基于毫米波雷达的非接触式心电图特征点检测技术研究及其在心脏疾病诊断中的应用

本研究针对传统心电图(ECG)检测需皮肤接触导致患者不适的问题，创新性提出基于毫米波雷达的非接触式ECG特征点检测方法。通过构建DRSN-Unet语义分割网络模型，实现了对P波起始点、QRS波群起始点、R波峰值、QRS波群终止点和T波终止点等五个关键特征点的精准检测，平均F1-score达0.986。该技术为复杂心脏疾病的自动化诊断奠定了重要基础。

　　

心血管疾病长期占据全球非传染性疾病发病率和死亡率首位，传统心电图(ECG)检测虽能有效记录心脏电活动，但电极贴片接触式监测易造成患者不适，且Holter设备笨重影响日常活动。更棘手的是，早期心律失常常呈间歇性发作，常规体检难以捕捉。毫米波雷达凭借其非接触、高精度、穿透衣物等特性，成为生命体征监测的新兴技术，但其获取的雷达心动图(RCG)波形复杂，与ECG的映射关系存在个体差异，传统方法难以准确识别ECG特征点。

针对这一技术瓶颈，重庆自然科学基金等项目支持的研究团队在《Biomedical Journal》发表创新成果。研究人员首先通过二阶微分器从雷达射频信号中提取RCG信号，保留与ECG的节律一致性；随后构建DRSN-Unet网络模型，将深度残差收缩网络块(DRSN)融入U-Net架构，专门针对一维信号进行逐点语义分割。实验采用汉堡工业大学Sven教授团队公开数据集，包含30名健康志愿者的同步雷达与ECG数据。

方法创新
研究采用二阶微分器处理混合呼吸/心跳信号，避免传统信号分离技术导致的波形失真；设计的DRSN-Unet网络仅含2.042M参数、计算量0.086 GFLOPs，轻量化特性显著。通过九折交叉验证优化超参数，对比CNN-Transformer等五种模型验证性能优势。

关键结果

1. 特征点检测性能：对五个特征点的平均精确率、召回率和F_1-score均达0.986，其中R波峰值检测最精准（F_1-score=0.993）。
2. 模型效率：参数量仅为对比模型MultiResLinkNet的1/25，推理速度提升3倍。
3. 跨体位验证：在坐姿数据测试中保持稳定性能，突破现有技术对卧位数据的局限。

结论与展望
该研究首次实现毫米波雷达对ECG五个关键特征点的非接触检测，其重要意义体现在三方面：临床层面，为房室传导阻滞等疾病提供PR间期>200ms的自动化筛查工具；技术层面，DRSN-Unet模型解决了一维信号特征提取与噪声抑制的平衡难题；应用层面，穿透衣物的特性使居家长期心脏监测成为可能。局限性在于未涵盖心血管疾病患者数据，未来将扩大样本验证临床适用性。这项由Binyue Cao、Mi He等学者完成的工作，为可穿戴医疗设备开发提供了全新思路，被同行评价为"无线生物信号处理领域的标志性进展"。