基于FMCW雷達(dá)的非接觸式醫(yī)療健康監(jiān)測技術(shù)綜述

方 震 簡 璞 張 浩 姚奕成 耿芳琳 劉暢宇 閆百駒 王 鵬 杜利東 陳賢祥

①(中國科學(xué)院空天信息創(chuàng)新研究院 北京 100049)

②(中國科學(xué)院大學(xué)電子電氣與通信工程學(xué)院 北京 100094)

③(上海交通大學(xué)電子信息與電氣工程學(xué)院 上海 200240)

④(中國醫(yī)學(xué)科學(xué)院個性化呼吸慢病管理創(chuàng)新單元 北京 100049)

1 引言

呼吸、心率等生理指標(biāo)是人體的基本生命特征信息，可直接反映人體的健康狀況，此外生命特征參數(shù)的異常往往能引發(fā)醫(yī)學(xué)上的突發(fā)緊急事件，因此對于這些生命特征信息的實(shí)時檢測有非常重要的實(shí)用價值[1]。同時，近年來隨著全球人口老齡化嚴(yán)重，慢性病普見以及突發(fā)的疫情，對生命體征的監(jiān)測需求日漸強(qiáng)烈[2]。而目前生命特征信息主要依靠貼附于人體的接觸式傳感器、電極進(jìn)行測量，這些方法都需要傳感器直接或間接地接觸人體，接觸式測量制約了其應(yīng)用范圍，同時存在使用者依從性問題，當(dāng)使用者不愿意佩戴或者忘記佩戴傳感設(shè)備時，這些系統(tǒng)無法進(jìn)行監(jiān)測[3]。與上述傳感設(shè)備相比，無線信號能夠在用戶毫無察覺的情況下進(jìn)行監(jiān)測，無需佩戴任何傳感器。基于無線信號的醫(yī)療健康監(jiān)測系統(tǒng)對用戶的正常生活不造成影響，且能夠解決用戶依從性問題。研究表明，無線技術(shù)能夠持續(xù)地監(jiān)測用戶的健康狀況，這使其能夠在發(fā)生暈厥、心臟驟停等緊急情況時及時示警，降低死亡或致殘的風(fēng)險，從而減輕社會醫(yī)療負(fù)擔(dān)[4,5]。

相對于WiFi[6–8]、連續(xù)波(Continuous-Wave,CW)雷達(dá)[9–12]、音頻設(shè)備[13,14]、視頻設(shè)備[15,16]等無線設(shè)備，調(diào)頻連續(xù)波(Frequency-Modulated Continuous-Wave,FMCW)雷達(dá)[17,18]的特性使得其更適用于醫(yī)療健康監(jiān)測領(lǐng)域。首先，F(xiàn)MCW雷達(dá)是通過對連續(xù)波進(jìn)行頻率調(diào)制，根據(jù)發(fā)射信號和回波信號的頻率差、相位差來獲取目標(biāo)信息的一種雷達(dá)體制[19]。該雷達(dá)能夠?qū)@取的雷達(dá)信號劃分為多個角度、距離尺度[20]，相較于WiFi,CW雷達(dá)捕獲的信息具有更多的細(xì)節(jié)，這對于醫(yī)療健康監(jiān)測系統(tǒng)有著重要意義。基于上述特性，不同于CW雷達(dá)，F(xiàn)MCW雷達(dá)能夠隔離非感興趣區(qū)域的噪聲[21]，具備同時監(jiān)測不同個體健康狀況的潛力[22]。不同于音頻、視頻設(shè)備，F(xiàn)MCW雷達(dá)捕獲的用戶信息需要專業(yè)的信號處理流程才能夠解析，不會侵犯用戶的隱私[23]。與脈沖雷達(dá)(如超寬帶雷達(dá))等設(shè)備相比，F(xiàn)MCW雷達(dá)具有較大的時帶積，能夠以低峰值功率達(dá)到與脈沖雷達(dá)等雷達(dá)設(shè)備相同的信噪比[24]。因此，F(xiàn)MCW雷達(dá)不需要集成高功率、高電壓器件，這使得FMCW雷達(dá)系統(tǒng)結(jié)構(gòu)簡單，易于集成在單個芯片中。得益于毫米波固態(tài)器件技術(shù)的高速發(fā)展，F(xiàn)MCW雷達(dá)能夠兼具調(diào)頻連續(xù)波與毫米波集成技術(shù)的優(yōu)勢[24]，這進(jìn)一步縮小了FMCW雷達(dá)的體積，同時降低了基于該雷達(dá)的醫(yī)療健康監(jiān)測系統(tǒng)的成本。呼吸、心跳引起的身體表面局部振動的幅度分別約 5 mm,200～500 μm[14]，毫米級的波長有利于監(jiān)測小幅度的振動，從而準(zhǔn)確地監(jiān)測生理體征[17]。

同時，在毫米波波段存在大量未使用的頻段，使得基于FMCW雷達(dá)的醫(yī)療健康監(jiān)測系統(tǒng)能夠抵抗來自其他頻段的干擾[25]。絕大多數(shù)商用FMCW雷達(dá)與醫(yī)療設(shè)備專用頻段無共享頻段，因此不會對已有的醫(yī)療設(shè)備，尤其是植入式醫(yī)療設(shè)備造成干擾[26]。隨著5G技術(shù)的發(fā)展與廣泛應(yīng)用，數(shù)據(jù)的傳輸速率與處理速率得到了革命性的提升，這為FMCW雷達(dá)的數(shù)據(jù)傳輸與實(shí)時處理提供了保障[23]。綜上所述，F(xiàn)MCW雷達(dá)在醫(yī)療健康監(jiān)測領(lǐng)域(臨床監(jiān)測、日常健康狀況監(jiān)測等)有著廣泛的應(yīng)用前景。

目前，在基于FMCW雷達(dá)的醫(yī)療健康監(jiān)測這一領(lǐng)域中，最具有代表性的早期研究成果來自麻省理工學(xué)院多媒體實(shí)驗(yàn)室的Fadel Adib博士。Adib博士等人[21]于2015年發(fā)表的研究成果中闡述了其基于FMCW雷達(dá)獲取被試者心率及呼吸率的方法。該研究展示了FMCW雷達(dá)在人體生理體征監(jiān)測這一應(yīng)用上的潛力。該研究引領(lǐng)了新一輪的非接觸式醫(yī)療健康監(jiān)測技術(shù)研究熱潮，使基于FMCW雷達(dá)的生理體征獲取，以及基于獲取到的生理體征的健康狀況診斷(呼吸暫停[27]、睡眠監(jiān)測[28]等) 成為一個熱門的研究方向。

本文的組織結(jié)構(gòu)如下：第2節(jié)首先簡要描述FMCW的基本原理，然后列舉在醫(yī)療健康領(lǐng)域經(jīng)常被使用的一些FMCW雷達(dá)特征信息，從而闡述將FMCW用于醫(yī)療健康領(lǐng)域的理論基礎(chǔ)；第3節(jié)介紹生理體征監(jiān)測、睡眠質(zhì)量監(jiān)測與跌倒檢測這3種FMCW雷達(dá)在醫(yī)療健康領(lǐng)域最為典型的前沿應(yīng)用，系統(tǒng)地歸納了這些應(yīng)用中的突出研究成果；第4節(jié)總結(jié)現(xiàn)有研究中存在的局限性，并展望了未來該領(lǐng)域的發(fā)展趨勢。

2 醫(yī)療健康領(lǐng)域中的FMCW雷達(dá)特征信息

2.1 微多普勒信號

應(yīng)用于醫(yī)療健康領(lǐng)域的FMCW雷達(dá)主要有線性調(diào)頻連續(xù)波(Linear Frequency-Modulated Continuous-Wave,LFMCW)雷達(dá)與步進(jìn)調(diào)頻連續(xù)波(Stepped Frequency Continuous-Wave,SFCW)雷達(dá)。本文以LFMCW為例介紹FMCW雷達(dá)如何獲取多距離、角度的信號，以及如何基于FMCW雷達(dá)提取生理體征信號。對于LFMCW雷達(dá)，發(fā)射天線Tx周期性地發(fā)射頻率隨時間線性增長的信號

稱為Chirp，其中AT是Chirp的幅度，fc是Chirp的起始頻率。B和Tc分別是Chirp的帶寬與持續(xù)時間。雷達(dá)視場內(nèi)多個目標(biāo)的反射信號被接收天線Rx獲取，每個反射信號都是發(fā)射信號的縮放與移位版本。設(shè)第i個距離單元內(nèi)的反射面與雷達(dá)的距離為di。接收信號

是多個目標(biāo)反射信號的疊加，其中 c 是光速。αi為第i個目標(biāo)的反射系數(shù)，該參數(shù)受距離di，目標(biāo)的面積與材質(zhì)等因素影響[18]。經(jīng)過與發(fā)射信號ST混頻，輸出的中頻 (Intermediate Frequency,IF) 信號

為多個諧波的疊加，其中fi,φi為第i個距離單元反射信號的頻率與相位。來自不同距離物體的反射具有不同的頻率。因此，對IF信號進(jìn)行FFT變換，雷達(dá)視場被劃分為不同的距離區(qū)間，稱為Range Bin。距離分辨率

為雷達(dá)能夠分辨不同目標(biāo)之間的最小距離。當(dāng)?shù)趇個Range Bin內(nèi)的反射面存在微振動，即di(t)=di+vi(t)，其中vi(t)為該Range Bin內(nèi)的微振動，該Range Bin的相位φi(t)受vi(t)調(diào) 制。φi(t)與vi(t)的調(diào)制關(guān)系為

其中，λc=c/fc為雷達(dá)信號的波長。此時，φi(t)稱為微多普勒信號，這種由于微振動引起的相位調(diào)制現(xiàn)象稱為微多普勒效應(yīng)[29]。圖1展示了從雷達(dá)天線接收信號中提取微多普勒信號的信號處理流程。

圖1 基于FMCW雷達(dá)的接收信號提取微多普勒信號與計算Range-Doppler圖的信號處理流程。其中多個Chirp的IF信號經(jīng)過FFT變換后得到的二維矩陣稱為Range ProfileFig.1 The signal processing flow of extracting micro-Doppler signal and calculating Range-Doppler map based on the received signal of FMCW radar.The two-dimensional matrix of multiple Chirp IF signals after FFT transform is called Range Profile

SFCW雷達(dá)與LFMCW雷達(dá)都通過對連續(xù)波雷達(dá)的頻率進(jìn)行調(diào)制，從而將信號劃分為多個距離尺度，兩者有著相似的工作原理與硬件結(jié)構(gòu)[30]。與LFMCW雷達(dá)相同，對于SFCW雷達(dá)，其信號頻率隨時間周期性地變化，如圖2所示。SFCW雷達(dá)將不同頻率的信號分時發(fā)射，可以在獲得高距離分辨率的同時降低對數(shù)字信號處理機(jī)瞬時帶寬的要求[31]，易于實(shí)現(xiàn)較大帶寬，目前已有很多研究基于SFCW雷達(dá)進(jìn)行非接觸式醫(yī)療健康監(jiān)測[30,32,33]。然而，相對于LFMCW雷達(dá)，SFCW雷達(dá)的波形較復(fù)雜，需要復(fù)雜度更高的信號處理流程[34,35]。由于LFMCW雷達(dá)與SFCW雷達(dá)的相似性，相當(dāng)一部分基于LFMCW雷達(dá)的監(jiān)測算法同樣適用于SFCW雷達(dá)[30]。

圖2 SFCW雷達(dá)信號時頻圖Fig.2 Time-frequency graph of SFCW radar

一些人體生理體征以人體表面特定區(qū)域的微振動的形式呈現(xiàn)。選擇合適的Range Bin中的微多普勒信號，這類生理體征能夠被捕獲。如第1節(jié)所述，大部分商用FMCW雷達(dá)的波長在毫米波波段。假設(shè)波長為1 mm，即使是幅度僅為100 μm的微振動生理體征都能夠?qū)е挛⒍嗥绽招盘柧哂屑s1.26 rad的幅度，這使得FMCW雷達(dá)信號對微振動生理體征具有較高的分辨率。文獻(xiàn)[36]定量地分析了發(fā)射功率、天線增益、距離等因素與微振動生理體征測量性能的關(guān)系?；谖⒍嗥绽招盘?，一系列生理體征能夠被準(zhǔn)確地測量，這將在第3節(jié)被詳細(xì)闡述。

2.2 Range-Doppler圖

如2.1節(jié)所述，只有選擇人體特定區(qū)域所在的Range Bin，微多普勒信號才具有應(yīng)用于醫(yī)療健康領(lǐng)域的價值。然而，Range Profile為二維復(fù)數(shù)矩陣，從Range Profile中無法直觀地得到存在人體生理體征的特定區(qū)域?qū)?yīng)的Range Bin。由式(3)與式(5)可知，經(jīng)過對IF信號進(jìn)行FFT變換，在Range Profile中第i個Range Bin對應(yīng)的復(fù)數(shù)信號為

其中，vit是 第i個Range Bin內(nèi)微振動物體的徑向移動速度?？梢钥闯?，Xi(t)中出現(xiàn)的徑向運(yùn)動導(dǎo)致了量化值為 (4πfcvi)/c的Doppler頻移。因此，對Xi(t)進(jìn)行FFT變換得到幅度譜，該幅度譜能夠反映第i個Range Bin內(nèi)微振動物體的速度。對所有的Range Bin重復(fù)上述操作，得到Range-Doppler圖[37]，如圖1所示。

除了估計微振動的速度，F(xiàn)MCW雷達(dá)也能夠監(jiān)測人體運(yùn)動的速度。對于FMCW雷達(dá)，單個chirp的持續(xù)時間為微秒級。因此，在極短時間內(nèi)能夠連續(xù)發(fā)送多個chirp，且在該段時間內(nèi)人體各部位無法產(chǎn)生明顯的位移，可以視作微振動。因此，Range-Doppler圖能夠反映人體各部位的運(yùn)動狀態(tài)，在日常行為監(jiān)測、跌倒檢測、帕金森等疾病的監(jiān)護(hù)中有著重要的意義[38]。由于Range-Doppler圖具有直觀的視覺信息，近年來一些研究成果將其作為卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[39]的輸入值，嘗試解決醫(yī)療健康領(lǐng)域的分類及回歸問題[40–42]。

2.3 Range-Angle圖

FMCW雷達(dá)雖然具有分離不同距離反射信息的能力。然而，單個雷達(dá)天線無法估計反射物體所在的角度這一信息。具有多根Rx天線的FMCW均勻雷達(dá)陣列能夠檢測反射物體的到達(dá)角(Angle-of-Arrival,AOA)。均勻排布，相鄰Rx天線距離為d的雷達(dá)陣列如圖3所示。設(shè)遠(yuǎn)場的反射信號為x(t)，AOA為θ，則雷達(dá)陣列中各Rx天線接收到的信號為

其中，ni(t)為 噪聲(i∈{0,1,...,N -1})，f0為信號的頻率。基于角度FFT變換、Capon波束賦形以及MUSIC算法，能夠求解a(θ)，從而估計AOA?；谏鲜鯝OA估計流程，每個距離-角度單元的反射信號強(qiáng)度能夠被計算，從而得到Range-Angle圖，如圖3所示[22]。

圖3 FMCW雷達(dá)天線陣列計算Range-Angle圖的原理示意圖Fig.3 The schematic diagram of Range-Angle diagram based on FMCW radar antenna array

基于多輸入多輸出(Multiple Input Multiple Output,MIMO)技術(shù)，N個Rx天線與M個時分復(fù)用的Tx天線能夠生成具有NM個Rx天線的虛擬雷達(dá)陣列[43]。這種方法節(jié)省了雷達(dá)天線數(shù)，降低了硬件成本，縮小了FMCW雷達(dá)芯片的體積，使之更容易被集成在醫(yī)療健康系統(tǒng)中而不被用戶察覺?；ハ啻怪钡膬山M雷達(dá)陣列能夠反射物體水平-豎直方向的AOA，從而全面地反映三維空間中的反射信息[44]。

如2.1節(jié)所述，提取包含人體生理體征的微多普勒信號需要確定人體特定位置所在的Range Bin，而Range-Angle圖恰好能夠直觀地描述人體所在的位置。使用恒虛警檢測算法(Constant False Alarm Rate,CFAR)與聚類等策略處理Range-Angle圖，人體在3D空間的坐標(biāo)可以被確定[45]，從而進(jìn)一步生成點(diǎn)云[46]等雷達(dá)特征。近年來，一些研究將Range-Angle圖輸入基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型，用于估計人體所在的區(qū)域[47]。相較于CFAR等傳統(tǒng)算法，深度神經(jīng)網(wǎng)絡(luò)能夠區(qū)分人體與雷達(dá)視場內(nèi)的其他運(yùn)動物體，如電風(fēng)扇、寵物、掃地機(jī)器人等[39]。具有多根Tx,Rx天線對的FMCW雷達(dá)陣列，甚至有還原3D空間內(nèi)人體輪廓，估計人體各部位(手臂、腿部、胸部等)所在區(qū)域的能力[48]。綜上所述，Range-Angle圖能夠被用于確定人體，甚至是人體特定部位所在的區(qū)域，從而提取包含人體生理體征的微多普勒信號。與Range-Doppler圖相同，如圖3所示的多幀Range-Angle圖能夠反映人體各部分的運(yùn)動狀態(tài)，對于跌倒檢測、日常行為監(jiān)測等涉及動作信息的應(yīng)用有著重要價值[49,50]。

在一些波段(如微波波段，即300 MHz～300 GHz)，雷達(dá)信號能夠穿透人體表面，使得Rx獲取來自人體內(nèi)部組織、器官的反射信號。此時，Range-Angle圖能夠作為醫(yī)學(xué)影像[51,52]。相對于超聲、核磁共振成像等技術(shù)，基于雷達(dá)Range-Angle圖的醫(yī)學(xué)影像技術(shù)具有成本低廉、輻射強(qiáng)度小、能夠長時間監(jiān)測的優(yōu)勢，具有廣闊的應(yīng)用前景[53]。

3 FMCW雷達(dá)在醫(yī)療健康領(lǐng)域的典型應(yīng)用

3.1 生理體征監(jiān)測

生理體征是反映人體身體和精神狀態(tài)的重要指標(biāo)。在醫(yī)療健康監(jiān)測領(lǐng)域，例如睡眠監(jiān)測、疲勞檢測、情緒感知等高級應(yīng)用都依賴準(zhǔn)確的生理體征監(jiān)測。部分生理活動能夠?qū)е氯梭w表面特定區(qū)域出現(xiàn)局部微振動。如2.1節(jié)所述，F(xiàn)MCW雷達(dá)對于微振動具有較高的分辨率，基于微多普勒信號能夠獲取到微振動信號，從而準(zhǔn)確地監(jiān)測生理體征。表1總結(jié)了基于FMCW雷達(dá)進(jìn)行生理體征監(jiān)測這一領(lǐng)域的研究現(xiàn)狀。

表1 基于FMCW雷達(dá)的心率、呼吸率監(jiān)測研究現(xiàn)狀總結(jié)Tab.1 Summary of heart rate and respiratory rate monitoring based on FMCW radar

在已有的基于FMCW雷達(dá)的生理體征監(jiān)測研究中，大多是針對呼吸率及心率的監(jiān)測。這兩種體征的監(jiān)測是將微振動測量應(yīng)用于醫(yī)療健康領(lǐng)域的典型案例。由于呼氣、吸氣會導(dǎo)致肺部的收縮與擴(kuò)張，呼吸會引起胸腔、腹部表面相對于雷達(dá)的徑向運(yùn)動，稱為呼吸努力值。關(guān)于心臟振動描記圖(Seismocardiogram,SCG)[54,55]的眾多研究成果也表明了心臟跳動會引起胸腔表面的周期性局部振動。綜上所述，從FMCW雷達(dá)的微多普勒信號中可以獲取心跳信號和呼吸努力值。

近年來，基于FMCW雷達(dá)的心率、呼吸率監(jiān)測技術(shù)成為一項(xiàng)研究熱點(diǎn)。其中部分工作實(shí)現(xiàn)了同時測量多個個體的心率、呼吸率。文獻(xiàn)[56,57]基于FMCW雷達(dá)距離監(jiān)測原理，建立1D人體定位算法，從而確定不同被試者所在的Range Bin，實(shí)現(xiàn)多人心率、呼吸率監(jiān)測。然而，當(dāng)不同個體相對雷達(dá)距離相同，所在角度不同時，上述系統(tǒng)無法區(qū)分來自不同個體的反射信號。針對這一問題，文獻(xiàn)[22,65]基于MIMO技術(shù)與Beamforming技術(shù)從距離、角度兩個尺度劃分來自雷達(dá)視場內(nèi)的反射信號。其中，文獻(xiàn)[22]的呼吸率(Respiratory Rate,RR)、心率(Heart Rate,HR)的誤差中位數(shù)為0.19 次/min與0.92 次/min，該準(zhǔn)確率能夠滿足大多數(shù)應(yīng)用場景。相控陣技術(shù)能夠?qū)⒗走_(dá)波束聚焦于某個角度，文獻(xiàn)[58,66]基于相控陣技術(shù)對整個雷達(dá)視場進(jìn)行角度掃描，從而監(jiān)測位于不同位置、角度用戶的心率、呼吸率。

心跳引起的微振動幅度約比呼吸努力值小一個數(shù)量級。此外，由于直流偏移等原因，F(xiàn)MCW雷達(dá)測量振動信號時存在難以避免的非線性，導(dǎo)致檢測到的心跳信號中往往混有呼吸諧波。一些創(chuàng)新性的研究使用小波變換[67]，最小均方(Least Mean Square,LMS)濾波器[68]、經(jīng)驗(yàn)?zāi)Ｊ椒纸?Empirical Mode Decomposition,EMD)[59]、變分模態(tài)分解(Variational Mode Decomposition,VMD)[45,69]等算法濾除來自呼吸的干擾，從而得到更準(zhǔn)確的心率估計值。在心率監(jiān)測領(lǐng)域，逐拍間隔(Inter-Beat Interval,IBI)，即每個心跳周期的時間長度是一項(xiàng)重要參數(shù)。相對于監(jiān)測一段時間的平均心率，IBI能夠更全面地反映心血管系統(tǒng)的健康狀況。然而，不同于心電圖(Electrocardiogram,ECG)中的QRS波群[70]，基于FMCW雷達(dá)獲取的心跳信號沒有標(biāo)識每個心跳周期開始與結(jié)束的標(biāo)準(zhǔn)特征點(diǎn)，因此難以準(zhǔn)確估計IBI。絕大多數(shù)基于FMCW雷達(dá)的心率監(jiān)測研究僅僅能夠估計一段時間的平均心率。文獻(xiàn)[71]首次基于FMCW雷達(dá)心跳信號進(jìn)行IBI估計，該研究首先利用二階差分去除呼吸諧波，然后基于獲取的心跳信號，使用模板匹配算法與動態(tài)規(guī)劃估計IBI。文獻(xiàn)[45]使用VMD算法從微多普勒信號中提取高質(zhì)量的心跳信號，通過對心跳信號的包絡(luò)進(jìn)行峰值檢測估計IBI，其IBI誤差中位數(shù)為28 ms。高精度的IBI監(jiān)測能夠被用于心率變異性(Heart Rate Variability,HRV)分析。HRV分析能夠反映自主神經(jīng)系統(tǒng)的狀態(tài)，對于睡眠質(zhì)量監(jiān)測、壓力評估、情緒識別[71]等重要領(lǐng)域有著重要意義。然而，已有研究中的IBI估計對于大多數(shù)涉及HRV分析的應(yīng)用來說準(zhǔn)確度有待提高。相關(guān)研究表明，基于ECG與SCG信號，能夠準(zhǔn)確地計算一些心臟活動(如瓣膜的開啟與關(guān)閉)的時間。一些研究者基于有監(jiān)督深度神經(jīng)網(wǎng)絡(luò)，將FMCW雷達(dá)心跳信號重建為ECG[60]或SCG[61]，從而準(zhǔn)確地估計高細(xì)粒度的心臟活動的時間。然而這些研究依賴有監(jiān)督神經(jīng)網(wǎng)絡(luò)，目前沒有受到廣泛認(rèn)可的含有同步ECG,SCG標(biāo)簽的FMCW雷達(dá)心跳信號數(shù)據(jù)集，復(fù)現(xiàn)這些成果需要采集大量數(shù)據(jù)，并且對于新的個體的泛化性能需要被進(jìn)一步評估。

基于FMCW雷達(dá)的心率、呼吸率監(jiān)測系統(tǒng)在實(shí)際場景中的應(yīng)用面臨著一些挑戰(zhàn)，其中最主要的挑戰(zhàn)是身體運(yùn)動干擾。大幅度的身體運(yùn)動會導(dǎo)致無線信道的明顯改變。由于呼吸與心跳引起的振動分別為毫米級、亞毫米級，即使很小幅度的身體運(yùn)動也會導(dǎo)致呼吸努力值與心跳信號的嚴(yán)重失真。然而，身體運(yùn)動具有隨機(jī)性，難以建模。大部分工作在性能評估時要求被試者保持靜止。一些工作基于能量閾值法、異常值檢測等策略確定存在身體運(yùn)動的時間段，將該時間段內(nèi)的信號丟棄，防止出現(xiàn)難以接受的測量誤差。這是一種可行的策略，然而一定程度上犧牲了系統(tǒng)的時間覆蓋率。文獻(xiàn)[63]針對車輛駕駛場景，基于多變量VMD[72]從車輛振動及駕駛者自身運(yùn)動導(dǎo)致的運(yùn)動偽影中分離呼吸努力值及心跳信號，呼吸率與心率誤差中位數(shù)分別為0.06 次/min，0.6 次/min，IBI誤差中位數(shù)為50 ms。文獻(xiàn)[64]將從身體運(yùn)動干擾中分離心跳信號、呼吸努力值建模為非線性盲源分離問題，基于深度對比學(xué)習(xí)算法[73]求解該問題，實(shí)現(xiàn)了日常身體運(yùn)動狀態(tài)(打字、運(yùn)動等)下的心率、呼吸率監(jiān)測。當(dāng)雷達(dá)信號穿透障礙物時，其信號嚴(yán)重衰減，導(dǎo)致監(jiān)測到的生理體征信噪比降低[74,75]。一些工作針對穿透墻壁等障礙物的生理體征監(jiān)測展開研究[76,77]。這些工作在災(zāi)后救援任務(wù)中被困幸存者的生命監(jiān)測等場景下有著重要的應(yīng)用價值[76]。另外，這些工作中所提出的信號處理技術(shù)對復(fù)雜環(huán)境下醫(yī)療健康監(jiān)測也有著重要的借鑒意義。文獻(xiàn)[78,79]使用信息超材料設(shè)計可編程超表面(Programable Metasurface,PM)。當(dāng)用戶處于不同位置、姿態(tài)下，PM基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)地改變編碼模式，從而將波束聚焦到胸部或其他合適的區(qū)域。由于造價、尺寸的約束，用于生理體征監(jiān)測的雷達(dá)能夠集成的天線數(shù)量受到約束，因此在監(jiān)測生理體征時用戶的距離、姿態(tài)受到較大約束，文獻(xiàn)[78,79]為解決這方面的難題提供了重要思路。此外，還有一些研究致力于解決其他實(shí)際應(yīng)用中的挑戰(zhàn)，例如與其他雷達(dá)設(shè)備間的相互干擾[80]、多徑效應(yīng)[57]等。

上述研究成果展示了FMCW雷達(dá)在非接觸式生理監(jiān)測領(lǐng)域的潛力，不僅在日常健康狀況監(jiān)測方面有著廣泛的應(yīng)用前景，在臨床醫(yī)療場景下也有著重要的應(yīng)用價值[81]。新生兒與燒傷患者需要持續(xù)的生理體征監(jiān)測，然而，其身體上無法佩戴電極或可穿戴傳感器[82,83]。因此，這些人群對于非接觸式生理體征監(jiān)測有著迫切需求[84]。在傳統(tǒng)醫(yī)療實(shí)踐中，傳染病患者生理體征需要醫(yī)護(hù)人員手動測量，容易導(dǎo)致交叉感染，非接觸式生理體征監(jiān)測系統(tǒng)的使用能夠規(guī)避這種風(fēng)險[84,85]。此外，重癥患者的生理體征也需要被持續(xù)地監(jiān)測，非接觸式方法能夠提高患者治療期間的舒適度，并且能夠降低醫(yī)療負(fù)擔(dān)。相當(dāng)一部分非接觸式生理體征監(jiān)測領(lǐng)域的研究成果聲稱其能夠被應(yīng)用于傳染患者、燒傷患者、新生兒以及重癥患者的呼吸監(jiān)測與心率監(jiān)測[45,86]。由于對于這些人群的生理體征監(jiān)測原理與一般人相同，這些研究成果的主張合乎邏輯。文獻(xiàn)[87]針對新生兒心率、呼吸率監(jiān)測場景設(shè)計了FMCW雷達(dá)硬件系統(tǒng)。文獻(xiàn)[88]利用雷達(dá)對住院患者的呼吸率進(jìn)行24小時的非接觸式持續(xù)性監(jiān)測，從而判斷其是否患有肺炎。

前文所述生理體征測量方案的理論基礎(chǔ)都是生理活動會引起人體局部的微振動，然而，極少數(shù)研究并非基于該原理。文獻(xiàn)[89]提出了一種基于FMCW雷達(dá)的肺功能監(jiān)測系統(tǒng)，當(dāng)用戶向雷達(dá)芯片吹氣時，板子的振動會導(dǎo)致周圍靜止物體的反射發(fā)生變化，從而基于用戶吹氣時獲取的FMCW雷達(dá)信號進(jìn)行肺活量測定，并生成流量-體積圖。

3.2 睡眠監(jiān)測

3.2.1 睡眠質(zhì)量監(jiān)測

良好的睡眠質(zhì)量對個人的身心健康，生活質(zhì)量，工作效率有著重要意義。為了定量地評估睡眠質(zhì)量，美國睡眠醫(yī)學(xué)學(xué)會(American Academy of Sleep Medicine,AASM)將睡眠分為覺醒(WAKE)、快速眼動期(Rapid Eye Movement,REM)、N1、N2和N3 5個睡眠階段，其中N1被歸類為淺睡期，N2,N3被歸類為深睡期，這些階段在整晚睡眠中的占比是評估睡眠質(zhì)量的重要指標(biāo)[90]。對HRV[91]與心肺耦合(心血管系統(tǒng)與呼吸系統(tǒng)的相互作用機(jī)制)[92–95]的相關(guān)研究表明，呼吸和心跳模式與睡眠階段有著潛在的聯(lián)系[96]。然而，這種聯(lián)系較為復(fù)雜，難以建模。近年來，F(xiàn)MCW雷達(dá)的廣泛應(yīng)用恰逢機(jī)器學(xué)習(xí)領(lǐng)域，尤其是深度神經(jīng)網(wǎng)絡(luò)的快速發(fā)展。機(jī)器學(xué)習(xí)模型能夠建模包含呼吸與心跳模式的FMCW雷達(dá)信號與睡眠階段間的復(fù)雜的非線性關(guān)系，避免了人工提取特征。文獻(xiàn)[97]基于Range-Angle圖確定人體位置并判斷床所在的區(qū)域，在獲取上述信息后，基于隱馬爾可夫模型判斷被試者是否在床上，并將包含身體運(yùn)動與呼吸模式的FMCW雷達(dá)信號輸入CNN網(wǎng)絡(luò)判斷被試者是否處于WAKE階段，計算睡眠延遲(Sleep Latency,SL)、臥床時間(Time in Bed,TIB)、總睡眠時間(Total Sleep Time,TST)、睡眠效率(Sleep Efficiency,SE，即TST/TIB)、覺醒后清醒時間(Wake After Sleep Onset,WASO)等與失眠程度量化評估指標(biāo)(該指標(biāo)由美國國家睡眠基金會依據(jù)AASM標(biāo)準(zhǔn)制定[28]，受到廣泛認(rèn)可)，從而判斷被試者是否失眠。文獻(xiàn)[98]基于CNN與長短時記憶網(wǎng)絡(luò)(Long Short-Term Memory Network,LSTM)，將包含呼吸、心跳模式的FMCW雷達(dá)微多普勒信號的時頻圖作為輸入，預(yù)測睡眠階段，并基于條件對抗網(wǎng)絡(luò)[99]監(jiān)督分類模型提取與睡眠階段高度相關(guān)，與被試者個體差異、實(shí)驗(yàn)場景無關(guān)的特征，從而提高分類算法對于新用戶的泛化性能，最終對WAKE、REM、深睡與淺睡4種睡眠階段的分類準(zhǔn)確率分別為63%,82%,83%與75%。相對于多導(dǎo)睡眠儀(Polysomnography,PSG)這一監(jiān)測睡眠質(zhì)量的標(biāo)準(zhǔn)設(shè)備，上述系統(tǒng)避免了用戶佩戴大量的電極與傳感設(shè)備，提高了監(jiān)測過程中的睡眠舒適度。但是FMCW雷達(dá)的睡眠階段監(jiān)測原理決定了其無法獲取腦電、眼電、肌電等在睡眠監(jiān)測領(lǐng)域較為重要的信息。目前基于FMCW雷達(dá)的睡眠階段分類系統(tǒng)的準(zhǔn)確率相對可穿戴設(shè)備有較大差距，這些系統(tǒng)的分類結(jié)果對于評估睡眠質(zhì)量有一定參考價值，但目前尚無法用于臨床監(jiān)測。

3.2.2 睡眠呼吸暫停

睡眠呼吸暫停(Sleep Apnea,SA)是一種常見且可能致命的睡眠障礙[100]。作為一種潛在的身體疾病，睡眠障礙很難在睡眠中被輕易發(fā)現(xiàn)，會增加患心血管功能障礙、中風(fēng)、糖尿病等疾病的風(fēng)險，對健康構(gòu)成威脅。根據(jù)眾多相關(guān)研究，呼吸努力值(呼吸引起的胸部、腹部位移)以及IBI能夠被用于睡眠呼吸暫停檢測[101–105]。一些已發(fā)表的基于FMCW雷達(dá)的生理體征監(jiān)測研究都聲稱其成果能夠被應(yīng)用于SA監(jiān)測[66,106]。文獻(xiàn)[107]基于FMCW雷達(dá)獲取呼吸努力值與心跳信號，并基于支持向量機(jī)(Support Vector Machine,SVM)判斷被試者呼吸是否正常，并檢測SA等呼吸異常事件，正常呼吸、SA與各種呼吸異常狀態(tài)的識別準(zhǔn)確率為98.25%。

3.2.3 睡姿識別

睡眠時的姿勢對人體健康有著一定影響。研究表明，睡眠質(zhì)量與睡眠姿勢以及姿勢的改變密切相關(guān)[108,109]。同時，睡姿的監(jiān)測在SA[110]、帕金森[111]等疾病的治療過程中有著重要價值，例如，對于阻塞性SA患者，仰臥這一睡姿會導(dǎo)致不良的氣道幾何形狀，減小肺容積，是不推薦的睡姿[110]。不正確的睡姿甚至?xí)黾影d癇、嬰兒猝死綜合征等疾病患者猝死的風(fēng)險[112,113]。文獻(xiàn)[114]基于商用FMCW雷達(dá)，將獲取的距離-角度圖作為輸入，使用具有Inception-Residual模塊的多通道CNN網(wǎng)絡(luò)識別被試者的姿態(tài)，對于8種睡眠姿式，分類結(jié)果的Kappa系數(shù)為85.35%。然而，該工作中的睡眠姿勢指的是躺在床上、翻身、起床等動態(tài)過程，雖然對于睡眠質(zhì)量監(jiān)測有著一定意義，但無法監(jiān)測人體的靜態(tài)睡姿，如仰臥、俯臥等，不是真正意義上的睡姿識別。實(shí)際上，仰臥等靜態(tài)睡姿的監(jiān)測較為困難。睡姿監(jiān)測系統(tǒng)很難避免周圍物體反射的干擾，如墻壁、床等。因此，很難保證睡姿監(jiān)測系統(tǒng)對于新環(huán)境的泛化能力。在基于FMCW雷達(dá)的生理體征監(jiān)測與動作檢測領(lǐng)域，研究者經(jīng)常采用將相鄰chirp對應(yīng)的IF信號相減來排除環(huán)境干擾[115–117]。這是由于對于靜止物體，其反射不隨時間變化而改變。然而在睡姿監(jiān)測領(lǐng)域，無法采用這種策略。原因是睡眠狀態(tài)下，除生理體征引起的局部身體振動，人體處于靜止?fàn)顟B(tài)，這種環(huán)境干擾排除策略會導(dǎo)致人體姿態(tài)信息的丟失。文獻(xiàn)[118]使用遷移學(xué)習(xí)的策略，對于新的環(huán)境，其提出的姿態(tài)識別深度神經(jīng)網(wǎng)絡(luò)模型(輸入為Range-Angle圖)僅需要16分鐘的含睡姿標(biāo)簽的數(shù)據(jù)對模型進(jìn)行微調(diào)，就能夠在新環(huán)境中達(dá)到足夠高的準(zhǔn)確率。該成果[118]使用床面的法向量與人體前軀干表面法向量夾角描述睡姿，對于使用16分鐘、1整晚與1周含睡姿標(biāo)簽的數(shù)據(jù)(新環(huán)境下采集的)進(jìn)行微調(diào)的模型，在新環(huán)境下的人體睡姿識別平均誤差分別為28.3°±8.7°、25.6°±6.7°與15.3°±4.4°。

3.3 跌倒檢測

跌倒是老年人意外死亡、受傷的主要原因[119]。對于老年人群，跌倒造成骨折的概率約為90%[120]。在65歲以上的老人中，約三分之一每年至少經(jīng)歷一次摔倒，其中大部分老人跌倒后受傷并住院接受治療[121]。調(diào)查顯示，跌倒直接導(dǎo)致每年上百億美元的醫(yī)療開銷[120]。如果老人在跌倒后沒有被及時被發(fā)現(xiàn)，那么跌倒的風(fēng)險就大得多，因?yàn)槔先说购笸鶡o法獨(dú)立爬起，長時間躺在地板上可能會導(dǎo)致體溫過低、脫水、橫紋肌溶解、吸入性肺炎和壓瘡，甚至死亡[122]。對于獨(dú)居老人，跌倒后沒有被及時治療的情況則更加普遍[123]。近年來，隨著信息技術(shù)與物聯(lián)網(wǎng)技術(shù)的發(fā)展，跌倒檢測系統(tǒng)成為醫(yī)療健康領(lǐng)域的研究熱點(diǎn)[124]。如果能夠在被監(jiān)測者跌倒時及時向親屬及監(jiān)護(hù)人員示警，不僅能降低死亡及受傷的風(fēng)險，同時也能夠減少醫(yī)療資源消耗。

Range-Doppler圖、Range-Angle圖等FMCW雷達(dá)特征信息中包含距離、角度、速度等與人體運(yùn)動相關(guān)的時間、空間維度的信息，這些雷達(dá)特征信息能夠被用于跌倒檢測[37]。FMCW雷達(dá)在跌倒檢測領(lǐng)域具有獨(dú)特的優(yōu)勢，與視頻設(shè)備相比，避免了用戶隱私泄露的風(fēng)險，與陀螺儀、加速度計等可穿戴設(shè)備相比，不影響用戶的日常生活，不會出現(xiàn)忘記佩戴設(shè)備導(dǎo)致設(shè)備失效的情況，這些優(yōu)勢使得FMCW雷達(dá)受到該領(lǐng)域研究者的廣泛關(guān)注。表2總結(jié)了基于FMCW雷達(dá)的跌倒檢測技術(shù)的研究現(xiàn)狀。

表2 基于FMCW雷達(dá)的跌倒檢測研究現(xiàn)狀總結(jié)Tab.2 Summary of research status of falling detection based on FMCW radar

文獻(xiàn)[125]提出一種基于自編碼器(Auto-encoder)與 Logistic回歸的多傳感器融合方法，采集的信號來自FMCW雷達(dá)和3個穿在身上的慣性傳感器(在手腕、腰部和腳踝上)，實(shí)現(xiàn)了可穿戴傳感器和雷達(dá)數(shù)據(jù)之間的特征融合。為了驗(yàn)證他們的方法對沒有參與訓(xùn)練的個體的泛化性能，該研究采用“留一法”(Leave-One-Out,LOO)的交叉驗(yàn)證策略，達(dá)到了96%的平均準(zhǔn)確率(Accuracy,Acc)。然而，雷達(dá)接收的信號是環(huán)境中所有物體對雷達(dá)信號反射的組合，不同環(huán)境對雷達(dá)信號的影響不同。他們只在一個環(huán)境采集了數(shù)據(jù)，并沒有驗(yàn)證系統(tǒng)在新的環(huán)境下的性能。此外，該系統(tǒng)仍然需要被試者佩戴傳感器，違背了使用FMCW雷達(dá)進(jìn)行非接觸式監(jiān)測的初衷。

文獻(xiàn)[126]基于CNN與LSTM設(shè)計跌倒檢測網(wǎng)絡(luò)，將獲取的多幀Range-Doppler圖作為輸入，獲得了96.67%的平均檢測準(zhǔn)確率與3.33%的漏警率。文獻(xiàn)[127]提出了一種線性核卷積神經(jīng)網(wǎng)絡(luò)(Linear Kernel Convolution Neural Network,LKCNN)來直接處理FMCW雷達(dá)獲取的IF信號來檢測墜落運(yùn)動，并提出了一種數(shù)據(jù)樣本生成方法，利用多個接收信道和足夠小的脈沖重復(fù)時間為訓(xùn)練過程生成多個樣本。實(shí)驗(yàn)結(jié)果表明，該方法能夠以較少的網(wǎng)絡(luò)參數(shù)和較小的計算量檢測到跌倒運(yùn)動，具有較高的準(zhǔn)確性、靈敏度和特異性。然而，上述兩項(xiàng)研究僅僅將跌倒檢測視作動作分類，跌倒樣本與非跌倒樣本比例接近1:1。在長時間的跌倒檢測場景中，跌倒是偶然性事件，在時間維度上是稀疏的。日常生活中，跌倒與非跌倒樣本的比例通常接近0。

文獻(xiàn)[128]使用 FMCW雷達(dá)陣列生成水平方向和垂直方向的Range-Angle圖，將2.5 s的多幀Range-Angle圖輸入基于ResNet與Softmax網(wǎng)絡(luò)層的分類器，用于識別是否發(fā)生跌倒。該研究在不同場景下，針對不同的被試者采集了包含滑倒、絆倒等8種跌倒姿勢的超過40種的動作種類。該研究的創(chuàng)新點(diǎn)在于考慮到了跌倒事件在時間維度上的稀疏性，采用多個級聯(lián)的分類器逐級排除非跌倒樣本，在跌倒樣本與非跌倒樣本比例約1:100的情況下，準(zhǔn)確率、召回率與F1 Score分別達(dá)到了91.9%、93.8%與92.9%。盡管他們的工作取得了令人信服的結(jié)果和較高的精度，但仍然存在一些問題。首先，該研究使用的設(shè)備有12個Tx天線和12個Rx天線，這意味著較大的體積和高昂的成本，難以在實(shí)際監(jiān)測場景中部署。此外，真實(shí)跌倒樣本的采集是不現(xiàn)實(shí)的，但是難以保證被試者有意做出的跌倒動作(假摔)與真實(shí)情況的一致性，因此使用假摔樣本進(jìn)行訓(xùn)練與驗(yàn)證仍然存在一定局限性。

文獻(xiàn)[46]基于變分自編碼器(Variational Auto-Encoder,VAE)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)設(shè)計跌倒檢測網(wǎng)絡(luò)，將Range-Angle圖與CFAR算法生成的人體點(diǎn)云作為輸入，學(xué)習(xí)深度動作特征。該研究，以半監(jiān)督的方式僅采用正?；顒訑?shù)據(jù)進(jìn)行訓(xùn)練，而不使用跌倒(假摔樣本)。在測試階段，一旦發(fā)生如跌倒的異常動作模型將產(chǎn)生較高的異常得分，最終實(shí)現(xiàn)了98%的跌倒檢測準(zhǔn)確度。盡管該研究提出的模型避免了使用假摔樣本導(dǎo)致的局限性，但仍有一些不足。在實(shí)驗(yàn)中，僅有包括跌倒在內(nèi)的5類動作被采集，僅包含各類跌倒動作與日常動作中的極少部分。同時，該研究與文獻(xiàn)[128]相同，沒有考慮跌倒事件在時間維度上的稀疏性，在測試集中，正常樣本與跌倒樣本的比例為4:1。

4 總結(jié)與展望

4.1 研究現(xiàn)狀及局限性

目前國內(nèi)外學(xué)者基于FMCW雷達(dá)在醫(yī)療健康領(lǐng)域的多個方面進(jìn)行了應(yīng)用研究，并取得了大量有價值的研究成果。部分研究基于微多普勒現(xiàn)象監(jiān)測人體生理體征，相比其他無線設(shè)備，達(dá)到了更高的監(jiān)測性能。在大量生理體征監(jiān)測的研究成果基礎(chǔ)上，一些研究者基于生理體征信號設(shè)計心臟事件監(jiān)測、呼吸暫停監(jiān)測系統(tǒng)等應(yīng)用，這些研究拓展了FMCW在醫(yī)療健康領(lǐng)域的應(yīng)用場景。此外，F(xiàn)MCW雷達(dá)的廣泛應(yīng)用恰逢深度神經(jīng)網(wǎng)絡(luò)的快速發(fā)展。深度學(xué)習(xí)網(wǎng)絡(luò)能夠深入挖掘多普勒信號、Range-Doppler圖、Range-Angle圖等各種FMCW雷達(dá)特征信息，并建模與睡眠階段、跌倒事件、睡眠姿勢等醫(yī)療應(yīng)用間復(fù)雜的非線性關(guān)系。

然而，F(xiàn)MCW雷達(dá)在醫(yī)療健康領(lǐng)域的應(yīng)用仍然存在著以下問題以及局限性：(1)能夠獲取的生理體征有限：相對于多導(dǎo)睡眠儀等傳統(tǒng)醫(yī)療設(shè)備，以及可穿戴設(shè)備，F(xiàn)MCW雷達(dá)僅能監(jiān)測與微振動相關(guān)的生理體征(呼吸、心跳等)，無法獲取生物電信號等信息。這一局限性使得大多數(shù)系統(tǒng)的性能無法與傳統(tǒng)醫(yī)療設(shè)備相比。目前的研究成果雖然具有較強(qiáng)的參考價值，但仍不適合被用于需要高精度的臨床診斷場景。(2)魯棒性：FMCW雷達(dá)信號容易受到干擾，在醫(yī)療健康領(lǐng)域，這些干擾包括身體運(yùn)動、監(jiān)測目標(biāo)的姿態(tài)及位置變化、其他生理體征、周圍的運(yùn)動物體等。許多研究在設(shè)計性能評估實(shí)驗(yàn)時人為地規(guī)避了這些問題，如讓被試者保持靜止等。雖然，相對于絕大多數(shù)無線設(shè)備，F(xiàn)MCW雷達(dá)具有更強(qiáng)的抗干擾能力。然而，大多數(shù)基于FMCW雷達(dá)的系統(tǒng)在這些干擾下的魯棒性需要被進(jìn)一步評估。(3)泛化性能：近年來，許多研究者基于深度神經(jīng)網(wǎng)絡(luò)將FMCW雷達(dá)特征信號應(yīng)用于醫(yī)療健康領(lǐng)域。然而，與基于深度神經(jīng)網(wǎng)絡(luò)的大多數(shù)系統(tǒng)相同，這些研究成果也存在著泛化性能問題。在訓(xùn)練與測試過程中，大多數(shù)系統(tǒng)中的神經(jīng)網(wǎng)絡(luò)模型使用實(shí)驗(yàn)室場景下，基于健康被試者采集的數(shù)據(jù)。這些系統(tǒng)對于真實(shí)場景的泛化性能有待提高。此外，大多數(shù)實(shí)驗(yàn)中使用的數(shù)據(jù)來自健康被試者，這些研究成果對于患病人群的泛化性能需要被評估。(4)醫(yī)療標(biāo)準(zhǔn)的缺失：考慮到暴露在大量輻射中對人體的危害，一直以來，對于應(yīng)用在醫(yī)療健康領(lǐng)域的無線設(shè)備，其發(fā)射功率等參數(shù)都受到嚴(yán)格的標(biāo)準(zhǔn)限制。不同于傳統(tǒng)的無線設(shè)備，目前被廣泛使用的商用FMCW雷達(dá)芯片處于毫米波頻段。在毫米波頻段內(nèi)，大氣中傳播衰減嚴(yán)重，因此高增益天線甚至是陣列天線被用于對抗這種衰減。在醫(yī)療健康領(lǐng)域，目前沒有針對毫米波波段的發(fā)射功率等雷達(dá)參數(shù)標(biāo)準(zhǔn)。關(guān)于各個國際組織制定的相關(guān)標(biāo)準(zhǔn)是否能繼續(xù)有效地衡量毫米波輻射危害，目前正在學(xué)術(shù)界及工業(yè)界被廣泛討論和研究。

4.2 展望

現(xiàn)代社會中人們對自身健康水平的關(guān)注程度超過以往任何一個時期。FMCW在醫(yī)療健康領(lǐng)域具有獨(dú)特優(yōu)勢，這些優(yōu)勢使其具有滿足人們時刻了解自身健康狀況這一需求的潛力。隨著硬件技術(shù)與嵌入式技術(shù)的發(fā)展，集成有更多Tx,Rx天線的雷達(dá)芯片將會具有更小的尺寸與更低的價格?；贔MCW雷達(dá)捕獲的雷達(dá)特征信息將包含更多的細(xì)節(jié)，更高信噪比的生理體征信號將能夠被提取，各類醫(yī)療健康應(yīng)用的性能將會得到進(jìn)一步的改善。目前，上百萬臺智能手機(jī)(如Pixel 4)中已經(jīng)集成有小尺寸的FMCW雷達(dá)。在5G技術(shù)與IoT時代，可以預(yù)見，F(xiàn)MCW雷達(dá)將會被嵌入手機(jī)、電腦、掃地機(jī)器人甚至墻壁中，從而融入人們生活的方方面面?；贔MCW雷達(dá)的醫(yī)療健康監(jiān)測系統(tǒng)能夠?qū)⒉糠种荒茉卺t(yī)院獲得的服務(wù)轉(zhuǎn)移到日常生活中，實(shí)現(xiàn)無處不在的醫(yī)療健康服務(wù)。此外，F(xiàn)MCW雷達(dá)在臨床應(yīng)用中也有著廣闊的應(yīng)用前景。目前，新型冠狀病毒肺炎(Corona Virus Disease 2019,COVID-19)已經(jīng)成為全球性的流行性傳染病。在照護(hù)COVID-19病患時，生理體征的監(jiān)測尤其重要?；贔MCW雷達(dá)的醫(yī)療健康監(jiān)測系統(tǒng)的使用能夠降低交叉感染的風(fēng)險。

從現(xiàn)有研究狀況可以預(yù)見，在醫(yī)療健康領(lǐng)域，F(xiàn)MCW雷達(dá)在以下方面的應(yīng)用價值將會受到學(xué)術(shù)界及工業(yè)界的關(guān)注：

(1) 心血管疾病檢測：FMCW雷達(dá)已經(jīng)在心率監(jiān)測這一應(yīng)用中展現(xiàn)了較好的性能。同時，目前有研究者基于微多普勒信號成功重建ECG與SCG[60,61]。這說明基于微多普勒現(xiàn)象能夠捕獲充足的心血管系統(tǒng)信息。目前已有大量研究基于ECG判斷是否患有心血管疾病[129]。因此，F(xiàn)MCW雷達(dá)具備檢測用戶是否患有心血管疾病的潛在能力值得研究。由于心血管疾病本身具有偶發(fā)性，佩戴ECG的有限時間內(nèi)或許無法監(jiān)測到心血管系統(tǒng)的異常活動，而FMCW雷達(dá)具有持續(xù)監(jiān)測能力，基于該設(shè)備的心血管疾病檢測技術(shù)有著重要價值。

(2) 腦血管監(jiān)測：如3.1節(jié)所述，基于MIMO技術(shù)，F(xiàn)MCW雷達(dá)能夠區(qū)分不同距離、角度的反射信號。這一特性能夠用于腦血管監(jiān)測。大腦區(qū)域不同位置的介電性質(zhì)不同，因此，這些位置的反射能量存在差異。基于FMCW雷達(dá)重建的大腦區(qū)域Range-Doppler圖或多幀Range-Angle圖具有反映腦血管的擴(kuò)張速率等時變特性的潛在可能。目前已有基于FMCW雷達(dá)監(jiān)測全腦模型中的腦血管活動的相關(guān)研究[130]。

(3) 慢性呼吸疾病檢測：慢性呼吸疾病在中國發(fā)病率高。其中，我國20歲及以上人群哮喘患病率為4.2%，成人患者總數(shù)達(dá)4570萬人[131]。此外，研究表明，我國慢性阻塞性肺疾病(Chronic Obstructive Pulmonary Disease,COPD)患者人數(shù)約1億人[132]。慢性呼吸疾病的早期發(fā)現(xiàn)與康復(fù)評估對于該疾病的整體防控有著重要意義[131]。目前已有基于ECG信號中提取的呼吸努力值進(jìn)行COPD檢測的研究[133]。慢性呼吸疾病患者普遍存在氣短、咳嗽和呼吸困難等癥狀。通過FMCW雷達(dá)能夠?qū)ι鲜霭Y狀及使用者的生理體征進(jìn)行監(jiān)測，基于數(shù)據(jù)融合對使用者的肺功能進(jìn)行綜合性評估，有望為慢性呼吸疾病的早期發(fā)現(xiàn)和康復(fù)評估提供有效的手段。

(4) 心理健康狀況評估：對心理健康的評估也是醫(yī)療健康應(yīng)用的重要方面。一些研究揭示了心血管系統(tǒng)、呼吸系統(tǒng)與人的情緒[71]、壓力[134]等心理狀態(tài)有著潛在的聯(lián)系。FMCW雷達(dá)能夠監(jiān)測心血管系統(tǒng)以及呼吸系統(tǒng)的活動，因此具有監(jiān)測用戶當(dāng)前心理狀態(tài)的潛在可能。對用戶的心理狀態(tài)進(jìn)行長時間持續(xù)監(jiān)測，得到的統(tǒng)計結(jié)果理論上能夠反映用戶的心理健康狀況。

(5) 疲勞檢測：疲勞是界定虛弱和衰老問題的主要醫(yī)學(xué)癥狀。同時，疲勞也是導(dǎo)致健康生活質(zhì)量下降的關(guān)鍵因素，這可能會造成相當(dāng)大的健康和經(jīng)濟(jì)負(fù)擔(dān)[135]。當(dāng)人們長時間駕駛或過度工作學(xué)習(xí)時，疲勞會導(dǎo)致記憶力或注意力的下降，甚至?xí)＜吧?。此外，疲勞是許多常見疾病的癥狀，如類風(fēng)濕性關(guān)節(jié)炎、癌癥等[136]。相關(guān)研究表明，呼吸努力值、心率等生理體征能夠反映人體疲勞程度[135]。目前已有研究基于FMCW雷達(dá)提取的生理體征信號進(jìn)行疲勞度評估[137]。

聲明：方震、簡璞和張浩對該文具有相同的貢獻(xiàn)。