⚡ electrical engineering

Synergistic Blood Pressure Estimation via Contactless mmWave Radar and Imaging Photoplethysmography: A Feasibility Study

Deze haalbaarheidsstudie toont aan dat een duaal-modaal systeem dat contactloze gezichtsimagerie fotoplethysmografie (iPPG) en mmWave-radar combineert, verwerkt door een nieuwe BiLSTM-MS-DiCNN deep learning-architectuur, een nauwkeurige, niet-invasieve bloeddrukmeting bereikt met een gemiddeld absoluut verschil van ongeveer 4,6 mmHg over diverse fysiologische toestanden.

Oorspronkelijke auteurs: Boyuan Gu, Haiyang Sun, Yongjie Liu, Guangji Ma, Guanghao Sun, Xiaorong Ding

Gepubliceerd 2026-06-15

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Boyuan Gu, Haiyang Sun, Yongjie Liu, Guangji Ma, Guanghao Sun, Xiaorong Ding

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de druk in een tuinslang probeert te meten zonder deze aan te raken. Als je alleen kijkt naar het water dat aan het uiteinde van de slang spat (het "distale" signaal), krijg je misschien een goed idee, maar als de zon te fel schijnt of het water troebel is, kan je schatting er flink naast zitten. Als je alleen luistert naar de pomp aan het begin van de slang (het "proximale" signaal), weet je wanneer het water begint te stromen, maar je weet niet hoe hard het drukt tegen de tijd dat het het uiteinde bereikt.

Dit artikel presenteert een nieuwe manier om de bloeddruk te meten zonder de persoon aan te raken. In plaats van te vertrouwen op slechts één methode, hebben de onderzoekers twee verschillende "zintuigen" gecombineerd om een veel duidelijker beeld te krijgen.

De Twee "Zintuigen"

De onderzoekers hebben een systeem gebouwd dat gebruikmaakt van twee camera's/sensoren die samenwerken:

De "Gezichtscamera" (iPPG): Deze kijkt naar het gezicht van de persoon. Het gebruikt een standaard videocamera om minuscule veranderingen in de huidskleur te detecteren die worden veroorzaakt door het bloed dat door het gezicht pompt. Denk hierbij aan het kijken naar het water dat aan het uiteinde van de slang spat om te zien hoe snel het stroomt.
De "Rugradar" (mmWave): Dit is een radarsensor die achter de rug van de persoon is geplaatst. Deze kan ongelooflijk kleine trillingen in de borst detecteren die worden veroorzaakt door het hart dat klopt. Denk hierbij aan het luisteren naar de pomp aan het begin van de slang om precies te horen wanneer het water wordt weggeduwd.

Door het "wanneer" van de rugradar te combineren met het "wat" van de gezichtscamera, kan het systeem berekenen hoe lang het duurt voordat de bloedpuls van het hart naar het gezicht reist. In de natuurkunde is deze reistijd een cruciale aanwijzing om de bloeddruk te bepalen.

De "Hersenen" van het Systeem

Het lastige deel is dat het signaal van het gezicht (een video) en het signaal van de rug (een radargolf) er heel verschillend uitzien. Het is alsof je probeert een schilderij te mengen met een lied; ze passen niet van nature bij elkaar.

Om dit op te lossen, hebben de onderzoekers een speciale computerbrein gecreëerd (een AI genaamd BiLSTM-MS-DiCNN).

De "Tijdreiziger" (BiLSTM): Dit deel van de hersenen kijkt naar de signalen over de tijd heen en onthoudt wat er een seconde geleden gebeurde om te begrijpen wat er nu gebeurt. Het is als een dirigent die het ritme van de muziek bewaakt.
De "Zoomlens" (MS-DiCNN): Dit deel kijkt naar de details. Het kan inzoomen op piepkleine uitschieters in het signaal en uitzoomen om de grote golfvorm te zien. Het helpt het systeem om de unieke vorm van de hartslag te begrijngen, of het nu een kalme slag is of een snelle na het hardlopen.

Het Experiment: Testen in het Veld (Eigenlijk Niet)

Het team heeft dit systeem getest op 15 gezonde jonge vrijwilligers in een rustige laboratoriumomgeving. Ze bleven niet alleen stilzitten; ze onderwierpen de vrijwilligers aan drie verschillende scenario's om te zien of het systeem kon bijhouden:

Stilzitten: De basistest.
Diep ademhalen: Langzaam en diep ademhalen om de druk in de borstkas te veranderen.
Na het hardlopen: Een korte jog om het hart sneller te laten kloppen en de bloeddruk snel te laten veranderen.

Ze testten ook hoe goed het systeem omging met "slecht weer" (metaforisch). Ze simuleerden:

Slechte Verlichting: Het maken van de video te fel (overbelicht) of te donker (onderbelicht).
Statische Ruis: Het toevoegen van "sneeuw" aan de video, zoals bij een oude tv.
Compressie: Het maken van een video met lage kwaliteit, zoals een schokkerige videogesprek.

Wat Ze Vonden

De resultaten waren veelbelovend, vooral in vergelijking met het gebruik van slechts één sensor:

De Kracht van Twee: Wanneer het systeem zowel de gezichtscamera als de rugradar gebruikte, was het veel nauwkeuriger dan wanneer het alleen de camera of alleen de radar gebruikte.
- Analogie: Als je probeert de temperatuur te raden door alleen naar een thermometer te kijken, heb je misschien gelijk. Maar als je ook de lucht voelt met je hand, krijg je een veel beter en betrouwbaarder antwoord.
Omgaan met Slechte Signalen: Wanneer de onderzoekers de gezichtsvideo erg slecht maakten (te donker of ruisig), faalde het systeem dat alleen de camera gebruikte volledig. Echter, het systeem dat beide sensoren gebruikte, bleef goed functioneren. De radar fungeerde als een vangnet dat de informatie opving die de camera miste.
Nauwkeurigheid: Onder normale omstandigheden week het systeem gemiddeld ongeveer 4,7 mmHg af voor de systolische (bovenste getal) en 4,6 mmHg voor de diastolische (onderste getal) druk. Dit wordt beschouwd als zeer goed voor een contactloze methode.
Geen Kalibratie Nodig (Grotendeels): Normaal gesproken moeten deze apparaten eerst gekalibreerd worden met een traditionele manchet om de arm. Dit systeem kon nog steeds werken zonder kalibratie, hoewel het iets beter werd als het de tijd kreeg om slechts enkele seconden de basislijn van de persoon te "leren".

De Kern van het Verhaal

Dit artikel bewijst dat het mogelijk is om de bloeddruk te meten zonder de huid aan te raken door een gezichtscamera en een rugradar te combineren. De "hersenen" die zij hebben gebouwd, hebben succesvol geleerd hoe ze deze twee zeer verschillende signalen kunnen mengen om bloeddrukveranderingen te volgen, zelfs wanneer de persoon bewoog, diep ademde of wanneer de verlichting slecht was.

De studie is een "haalbaarheidsstudie", wat betekent dat het laat zien dat het idee werkt in een gecontroleerde laboratoriumsetting met gezonde mensen. Er wordt niet beweerd dat het al klaar is voor gebruik in ziekenhuizen, maar het bewijst dat het concept solide is en een grote stap kan zijn naar pijnloze, continue bloeddrukmonitoring in de toekomst.

Technische Samenvatting: Synergetische Bloeddrukmeting via Contactloze mmWave Radar en Imaging Fotoplethysmografie

1. Probleemstelling

Continue, contactloze bloeddrukmonitoring (NCBP) is cruciaal voor het beheer van cardiovasculaire ziekten, maar bestaande single-modality benaderingen kampen met inherente fysieke beperkingen. Imaging Fotoplethysmografie (iPPG), die distale optische volumetrische fluctuaties vastlegt, is zeer gevoelig voor omgevingsartefacten (bijv. instabiele verlichting) en huidskleurgevoeligheid. Daarentegen mist Frequency-Modulated Continuous Wave (FMCW) millimetergolf (mmWave) radar, die proximale cardiale micromoties (Radar Motion Signals, RMS) vastlegt, het perifere arteriële zicht dat vereist is om onafhankelijk transit-gebaseerde bloeddruksurrogaten te berekenen. Bov�ijn vertonen bestaande dual-modality frameworks vaak een afhankelijkheid van rudimentaire feature-level fusie (bijv. scalaire Pulse Transit Time berekening via peak detectie), wat kwetsbaar is voor fase-misalignement en transiënte bewegingsartefacten. Er is een gebrek aan systematisch onderzoek naar deep learning-paradigma's die in staat zijn deze heterogene signalen te fuseren om morfologische verschillen en omgevingsbeperkingen te overwinnen.

2. Methodologie

2.1 Fysiologische Basis en Sensorgesteldheid

De studie stelt een synergetisch dual-modality sensorgesteldheid voor die gezichtsiPPG integreert met mmWave radar gericht op de achterzijde.

Fysiologisch Model: De benadering is geworteld in de Moens-Korteweg en Hughes vergelijkingen, die Bloeddruk (BP) relateren aan Pulse Wave Velocity (PWV) en Pulse Transit Time (PTT). Het framework beoogt een contactloze PTT (ncPTT) surrogaat te vangen door de proximale cardiale ejectie-gebeurtenis (gedetecteerd via RMS) uit te lijnen met de distale polsslag aankomst (gedetecteerd via iPPG).
Hardwareconfiguratie:
- iPPG: Een hoogprecisie RGB-camera legt gezichtsvideo (30 Hz) vast vanaf 50 cm voor het subject.
- mmWave Radar: Een 24 GHz FMCW radar is geplaatst op 50 cm achter het subject, gericht op de posterieure romp. Deze "achterwaarts gerichte" configuratie maakt gebruik van het contact van het subject met een stoel om macroscopische lichaamsbewegingen te onderdrukken, waardoor subtiele cardiomechanische trillingen worden geïsoleerd.
- Ground Truth: Een klinisch graad Continuous Non-Invasive Arterial Pressure (CNAP) systeem levert beat-to-beat SBP en DBP referenties.

2.2 Signaalverwerking

iPPG Extractie: Het forehead Region of Interest (ROI) wordt verwerkt met de CHROM kleurruimte combinatie. Het signaal ondergaat zero-phase filtering en Successive Variational Mode Decomposition (SVMD) om verlichtingsartefacten te mitigeren en de volumetrische baseline te stabiliseren.
RMS Extractie: De complexe I/Q stream van de radar wordt omgezet naar een unwrapped fase-trajectorie. Een zero-phase 4e-orde Butterworth low-pass filter (4 Hz cutoff) en SVMD worden toegepast om de cardiomechanische component (0.8–2 Hz) te isoleren, wat effectief de initiële systolische ejectie-gebeurtenis reconstrueert.
Synchronisatie: Beide stromen worden gedownsampled naar 30 Hz en temporeel uitgelijnd. Een 5-seconden buffer wordt van de signaalextremiteiten afgesneden om randeffecten tijdens filtering te vermijden.

2.3 Deep Learning Architectuur: BiLSTM-MS-DiCNN

Om de morfologische discrepantie tussen 1D mechanische radar golven en hoogdimensionale optische fluctuaties aan te pakken, stellen de auteurs een end-to-end deep learning netwerk voor:

Input: Gesynchroniseerde dual-channel sequenties (iPPG en RMS) vensterachtig verdeeld in 120 tijdstappen (4 seconden).
BiLSTM Branch: Modelleert langetermijn temporele afhankelijkheden en hemodynamisch geheugen door sequenties in zowel voorwaartse als achterwaartse richting te verwerken, gevolgd door Global Average Pooling.
MS-DiCNN Branch: Adresseert ruimtelijke morfologische verschillen met behulp van Multi-Scale Dilated Convolutions (dilatie rates $d=1, 2, 4$ ) om features te vangen op verschillende schalen zonder resolleverlies. Een Squeeze-and-Excitation (SE) attention mechanisme herkalibreert kanaalresponsen om te focussen op fysiologisch relevante features.
Adaptive Fusion & Subject Adaptation Module (SAM): De latente vectoren van beide branches worden adaptief gefuseerd. De SAM maakt gebruik van een korte initiële kalibratiefase (de eerste 10% van de data van een nieuwe proefpersoon) om het netwerk fijn af te stemmen op individuele arteriële compliantie en baseline vasculaire tonus, wat inter-subject variabiliteit aanpakt.

2.4 Experimentele Opstelling

Deelnemers: 15 gezonde vrijwilligers (9 man, 6 vrouw; leeftijd 22 ± 3 jaar).
Protocollen: Data werd verzameld onder drie verschillende hemodynamische staten om robuustheid te testen:
1. Zittend (Sit): Normale ademhaling (baseline).
2. Diepe Ademhaling (DB): Geïnduceerde Respiratory Sinus Arrhythmia (RSA) en intrathoracale drukvariaties.
3. Na Inspanning (Ex): Hoogfrequente cardiale pieken en verstoorde ademhaling na een hardloopronde van 2 minuten.
Validatiestrategie: Een Leave-One-Subject-Out (LOSO) cross-validatie protocol werd afgedwongen om datalekken te voorkomen. Synthetische degradaties (Gaussische ruis, over/onderexpositie, H.264 compressie) werden toegepast op het iPPG kanaal om robuustheid te evalueren.

4. Belangrijkste Resultaten

4.1 Prestaties onder Standaardcondities

Onder rustcondities bereikte het dual-modality framework:

Systolische Bloeddruk (SBP): Mean Absolute Difference (MAD) van 4.71 mmHg, Root Mean Square Difference (RMSD) van 6.13 mmHg, en $R^2$ van 0.85.
Diastolische Bloeddruk (DBP): MAD van 4.60 mmHg, RMSD van 5.76 mmHg, en $R^2$ van 0.87.
Deze resultaten vallen binnen de veel geciteerde AAMI-stijl foutmarges (5 ± 8 mmHg). Het model behield consistente prestaties tijdens fysiologische perturbaties (Diepe Ademhaling: SBP MAD 6.35 mmHg; Na Inspanning: SBP MAD 5.33 mmHg).

4.2 Vergelijking met Single-Modality en Baselines

Dual vs. Single Modality: De dual-modality benadering presteerde significant beter dan de iPPG-alleen en RMS-alleen baselines. Single-modality modellen vertoonden een hogere foutdispersie (SDE > 9 mmHg voor RMS-alleen), terwijl het gefuseerde model artefacten onderdrukte en de stabiliteit verbeterde.
Modelvergelijking: Het voorgestelde BiLSTM-MS-DiCNN presteerde beter dan traditionele regressoren (XGBoost, SVR, GPR) en een dual-stream Feedforward Neural Network (FNN) in termen van nauwkeurigheid en computationele efficiëntie (Modelgrootte < 1 MB; inferentietijd ~30s op GPU).

4.3 Robuustheid tegen Signaaldegradatie

Wanneer iPPG-signalen werden gedegradeerd door Gaussische ruis, overexposure of underexposure:

Het iPPig-alleen model leed onder significante prestatievermindering (bijv. SBP MAD steeg van 5.35 mmHg naar 9.98 mmHg onder underexposure).
Het Dual-Modality model behield lage foutmarges (SBP MAD ~5.3–5.4 mmHg) en hoge correlatie ( $R^2 > 0.7$ ), wat aantoont dat de mmWave radar de optische signaaldegradatie effectief compenseert.

4.4 Ablatie en Kalibratie Analyse

Ablatie: Het verwijderen van een kerncomponent (BiLSTM, MS-DiCNN, dilatatie, of fusie) resulteerde in drastische prestatieverslechtering (bijv. het verwijderen van MS-DiCNN verhoogde SBP MAD naar 12.54 mmHg), wat de noodzaak van elke module bevestigt.
Kalibratie: Het model behoudt een meetbare baseline capaciteit zelfs zonder kalibratie (0% kalibratie ratio: SBP MAD 7.52 mmHg). Prestaties verbeteren met een korte kalibratie (10% ratio), waarbij de SBP MAD daalt naar 4.71 mmHg, wat aangeeft dat SAM personalisatie bevordert maar niet strikt vereist is voor de werking van het model.

4.5 Fysiologische Interpreteerbaarheid

Een lineaire probe analyse bevestigde dat de interne gefuseerde features van het netwerk de contactloze PTT-informatie coderen, met een Pearson correlatie van $r = 0.726$ ( $p < 10^{-30}$ ) met de ground-truth ncPTT. Dit suggereert dat het model impliciet de fysiologisch relevante timingrelatie leert tussen proximale ejectie en distale aankomst.

5. Betekenis en Claims

Het artikel claimt dat deze studie een haalbaarheidsdemonstratie biedt van een synergetisch dual-modality sensorgesteldheid voor NCBP-monitoring. Belangrijke bijdragen zijn:

Haalbaarheid van Face-Back Fusie: Validatie dat het combineren van gezichtsiPPG met achterwaarts gerichte mmWave radar effectief de single-modality omgevingsgevoeligheden mitigeert en complementaire randvoorwaarden van de cardiovasculaire boom biedt.
Architecturale Innovatie: De ontwikkeling van het BiLSTM-MS-DiCNN netwerk adresseert succesvol de morfologische discrepantie tussen heterogene signalen, wat end-to-end mapping mogelijk maakt zonder fragiele tussenliggende feature extractie.
Robuustheid: Het framework demonstreert dat mmWave radar kan fungen als een compenserende modaliteit wanneer optische signalen gecompromitteerd zijn, een cruciale vereiste voor real-world implementatie.
Fysiologische Uitlijning: Het vermogen van het model om PTT-informatie impliciet te coderen ondersteunt de validiteit van de deep learning benadering als een fysiologisch gefundeerde methode in plaats van een "black box".

De auteurs benadrukken dat hoewel de resultaten veelbelovend en competitief zijn met de huidige stand van de techniek voor contactloze methoden, de studie beperkt is tot een gecontroleerde cohort van 15 jonge, gezonde deelnemers. Toekomstig werk wordt geïdentificeerd als noodzakelijk om diverse demografieën, pathologische gevallen en klinische trials met gecertificeerde medische apparaten te omvatten.