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

Immaginate di cercare di ascoltare un singolo battito cardiaco in una stanza dove le pareti tremano, il pavimento vibra e una folla si muove intorno. Per decenni, i sensori medici hanno lottato con questo esatto problema quando si affidano al contatto. Se una persona si muove, il dispositivo scivola, il segnale si interrompe o il movimento del corpo sovrasta il piccolo, ritmico rimbombo del cuore. Questo limite ha mantenuto il monitoraggio continuo e confortevole del battito cardiaco fuori dalla portata di molte situazioni quotidiane, dal camminare in un ospedale all'esercitarsi a casa. Gli scienziati hanno a lungo cercato un modo per misurare questi segni vitali senza toccare la pelle, usando onde invisibili che possano passare attraverso l'aria per rilevare il sottile innalzamento e abbassamento del torace. La sfida è sempre stata quella di separare il debole segnale di un cuore che batte dal rumore forte e caotico di un corpo in movimento.

Un team di ricercatori della Northwest University di Xi'an ha sviluppato un nuovo approccio per risolvere questo problema utilizzando il radar a onde millimetriche, una tecnologia che invia onde radio innocue per percepire il movimento. Il loro metodo funziona in due fasi distinte, agendo prima come un esperto cercatore e poi come un sofisticato ingegnere del suono. Nella prima fase, il sistema non si limita a scegliere un punto fisso dove ascoltare, il che fallirebbe se la persona si allontanasse da quel punto. Invece, osserva il movimento della persona attraverso una mappa di spazio e tempo, fondendo due diversi modi di tracciare il suo percorso per trovare la rotta più affidabile. Una volta agganciato questo percorso, estrae un flusso di dati grezzi che cattura il movimento del torace, anche mentre la persona cammina o cambia posizione. Questo passaggio è crucialo perché assicura che il sistema stia ascoltando la persona giusta, e non il rumore di fondo o un segnale fantasma causato dal movimento.

La seconda fase prende questo flusso grezzo e rumoroso e lo pulisce utilizzando un modello informatico specializzato, progettato per comprendere la forma di un battito cardiaco. Questo modello scompone il segnale in diversi strati di frequenza, molto più simile al separare i bassi, la batteria e la voce in una canzone, per isolare il ritmo specifico del cuore dai suoni bruschi del camminare o del fare passi. Utilizza poi una rete di deep learning per ricostruire un'onda pulita e fluida del battito cardiaco, rimuovendo efficacementamente l'interferenza che altrimenti renderebbe impossibile la lettura. Infine, il sistema confronta questa forma d'onda pulita con un modello noto per contare i battiti al minuto. I ricercatori hanno testato questo sistema su otto persone in un corridoio chiuso, facendole stare ferme, camminare in avanti e camminare all'indietro, utilizzando un braccialetto intelligente per verificarne l'accuratezza.

I risultati dimostrano che questo approccio a due stadi funziona sorprendentemente bene in situazioni dinamiche in cui i metodi precedenti falliscono. Quando i soggetti erano in movimento, le tecniche tradizionali di elaborazione del segnale producevano errori spesso grandi e inconsistenti, con alcune stime che mancavano il vero battito cardiaco di oltre venti battiti al minuto. Al contrario, il nuovo metodo ha mantenuto la sua accuratezza, con un errore medio di poco superiore ai due battiti al minuto. Nei test in cui il sistema è stato applicato a diversi ambienti, come una sala riunioni e un ufficio affollato, ha mantenuto un alto livello di precisione, con errori rimasti sotto i quattro battiti al minuto anche quando più persone si muovevano intorno. I ricercatori hanno scoperto che il loro metodo ha superato diversi altri modelli informatici avanzati e tecniche di filtraggio standard, dimostrando che combinare un sistema di tracciamento intelligente con una potente rete di ricostruzione è una via percorribile.

Sebbene lo studio dimostri progressi significativi, gli autori osservano che il loro attuale successo si basa su dati che hanno creato simulando l'interferenza del movimento su segnali puliti, e che non hanno ancora testato il sistema su un gruppo massiccio e diversificato di persone nel mondo reale. Evidenziano inoltre che il sistema attualmente funziona meglio con un'unica unità radar e una singola persona, e che scenari complessi con molte persone in movimento presentano ancora delle sfide. Tuttavia, la scoperta fondamentale è chiara: individuando prima il corretto percorso di movimento e poi utilizzando un framework ibrido di deep learning per ricostruire il battito cardiaco, è possibile monitorare la frequenza cardiaca con precisione anche quando una persona è in movimento. Questa scoperta suggerisce un futuro in cui il monitoraggio dei segni vitali può essere davvero senza contatto e affidabile, permettendo un monitoraggio continuo della salute senza la necessità di fasce, sensori o attacchi fisici al corpo.