Non-Contact Heart Rate Estimation for Moving Subjects via aDual-Trajectory Hybrid Deep Framework

Stellen Sie sich vor, Sie versuchen, einen einzelnen Herzschlag in einem Raum zu hören, in dem die Wände beben, der Boden vibriert und eine Menschenmenge umherzieht. Jahrzehntelang hatten medizinische Sensoren genau mit diesem Problem zu kämpfen, wenn sie auf Kontakt angewiesen sind. Wenn sich eine Person bewegt, rutscht das Gerät ab, das Signal bricht ab oder die Bewegung des Körpers übertönt das winzige, rhythmische Pochen des Herzens. Diese Einschränkung hat eine kontinuierliche, komfortable Herzüberwachung für viele Alltagssituationen – vom Herumgehen in einem Krankenhaus bis hin zum Sport zu Hause – außer Reichweite gehalten. Wissenschaftler suchten lange nach einem Weg, diese Vitalparameter ohne Hautkontakt zu messen, indem sie unsichtbare Wellen nutzen, die durch die Luft wandern können, um das subtile Heben und Senken eines Brustkorbs zu erfassen. Die Herausforderung bestand schon immer darin, das schwache Signal eines schlagenden Herzens vom lauten, chaotischen Rauschen eines sich bewegenden Körpers zu trennen.

Ein Forschungsteam der Northwest University in Xi'an hat einen neuen Ansatz entwickelt, um dieses Problem mithilfe von Millimeterwellen-Radar zu lösen – einer Technologie, die harmlose Radiowellen aussendet, um Bewegungen zu erfassen. Ihre Methode arbeitet in zwei aufeinanderfolgenden Phasen und agiert zuerst wie ein geschickter Spurensucher und dann wie ein versierter Toningenieur. In der ersten Phase wählt das System nicht einfach einen festen Punkt aus, an dem es „lauscht“, da dies fehlschlagen würde, wenn die Person sich von diesem Punkt weg bewegt. Stattdessen beobachtet es die Bewegung der Person über eine Karte von Raum und Zeit und führt zwei verschiedene Arten der Pfadverfolgung zusammen, um die zuverlässigste Route zu finden. Sobald es diesen Pfad fixiert hat, extrahiert es einen Rohdatenstrom, der die Bewegung des Brustkorbs erfasst, selbst während die Person geht oder die Position verändert. Dieser Schritt ist entscheidend, da er sicherstellt, dass das System der richtigen Person zuhört und nicht dem Hintergrundrauschen oder einem durch Bewegung verursachten Geisterbild.

Die zweite Phase nimmt diesen rohen, verrauschten Datenstrom und bereinigt ihn mithilfe eines spezialisierten Computermodells, das darauf ausgelegt ist, die Form eines Herzschlags zu verstehen. Dieses Modell zerlegt das Signal in verschiedene Frequenzschichten, ganz ähnlich wie das Trennen von Bass, Schlagzeug und Gesang in einem Song, um den spezifischen Rhythmus des Herzens vom störenden Geräusch des Gehens oder Schrittmachens zu isolieren. Anschließend nutzt es ein Deep-Learning-Netzwerk, um eine klare, glatte Wellenform des Herzschlags zu rekonstruieren, wodurch die Interferenzen effektiv entfernt werden, die eine Messung ansonsten unmöglich gemacht hätten. Schließlich vergleicht das System diese saubere Wellenform mit einer bekannten Vorlage, um die Schläge pro Minute zu zählen. Die Forscher testeten dieses System an acht Personen in einem geschlossenen Korridor, wobei die Probanden stillstanden, vorwärts gingen oder rückwärts gingen, während sie zur Überprüfung der Genauigkeit ein Smart Bracelet trugen.

Die Ergebnisse zeigen, dass dieser zweistufige Ansatz in dynamischen Situationen, in denen ältere Methoden versagen, bemerkenswert gut funktioniert. Wenn sich die Probanden bewegten, erzeugten herkömmliche Signalverarbeitungstechniken oft große und inkonsistente Fehler, wobei einige Schätzungen den tatsächlichen Herzschlag um mehr als zwanzig Schläge pro Minute verfehlten. Im Gegensatz dazu behielt die neue Methode ihre Genauigkeit bei, mit einem durchschnittlichen Fehler von nur etwas über zwei Schlägen pro Minute. In Tests, bei denen das System in verschiedenen Umgebungen wie einem Besprechungsraum und einem belebten Büro eingesetzt wurde, bewahrte es eine hohe Präzision, wobei die Fehler selbst dann unter vier Schlägen pro Minute blieben, wenn sich mehrere Personen gleichzeitig bewegten. Die Forscher fanden heraus, dass ihre Methode mehrere andere fortschrittliche Computermodelle und Standardfiltertechniken übertraf, was beweist, dass die Kombination aus einem intelligenten Tracking-System und einem leistungsstarken Rekonstruktionsnetzwerk ein gangbarer Weg ist.

Obwohl die Studie bedeutende Fortschritte aufzeigt, merken die Autoren an, dass ihr derzeitiger Erfolg auf Daten basiert, die sie durch die Simulation von Bewegungsinterferenzen auf sauberen Signalen erstellt haben, und dass sie das System noch nicht an einer massiven, vielfältigen Gruppe von Menschen in der realen Welt getestet haben. Sie weisen auch darauf hin, dass das System derzeit am besten mit einer einzelnen Radareinheit und einer einzelnen Person funktioniert und dass komplexe Szenarien mit vielen bewegten Individuen weiterhin Herausforderungen darstellen. Die Kernbotschaft ist jedoch klar: Indem man zuerst den korrekten Bewegungspfad lokalisiert und dann ein hybrides Deep-Learning-Framework zur Rekonstruktion des Herzschlags verwendet, ist es möglich, die Herzfrequenz selbst bei Bewegung einer Person genau zu überwachen. Dieser Durchbruch deutet auf eine Zukunft hin, in der die Überwachung der Vitalparameter wirklich kontaktfrei und zuverlässig sein kann, was eine kontinuierliche Gesundheitsverfolgung ohne die Notwendigkeit von Gurten, Sensoren oder einer physischen Bindung an den Körper ermöglicht.