基于雷达信号的无接触心脏特征提取算法综述：进展与挑战

作者与出版物信息 本文《An Overview of Algorithms for Contactless Cardiac Feature Extraction from Radar Signals: Advances and Challenges》由 Yuanyuan Zhang（西安交通大学-利物浦大学）、Rui Yang（西安交通大学-利物浦大学）、Yutao Yue（江苏产业技术研究院深度感知技术研究所）、Eng Gee Lim（西安交通大学-利物浦大学）和 Zidong Wang（布鲁内尔大学伦敦分校）合作撰写，并于2023年发表在 IEEE Transactions on Instrumentation and Measurement 期刊上。

论文主题与定位 本文是一篇系统性综述论文，主题聚焦于利用雷达信号进行无接触心脏监测中的核心环节——心脏特征提取算法。文章明确指出，尽管基于雷达的无接触心脏监测在智能家居、舱内监测等未来场景中潜力巨大，且雷达相较于摄像头、声学传感器等其他无接触传感器在准确性、鲁棒性和隐私保护方面具有综合优势，但该领域的研究长期侧重于雷达架构设计和基带信号处理，而对从接收到的雷达信号中提取心脏特征的具体算法缺乏系统性的梳理与总结。鉴于此，本文旨在填补这一空白，首次对雷达心脏特征提取算法进行全面综述，并特别关注了近年来迅速发展的深度学习方法。

主要内容与核心论点

论点一：提出了一种新的算法分类法，系统梳理并详解了四大类心脏特征提取算法的原理、应用、优势与局限。 为超越传统基于时/频域或直接/间接监测的粗粒度分类，本文提出了一种基于算法核心原理的新分类法，将现有算法归纳为四大类，并逐一进行深入剖析。 1. 基于频谱的方法：此类方法的核心是将时域信号转换至频域，利用心率（HR）与呼吸率（RR）在频谱上的分离（通常HR在1-1.6 Hz，RR在0.1-0.5 Hz）来提取心率频率。其通用流程包括：对解缠相位信号进行时频变换（如FFT），滤除RR及其谐波等噪声频率成分，最后识别频谱上的主导峰作为心率。文章详细介绍了该类方法的多种演进形式： * 改进滤波器的FFT：针对固定通带滤波器无法适应心率变化或滤除落在心率频带内噪声（如高阶RR谐波）的问题，研究采用了滤波器组、基于心电信号训练的Gamma滤波器或自适应噪声抵消滤波器。 * 结合微分器的FFT：利用心跳引起的位移加速度大于呼吸的原理，对信号进行微分以抑制RR谐波并增强心率成分。研究探讨了不同阶次微分器的效果，并提出了噪声鲁棒微分器以避免放大高频噪声。 * 短时傅里叶变换：使用滑动窗口克服FFT对长观测时间和信号截断的要求，实现更高时间分辨率的频谱分析，支持更短时间窗口的心率估计。 * 离散余弦变换与余弦变换：通过改变基函数或采用多相位基，解决STFT中主瓣和旁瓣较宽的问题，提高频率分辨率并减轻相位未对齐和非线性干扰的影响。 * 小波变换：作为一种优秀的时频分析工具，WT通过可调的母小波和尺度因子，能同时分解信号的频率和时间特征，适用于瞬态信号分析。它既可作为主要算法直接提取特征，也可用于信号预去噪。 * 支持论据：文章通过引用多篇文献（如[28], [31], [32], [40], [42], [65-75]等）详细说明了每种子方法的具体实现、应对的挑战（如体动噪声RBM、RR谐波）以及性能比较。

1. 基于周期性的方法：此类方法利用心脏活动的天然周期性，通过概率模型或形态学模板来识别被噪声掩盖的周期性模式。

   • 基于微分的峰值检测：在时域或频域信号上检测周期性出现的峰值（对应心跳），并通过设定幅度阈值、时间阈值（基于经验的心跳间期BBI）或动态规划、解码峰值检测等算法来区分心跳峰值与噪声峰值。
   • 自相关函数：将心跳信号建模为周期性正弦函数，通过计算信号的自相关来揭示其周期性，自相关函数的周期性峰值间隔对应于心率。也有研究将其思想扩展为计算自相似矩阵热图，供后续处理。
   • 基于模板的互相关：通过测量预定义的心脏形态模板与信号段之间的相似性来定位心跳。模板可分为两种：基于时域波形（如重搏波切迹）的模板，以及基于从波形中提取的序列特征（如峰值、谷值）的模板。方法包括固定模板匹配、自适应模板更新以及CNN辅助的模板匹配。
   • 隐马尔可夫模型：将心跳周期建模为包含收缩期、舒张期等多个隐藏状态的序列，通过训练HMM模型从观测到的雷达信号中推断这些隐藏状态，进而计算心跳间期等特征。改进的隐半马尔可夫模型考虑了各状态持续时间不均等的特性。
   • 支持论据：文章结合图示（如图5，图6，图7）和大量参考文献（如[4], [15], [20], [22], [30-33], [76-85]等），解释了各类方法如何利用周期性特征，并讨论了模板适应性、对异常事件的检测能力等关键问题。

2. 盲源分离方法：此类方法将接收到的雷达信号视为多种源信号（心跳、呼吸、体动、多径干扰等）的非线性混合，旨在根据不同的准则分解混合信号并分离出心跳成分。

   • 多重信号分类：基于特征结构，将信号分解为若干个正交的信号子空间。通过特征值分解，将协方差矩阵分解为信号子空间和噪声子空间，从而估计包含心脏特征的信号分量。关键参数是假设的源信号数量p。
   • 独立成分分析：旨在将混合信号分解为统计上尽可能独立的若干成分。其核心是估计一个解混矩阵，使得输出成分的统计独立性最大。对于单雷达系统，需要生成伪观测信号以满足ICA对观测信号数量的要求。
   • 经验模态分解：一种自适应时频分析方法，通过迭代将信号分解为多个本征模态函数（IMF）和一个残差。其中部分IMF包含心跳信息。为克服传统EMD的模态混叠问题，引入了集成EMD（通过添加高斯白噪声）及其改进版本。
   • 变分模态分解与稀疏信号重构：VMD假设心跳信号在频谱上具有窄带（稀疏）特性，通过非递归方式将信号分解为若干窄带IMF。SSR方法则基于心跳在时域的自然稀疏性，通过求解优化问题来重构稀疏的心跳信号。
   • 支持论据：文章通过数学公式和原理示意图（如图9，图10），并结合相关研究（如[9], [24], [25], [26], [27], [35-39], [86-95]等），阐述了各类BSS方法如何基于正交性、统计独立性、时间尺度特征或信号稀疏性等准则实现信号分离。

3. 深度学习方法：利用深度神经网络强大的非线性拟合能力，直接从雷达信号中学习并提取精细的心脏特征信号。

   • 卷积神经网络：主要用于从雷达信号中重建精细的心电图或心震图等波形。常见的结构包括多层CNN、编码器-解码器结构，或结合Transformer模块以同时编码时空特征。
   • 长短期记忆网络：适用于序列到序列的翻译任务，能够记忆输入信号的长期依赖关系，适合从雷达信号序列生成心脏特征序列。变体包括CNN-LSTM（结合空间特征提取）和双向LSTM（考虑双向时间依赖）。
   • 深度对比学习：一种自监督学习方法，无需地面真实心脏信号即可学习特征。其核心思想是通过构建正样本（增强的观测信号）和负样本（破坏时间结构的随机置换信号），训练模型学习区分与心跳相关的特征表示。
   • 支持论据：文章通过结构示意图（如图11，图12）和近年来的代表性研究（如[3], [20], [23], [26], [28], [85], [96], [97]等），说明了深度学习模型如何实现端到端的精细心脏特征提取，并指出了其对大规模数据集的依赖和计算资源要求高的特点。

论点二：全面汇总并评估了包含同步雷达信号与地面真实心脏特征的公共数据集，为研究者提供了重要资源指引。 文章指出，随着深度学习方法的兴起，高质量公共数据集的重要性日益凸显。为此，本文系统性地列出了六个公开可用的数据集（如表III所示），并详细评估了每个数据集的关键配置（如雷达类型、频率、监测距离、场景、地面真实信号类型、数据时长、参与者数量）及其潜在应用价值。例如，Shi等人的数据集包含心音信号，适合研究雷达心音检测；Schellenberger等人的数据集时长24小时并包含特殊测试程序，适合评估心率变异性检测算法的敏感性；Yoo等人的数据集来自儿童，适合新研究者入门；Gong和Chen等人的数据集包含行走等多种复杂场景，适用于开发鲁棒性算法。文章指出，这些公共数据集有助于研究者验证算法、进行公平比较，并避免重复收集数据，但也强调现有数据集的数量和场景覆盖面仍不足，鼓励未来发布更多高质量数据集。

论点三：深入分析了各类算法的优缺点，并系统性地指出了该领域当前面临的主要挑战与未来研究方向。 1. 算法评估：文章通过表格（表IV）和文字详细对比了四类算法的优缺点。频谱方法成熟、实时性好、计算资源需求低，但对突发性心率变异不敏感，且易受同频带噪声干扰。周期性方法能进行精细事件分割，对非周期性噪声免疫，但依赖先验知识或模板，对新个体或异常事件的适应性可能不足。盲源分离方法无需强周期性假设，能进行非线性分解，但性能对参数选择敏感，且成分选择具有挑战性。深度学习方法性能强大，能提取精细特征并建模复杂关系，但依赖大规模、全特征数据集，模型复杂且难以在资源受限设备上实时部署。 2. 主要挑战： * 体动：剧烈或持续的体动仍会严重扭曲雷达信号，现有算法大多只能容忍轻微或突发性体动。 * 复杂电磁环境：实际环境中的多设备射频干扰和多径传播效应对监测的影响研究不足，尤其在狭小空间（如舱内）中挑战更大。 * 远距离监测：监测距离增加会导致信噪比下降、背景杂波增强，现有研究多局限于短距离（0.3-2米）。 * 雷达朝向与自身移动：最优朝向（胸部）在实际应用中难以保证；雷达平台自身振动引入的噪声难以用单雷达消除。 * 心率变异与心率范围：检测大幅度或异常心率变异的能力有限，相关真实患者数据匮乏；预设的窄心率频带无法覆盖运动后的较高心率。 3. 未来方向： * 用于时空特征提取的深度学习：结合不同深度学习模块（如注意力机制）以同时提取时空特征，并探索与预处理方法（如EEMD去噪）的结合。 * 面向异常心脏特征的数据增强：开发先进的数据增强技术，以生成可用于训练异常心脏事件检测模型的合成数据。 * 从其他心脏信号进行迁移学习：利用丰富的纯ECG或PCG-ECG数据集预训练模型，再使用少量雷达-ECG数据微调，以解决个体差异和数据不足问题。 * 精细心脏特征提取的评估指标：需要超越均方误差的新指标，以更好地保留对医学诊断至关重要的信号峰值和形态特征。 * 心脏特征提取前的信噪比提升：从天线设计（如相控阵雷达）、数字波束成形技术或可编程无线环境等方面入手，在算法处理前提高原始信号质量，特别是对于远距离监测场景。

论文的价值与意义 本文具有重要的学术价值和实践指导意义。首先，作为该领域首篇专注于心脏特征提取算法的系统性综述，它为新研究者提供了快速了解算法发展脉络、核心原理及适用场景的指南。其次，提出的新分类法超越了传统分类的局限性，有助于研究者更清晰地把握各类算法的本质。第三，对公共数据集的详尽汇总与评估为社区提供了宝贵资源，促进了研究的可重复性与可比性。最后，对算法优劣的批判性分析以及对未来挑战和方向的深入探讨，为后续研究指明了突破口，将推动基于雷达的无接触心脏监测技术向更鲁棒、更精细、更实用的方向发展，最终服务于智能医疗、健康监护等广阔应用场景。