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

Stel je voor dat je probeert naar een enkele hartslag te luisteren in een kamer waar de muren trillen, de vloer vibreert en een menigte rondbeweegt. Decennialang hebben medische sensoren precies met dit probleem te maken gehad wanneer ze afhankelijk zijn van contact. Als een persoon beweegt, glijdt het apparaat weg, breekt het signaal af, of overstemt de beweging van het lichaam de kleine, ritmische dreun van het hart. Deze beperking heeft continue, comfortabele hartmonitoring onbereikbaar gehouden voor veel dagelijkse situaties, van rondlopen in een ziekenhuis tot sporten in de thuissituatie. Wetenschappers zoeken al lang naar een manier om deze vitale functies te meten zonder de huid aan te raken, door gebruik te maken van onzichtbare golven die door de lucht kunnen reizen om de subtiele stijging en daling van een borstkas te detecteren. De uitdaging is altijd geweest om het zwakke signaal van een kloppend hart te scheiden van de luide, chaotische ruis van een bewegend lichaam.

Een team onderzoekers aan de Northwest University in Xi'an heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen met behulp van millimetergolfradar, een technologie die onschadelijke radiogolven uitzendt om beweging waar te nemen. Hun methode werkt in twee afzonderlijke fasen, waarbij het eerst werkt als een bekwame tracker en daarna als een verfijnd geluidstechnicus. In de eerste fase kiest het systeem niet simpelweg één vast punt om naar te luisteren, wat zou falen als de persoon van dat punt weg beweegt. In plaats daarvan observeert het de beweging van de persoon over een kaart van ruimte en tijd, waarbij het twee verschillende manieren van het volgen van hun pad combineert om de meest betrouwbare route te vinden. Zodra het systeem op dit pad is vergrendeld, extraheert het een ruwe datastroom die de beweging van de borstkas vastlegt, zelfs terwijl de persoon loopt of van positie verandert. Deze stap is cruciaal omdat het ervoor zorgt dat het systeem naar de juiste persoon luistert, en niet naar de achtergrondruis of een spooksignaal veroorzaakt door beweging.

De tweede fase neemt deze ruwe, ongezuiverde stroom en reinigt deze met behulp van een gespecialiseerd computermodel dat ontworpen is om de vorm van een hartslag te begrijpen. Dit model breekt het signaal op in verschillende frequentielagen, vergelijkbaar met het scheiden van de bas, de drums en de zang in een lied, om het specifieke ritme van het hart te isoleren van de schokkerige geluiden van lopen of stappen. Vervolgens gebruikt het een deep learning-netwerk om een heldere, vloeiende golfvorm van de hartslag te reconstrueren, waardoor de interferentie die anders een meting onmogelijk zou maken, effectief wordt verwijderd. Ten slotte vergelijkt het systeem deze zuivere golfvorm met een bekende sjabloon om het aantal hartslagen per minuut te tellen. De onderzoekers testten dit systeem op acht personen in een gesloten gang, waarbij de proefpersonen stilstonden, vooruit liepen en achteruit liepen, terwijl ze een slimme armband droegen om de nauwkeurigheid te verifiëren.

De resultaten laten zien dat deze tweefasige aanpak bijzonder goed werkt in dynamische situaties waarin oudere methoden falen. Wanneer de proefpersonen bewogen, produceerden traditionele signaalverwerkingsmethoden fouten die vaak groot en inconsistent waren, waarbij sommige schattingen de werkelijke hartslag met meer dan twintig slagen per minuut misten. In contrast hiermee behield de nieuwe methode haar nauwkeurigheid, met een gemiddelde fout van slechts iets meer dan twee slagen per minuut. In tests waarbij het systeem werd toegepast in verschillende omgevingen, zoals een vergaderruimte en een drukke kantooromgeving, behield het een hoog niveau van precisie, waarbij de fouten onder de vier slagen per minuut bleven, zelfs wanneer meerdere mensen rondbeweegden. De onderzoekers ontdekten dat hun methode verschillende andere geavanceerde computermodellen en standaard filtertechnieken overtrof, wat bewijst dat het combineren van een slim trackingsysteem met een krachtig reconstructienetwerk een levensvatbaar pad voorwaarts is.

Hoewel de studie significante vooruitgang aantoont, merken de auteurs op dat hun huidige succes steunt op data die zij hebben gecreëerd door bewegingsinterferentie op zuivere signalen te simuleren, en dat zij het systeem nog niet hebben getest op een enorme, diverse groep mensen in de echte wereld. Ze wijzen er ook op dat het systeem momenteel het beste werkt met een enkele radarunit en één persoon, en dat complexe scenario's met veel bewegende individuen nog steeds uitdagingen bieden. De kernbevinding is echter duidelijk: door eerst het juiste bewegingspad te lokaliseren en vervolgens een hybride deep learning-framework te gebruiken om de hartslag te reconstrueren, is het mogelijk om hartfrequenties nauwkeurig te monitoren, zelfs wanneer een persoon in beweging is. Deze doorbraak suggereert een toekomst waarin monitoring van vitale functies echt contactloos en betrouwbaar kan zijn, waardoor continue gezondheidsmonitoring mogelijk wordt zonder de noodzaak van bandjes, sensoren of fysieke bevestiging aan het lichaam.