小希科普 | 非接触心动图检测成果

注：本文全文转载自上海人工智能研究院官方公众号报道文章，以下为转载内容：

近日，上海人工智能研究院领军科学家顾昌展教授团队研究成果《基于干涉式生物医学雷达的微波心动图可靠非接触检测》发表在顶尖学术期刊《SCIENCE CHINA Information Sciences》上。该研究通过创新的非接触式生物雷达技术，实现了医疗级可靠的心脏活动监测，为AI驱动的心血管疾病早期筛查与预警提供了高精度数据基础。

研究团队：

董淑琴，温力，顾昌展，毛军发：射频异质异构集成全国重点实验室（上海交通大学）

曹青，陈康：上海交通大学医学院附属瑞金医院

01 研究意义

心脏活动的精准检测对于心血管疾病的诊断与管理至关重要。传统的心电图（ECG）、心冲击图（BCG）等方法虽然广泛应用，但往往需要电极或探头直接接触人体，在长期监测和临床便捷性上存在局限。近年来，随着雷达技术的进步，基于微波雷达的非接触式生命体征监测成为热点，其中多普勒心动图（DCG）被寄予厚望 。

然而，现有的雷达心动图技术面临着波形复现性差、缺乏统一定义的特征波形等挑战。由于缺乏大规模的复现性研究，雷达心动图在不同人群中的稳定性以及不同检测场景下的波形畸变尚不明确，这限制了其在临床诊断中的实际应用价值。如何从微弱的体表微动中提取出既具备生理意义又高度稳定的心脏信号，是该领域亟待解决的核心难题。

图1 基于干涉式生物医学雷达的远程速度心动图检测框架详图

02 本文工作

针对上述难题，本研究首先对雷达心动图检测进行了系统的链路预算分析，推导出了用于微弱心动信号检测的雷达射频系统性能指标要求。在此基础上，团队提出了一种创新的速度心动图（Velocity Cardiogram, VCG）提取框架。

该框架区别于传统的位移或体积变化检测，而是聚焦于心脏机械活动的速度维度。研究指出，心脏速度指标（如心肌收缩速度）主要反映心肌内在收缩力，受负荷波动影响较小，因此在病理状态下比体积指标具有更好的稳定性。

本文的创新点如下：

1.理论与链路分析：建立了VCG及其相关生理模型，并进行了VCG检测的雷达链路分析，为系统设计提供了坚实的理论基础。

2.高线性度提取算法：提出了一种结合矢量解析解调（VAD）与自适应维纳滤波（Wiener Filter）的新型线性心动图提取算法。该算法利用维纳滤波的负反馈机制，能够自适应地从非平稳生理信号中分离呼吸干扰，高精度、高线性度地恢复VCG波形。

3.波形定义与生理验证：基于大规模实验数据，定义了VCG的特征波形——v波（v-wave）和n波（n-wave），分别对应心脏收缩和舒张过程中的最大速度时刻。这为雷达心动图赋予了明确的生理学意义。

图2 提出的最优FIR维纳滤波器框图

03 实验结果

为了验证所提方法的可靠性，研究团队在临床环境中开展了实验，采集了10名年龄跨度大（21-76岁）、体型各异（BMI 18.6-27）的志愿者数据，共计6123个心动周期，并同步采集了金标准ECG信号进行对比。

图3 （a）临床实验设置，（b）ECG、DCG、VCG同步采集与对照。

1. 波形稳定性与一致性实验结果显示，相较于传统的多普勒心动图（DCG），本文提出的VCG波形在不同受试者之间展现出卓越的稳定性。所有受试者的VCG中均能清晰识别出v波，且与ECG的R波具有高度对应关系 。

2. 心率检测精度通过对比分析，基于VCG提取的RR间期（心跳间隔）与金标准ECG的RR间期相关系数高达0.987，Bland-Altman分析显示95%置信区间误差极低。这验证了该框架在心率变异性分析中的高精度和高可靠性 。

图4 临床实验中提取的不同受试者的两分钟逐搏速度心动图波形，彩色曲线代表不同受试者的平均心动图波形。

3. 特殊场景与病理适用性研究还进一步探讨了不同体位及病理条件下的表现。在房颤（Atrial Fibrillation）患者的测试中，尽管ECG的P波消失且心律不齐，VCG中的v波依然清晰可辨，展现了该技术在心律失常监测中的潜力。

图5 雷达提取的RR间期与ECG参考值的相关性分析

本研究证明了通过非接触生物雷达检测获得医疗级可靠心动图的可行性，为未来基于人工智能的大规模心脏疾病筛查和生物特征识别奠定了数据基础。

未来，上海人工智能研究院将继续深耕“人工智能+医疗健康”技术生态建设，依托算法研发、系统集成与应用落地的综合能力，推动前沿技术从科研走向临床实践，服务更广泛人群健康需求，为实现“健康中国”战略目标贡献智能引擎。