毫米波雷达技术最先在大气探测、军事等专业领域被应用；近 10 年来，其逐渐被应用于汽车自动驾驶和辅助驾驶领域。
最近几年，在新兴的消费级智能感知场景，例如智能家居、健康监测、人机交互等领域都能看到毫米波雷达的应用案例。但与此同时，也对毫米波雷达的软硬件都提出了全新的要求。
当前，应用于消费级场景的雷达产品多数基于传统车载雷达芯片架构，在监测精度和成本等方面仍存在不少局限。因此，如何通过硬件的底层创新来更精确地“获取”数据，以及如何更准确地对获取的数据进行“处理”使数据真正发挥作用是消费级毫米波技术面临的关键挑战。
实现基于雷达的人体精准 R-R 间期监测，误差在 6 毫秒级
最近，上海交通大学人工智能研究院顾昌展团队基于自研的、专为消费级定制的毫米波硬件架构，创新性地解决了近距盲区、收发信号干扰、邻近杂散等问题，实现了微米级精细目标检测。
该研究为心肺疾病健康的长期监测提供了一种舒适的方案，免去穿戴式医疗检测设备的束缚，提高病患的监测依从性。
他们实现了基于雷达的人体精准 R-R 间期（两次心跳之间时间间隔）探测，实验数据显示，测得的 R-R 间期误差在 6 毫秒级左右。不仅可获取心跳和呼吸的时间域信息，还能获得强度信息（即心跳和呼吸引起的人体表面微小位移的大小），使得他们不仅能发现心肺疾病，还可以对严重程度做出判断。
顾昌展表示：“得益于我们在数据获取技术、数据量、算法模型的突破，使该精度表现已优于智能手表上的 9 毫秒误差（搭载接触式光电容积图传感器红外无损检测技术）。”
图丨相关论文（来源：IEEE Transactions on Microwave Theory and Techniques）
近日，相关论文以《使用 K 波段雷达传感器通过参数化呼吸滤波器技术准确检测多普勒心电图》（Accurate Detection of Doppler Cardiograms With a Parameterized Respiratory Filter Technique Using a K-Band Radar Sensor）为题，发表在 IEEE Transactions on Microwave Theory and Techniques 上[1]。
上海交通大学博士生董淑琴为论文的第一作者，顾昌展教授为论文的通讯作者。
图丨临床实验设置（来源：IEEE Transactions on Microwave Theory and Techniques）
从数据维度上来看，现在市场上包括智能手表、睡眠带在内的睡眠监测设备由于原理上的限制，只能得到模糊的呼吸频率。
此外，现有睡眠监测设备只能采集到手部信息，无法探测到对睡眠评估非常重要的胸腹部呼吸运动和腿部等其他身体部位的体动，这些数据维度上的限制影响了睡眠分期的精度。
从消费级场景的角度来看，毫米波由于非接触特性，在夜间监测睡眠有巨大优势，可实现比市面已有产品更舒适、更精确、更隐私友好地监测老人、睡眠困难者、婴儿的睡眠和夜间安全。
该团队的毫米波技术能够精确地收集到的呼吸律、心律、全身体动、心跳 R-R 间期、心率变异性、呼吸暂停事件等数据，提供了更多重要的功能。“该研究填补了监测呼吸疾病（包括睡眠呼吸暂停）的空白。”顾昌展说。
图丨不同 DCG 测量条件下的实验结果：健康受试者在（a）正常情况下坐姿和 （c）正常情况下仰卧姿势下同时记录的信号；（b）和 （d） 分别说明了（a） 和 （c）的不同条件下生命信号的解调位移的频谱（来源：IEEE Transactions on Microwave Theory and Techniques）
从医疗的角度来看，R-R 间期的长程监测可以用于心血管疾病的早筛。已有研究表明，R-R 间期变异性的降低是充血性心力衰竭、左心室功能不全、冠状动脉疾病、糖尿病性神经病变等疾病的提前预测指标。
此外，R-R 间期的长程监测还可以用于疾病愈后监测，比如急性心肌梗死幸存者二次发作的监测。基于 R-R 间期也可以计算心率变异性，该指标已经在全球多项研究中被证明是情绪状态和压力指数的生物表征。
睡眠分期准确率达 93%
由于人们生活节奏加快和压力等因素，睡眠问题已不再是老年群体的专有问题，中年群体也愈发受此问题的困扰。数据显示，全球睡眠科技市场规模已经达到近 900 亿美元，轻至重度睡眠呼吸暂停患者近 10 亿人。
特别是老年群体，夜晚睡眠时容易发生急性心脏和呼吸疾病，如果没有及时被发现甚至可能危及生命。因此，开发舒适、安全、精准的睡眠实时监测手段是市场迫切所需。
为解决该问题，该团队与上海交大医学院附属的上海市精神卫生中心、第九人民医院的睡眠医学中心以及中国高端养老院合作，在 IEEE MTT-S International Microwave Symposium 会议上发表论文《雷达在基于傅里叶贝塞尔级数展开睡眠监测中的准确快速心率检测》（Accurate Fast Heartrate Detection Based on Fourier Bessel Series Expansion During Radar-based Sleep Monitoring）[2]。
上海交通大学博士生董淑琴为论文的第一作者，顾昌展教授为论文的通讯作者。
为更好地将产品迭代，他们自 2017 年就开始采集带标注的医疗级睡眠数据来训练模型，不断积累设备用于实际场景的经验。
图丨精准的睡眠分期（来源：该团队）
在研究过程中，受试者会连接医疗级多导睡眠监测仪（Polysomnography, PSG），并同时接受毫米波的无感监测。PSG 收集的数据十分广泛，包括脑电、呼吸、心电图、体动等，并由专业的睡眠科医生进行数据标注，可发现十分精准的睡眠分期和呼吸暂停事件。
此后，他们将得到的 PSG 金标准睡眠分期数据和呼吸暂停事件与毫米波监测情况进行 AI 机器学习模型训练，大幅度提高了睡眠分期和呼吸暂停判断模型的准确度。