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

想象一下，试图在一个墙壁在摇晃、地板在震动、人群在走动的房间里，去聆听单一的心跳声。几十年来，依赖接触式传感器的医疗传感器一直在努力应对这一难题。如果一个人移动，设备就会滑动，信号就会中断，或者身体的运动会淹没心脏那微弱而有节奏的跳动。这种局限性使得持续、舒适的心脏监测在许多日常场景中（从在医院内走动到在家中锻炼）都难以实现。科学家们长期以来一直在寻找一种无需接触皮肤的方法来测量这些生命体征，即利用可以穿过空气的无形波来探测胸腔细微的起伏。挑战始终在于如何将心脏跳动的微弱信号从移动身体产生的巨大且混乱的噪声中分离出来。

西安西北大学的一个研究小组开发了一种利用毫米波雷达解决这一问题的新方法，该技术通过发射无害的无线电波来感知运动。他们的方法分为两个截然不同的阶段，首先像一个熟练的追踪者，然后像一位精密的音响工程师。在第一阶段，系统并不仅仅是选择一个固定的位置进行监听，因为如果人离开了那个位置，监听就会失效。相反，它通过观察人在时空图谱中的运动轨迹，融合两种不同的追踪方式来找到最可靠的路径。一旦锁定这条路径，它就能提取出捕捉胸部运动的原始数据流，即使是在人行走或变换位置时也是如此。这一步至关重要，因为它确保了系统是在聆听正确的人，而不是背景噪声或由运动引起的虚假信号。

第二阶段利用一个专门设计的计算机模型来处理并净化这段原始且充满噪声的数据流，该模型旨在理解心跳的形态。这个模型将信号分解成不同的频率层，就像将一首歌中的低音、鼓点和人声分离一样，从而将心脏特定的节奏从行走或踏步带来的剧烈声音中分离出来。随后，它使用深度学习网络来重建清晰、平滑的心跳波形，有效地消除了那些本会让读取变得不可能的干扰。最后，系统将这一清晰的波形与已知模板进行对比，以计算每分钟的心跳次数。研究人员在一条封闭的走廊内对八个人进行了测试，让他们站立不动、向前行走以及向后行走，同时佩戴智能手环以验证准确性。

结果显示，这种双阶段方法在传统方法失效的动态场景中表现得非常出色。当受试者移动时，传统的信号处理技术产生的误差通常很大且不稳定，有些估算值与真实心率的偏差超过了每分钟二十次。相比之下，新方法保持了其准确性，平均误差仅为两跳左右。在将该系统应用于会议室和繁忙办公室等不同环境的测试中，它保持了极高的精度，即使在多人走动的情况下，误差也保持在每分钟四跳以下。研究人员发现，他们的方法优于几种先进的计算机模型和标准的滤波技术，证明了将智能追踪系统与强大的重建网络相结合是一种可行的路径。

尽管这项研究展示了显著的进展，但作者指出，他们目前的成功依赖于通过模拟运动干扰在纯净信号上产生的数据，并且尚未在现实世界中大规模、多样化的人群中测试该系统。他们还指出，该系统目前在单台雷达单元和单个人的情况下效果最好，而涉及多名移动人员的复杂场景仍然存在挑战。然而，核心发现是明确的：通过首先定位正确的运动路径，然后使用混合深度学习框架来重建心跳，即使在人体运动时也能准确地监测心率。这一突破预示着一个生命体征监测可以真正实现无接触且可靠的未来，让持续的健康追踪不再需要绑带、传感器或物理连接。