(jì)結(jié)果理論上能夠反映用戶的心理健康狀況。

(5) 疲勞檢測(cè)：疲勞是界定虛弱和衰老問題的主要醫(yī)學(xué)癥狀。同時(shí)，疲勞也是導(dǎo)致健康生活質(zhì)量下降的關(guān)鍵因素，這可能會(huì)造成相當(dāng)大的健康和經(jīng)濟(jì)負(fù)擔(dān)[135]。當(dāng)人們長(zhǎng)時(shí)間駕駛或過度工作學(xué)習(xí)時(shí)，疲勞會(huì)導(dǎo)致記憶力或注意力的下降，甚至?xí)＜吧４送?，疲勞是許多常見疾病的癥狀，如類風(fēng)濕性關(guān)節(jié)炎、癌癥等[136]。相關(guān)研究表明，呼吸努力值、心率等生理體征能夠反映人體疲勞程度[135]。目前已有研究基于FMCW雷達(dá)提取的生理體征信號(hào)進(jìn)行疲勞度評(píng)估[137]。

聲明：方震、簡(jiǎn)璞和張浩對(duì)該文具有相同的貢獻(xiàn)。