编辑推荐：
为解决传统心电图（ECG）因接触式测量难以捕捉早期心房颤动（AF）的问题，研究人员开展非接触式 AF 检测研究。利用 AI 驱动的雷达技术，分析心脏机械运动并结合知识迁移，在 6258 例门诊患者中实现高灵敏度（0.844）和特异性（0.995）检测，为 AF 终身监测提供新途径。
心房颤动（Atrial Fibrillation, AF）作为全球最常见的持续性心律失常之一，其隐匿性和间歇性特点一直是早期诊断的难题。传统心电图（Electrocardiogram, ECG）虽为诊断金标准，但依赖接触式测量，仅能在症状出现或偶发检查时使用，导致早期 AF 发作极易漏诊，错过干预时机。随着 AF 患病人数从 2010 年的 3350 万飙升至 2019 年的 5900 万，如何突破接触式监测的局限，实现无症状期的 AF 捕捉，成为心血管领域亟待解决的关键科学问题。
为攻克这一挑战，中国科学技术大学第一附属医院联合该校网络空间科学与技术学院等机构的研究团队，开展了一项突破性研究。团队开发了基于人工智能（Artificial Intelligence, AI）的非接触式无线电监测系统，通过毫米波雷达捕捉心脏机械运动，并结合知识迁移技术，将 ECG 积累的临床诊断知识转化为对心脏运动模式的解析能力。该研究成果发表在《Nature Communications》，为 AF 的早期预警和终身管理提供了全新技术路径。
研究采用的核心技术包括：
- 毫米波雷达系统：设计 60GHz 中心频率、4GHz 带宽的调频连续波（FMCW）雷达，利用 3.8 毫米波长信号捕捉毫米级心脏机械运动，穿透衣物等障碍物实现非接触测量。
- 知识迁移框架：构建 “教师 - 学生” 神经网络，教师模型基于 27485 例 ECG 数据（AFECG 数据集）学习 AF 电生理特征，学生模型通过跨模态特征聚焦，将 ECG 知识迁移至雷达信号分析，提升机械运动特征的识别精度。
- 大规模临床验证：在 6258 例门诊患者（含 229 例 AF）中同步采集雷达与 ECG 数据，采用 7 折交叉验证评估系统性能，并通过睡眠监测、手术前后动态跟踪等场景验证实际应用效果。
研究结果
1. 系统性能与临床等效性
在序列级（10 秒）和集合级（30 秒）分析中，系统分别实现 F1 分数 0.806 和 0.854，灵敏度 0.815 和 0.844，特异性 0.992 和 0.995，与 ECG 诊断性能相当。值得注意的是，系统对窦性心律不齐（SA）的特异性达 100%，表明其能有效区分 AF 与其他心律失常的机械特征差异。
2. 日常监测与早期预警能力
在 27 例睡眠监测受试者中，系统成功在临床诊断前检测到 2 例 AF，且通过呼吸自相关分析剔除体动干扰，序列级 AUROC 达 0.906，集合级诊断灵敏度和特异性均为 100%。仅需 42.5 分钟数据即可达到 0.96 的测试 - 重测信度，验证了其在日常生活场景中的可行性。
3. AF 病程动态追踪
对 5 例接受导管消融术的患者进行围手术期监测，系统清晰捕捉到 AF 状态向窦性心律的转变，每日集合级诊断与临床结果完全一致，序列级预测分数在 AF 与非 AF 状态间呈现显著差异，证明其对 AF 病程过渡的高灵敏度。
4. 与 ECG 的对比与互补性
与基于 ECG 的深度学习模型（MSDNN）相比，本系统在集合级 F1 分数（0.879 vs 0.893）接近，且随着数据量增加性能持续提升。SHAP 可视化显示，雷达信号聚焦于心脏机械运动的混沌特征，与 ECG 的电生理异常（如 P 波消失、颤动波）形成模态互补，为 AF 诊断提供多维度证据。
结论与意义
本研究构建的非接触式 AF 监测系统，突破了传统接触式检测的时空限制，通过雷达技术与知识迁移的融合，实现了从心脏机械运动到电生理特征的跨模态解析。其在大规模人群中的高诊断效能、日常场景的早期预警能力及病程动态追踪价值，为 AF 的全周期管理提供了 “无感式” 监测方案，有望推动心血管疾病防控从 “症状驱动” 向 “主动预防” 转型。未来，随着运动干扰消除算法的优化和更长周期数据的验证，该技术或可扩展至更多心律失常的无创诊断，开启无线传感在智慧医疗中的新范式。
研究同时指出，尽管系统在静态场景中表现优异，但动态体动干扰仍是提升日常适用性的关键挑战。此外，基于雷达信号的多类型心律失常分类（如心动过缓、心动过速）将是下一阶段的研究方向，为构建全面的 “无线心脏节律学” 奠定基础。
