Kontaktloses EKG per Millimeterwellen-Radar. Wie es das elektrische Signal Ihres Herzens rekonstruiert.

Basel, Schweiz, Quelle:

Stellen Sie sich einen Monitor vor, der den elektrischen Rhythmus Ihres Herzens überwacht, ohne dass auch nur eine klebrige Elektrode nötig ist. Genau dorthin geht die Forschung mit Millimeterwellen-Radar. Eine aktuelle Studie zeigt, wie Radar aus winzigen Bewegungen des Brustkorbs das EKG-Signal rekonstruieren kann. So wird aus einer gewöhnlichen Funkreflexion ein aussagekräftiges Herzsignal.

Wäre es nicht besser, wenn eine Langzeitüberwachung des Herzens sich überhaupt nicht bemerkbar machen würde? Atmung und Herzfrequenz sind aussagekräftige Gesundheitsindikatoren. Wer sie kontinuierlich erfassen kann, ermöglicht Ärzten, feine Veränderungen früher zu erkennen, Diagnosen zu stützen und Behandlungen individuell anzupassen. Klassische EKG-Elektroden und Atemgurte leisten das zwar gut, sind aber auf Hautkontakt, Kabel und sorgfältige Platzierung angewiesen. Das macht sie auf Dauer unkomfortabel und schwieriger zu handhaben. Radarsensorik ändert die Lage. Sie nutzt reflektierte Dauerstrichwellen, um Bewegungen der Brustwand aus kurzer Entfernung zu erkennen, ganz ohne Bild oder Ton aufzunehmen. Ihre Privatsphäre bleibt gewahrt.

Zwischen Radar und EKG liegt jedoch eine tiefere Herausforderung. Ein EKG zeichnet elektrische Aktivität auf. Radar erfasst mechanische Bewegung. Ein Herzschlag erzeugt ein elektrisches Signal, woraufhin sich der Brustkorb kurz danach leicht bewegt. Der Zusammenhang zwischen diesen beiden Vorgängen ist komplex und nichtlinear. Allein die Brustbewegung zu messen, reicht nicht aus. Um die EKG-Form wiederherzustellen, muss das System genau lernen, wie winzige Vibrationen mit elektrischen Veränderungen zusammenhängen.

Frühere Ansätze nutzten Wavelets, Autokorrelation und physiologische Modelle, um Herz- und Atemraten zu schätzen. Neuere Deep-Learning-Modelle versuchten, EKG-Signale direkt aus Radardaten zu erzeugen. Architekturen wie CNN-LSTM, Autoencoder und Attention-basierte Systeme waren vielversprechend. Sie stießen jedoch auf ein praktisches Problem. Radar- und EKG-Geräte starten oft mit unterschiedlichen Uhren, arbeiten mit verschiedenen Abtastraten und beginnen die Aufzeichnung zu unterschiedlichen Zeitpunkten. Sind die Signale nicht synchronisiert, verliert das überwachte Lernen an Genauigkeit. Radar nimmt außerdem Störungen, Haltungsänderungen und Bewegungsartefakte auf, die die Zuordnung erschweren.

Die neue Studie beschreibt eine vollständige Verarbeitungskette, die sich dieser Probleme direkt annimmt. Die Forscher verwendeten ein FMCW-Radar mit 77 bis 81 GHz, einer Sende- und vier Empfangsantennen. Ein BIOPAC-MP150-System zeichnete die Referenzatmung und ein Drei-Kanal-EKG mit 2000 Hz auf. Die Probanden saßen etwa einen halben Meter vom Radar entfernt und blieben während der 120 Sekunden langen Sitzungen ruhig. Daraus ergaben sich 35 verwertbare Aufzeichnungen von vier Personen, also mehr als eine Stunde gepaarte Radar- und EKG-Daten.

Die Vorverarbeitung begann mit einer schnellen Fourier-Transformation entlang der schnellen Zeitachse des Radars, um Entfernungsprofile zu erzeugen. Die stärkste Entfernungszelle repräsentierte die Brustwand. Die Phase des komplexen Signals in dieser Zelle wurde entfaltet, um die kontinuierliche Bewegung zu rekonstruieren. Bevor eine EKG-Rekonstruktion überhaupt möglich war, mussten die Uhren von Radar und BIOPAC synchronisiert werden. Das Team extrahierte aus jedem Radarkanal die Atmungskomponente mit einem Bandpassfilter von 0,1 bis 0,6 Hz. Anschließend nutzten sie eine normalisierte Kreuzkorrelation über ein Verzögerungsfenster von drei Sekunden. Diese Suche wählte den besten Kanal aus und schätzte den Zeitversatz. Dieser Schritt klingt vielleicht technisch, ist aber der heimliche Held des gesamten Prozesses.

Für das EKG-Modell wurde das Radarsignal der Brust mit einem Bandpassfilter von 8 bis 30 Hz bearbeitet, um herzbedingte Vibrationen hervorzuheben. Das Referenz-EKG wurde auf 250 Hz neu abgetastet, mit einem 50-Hz-Notchfilter und einem Bandpass von 0,5 bis 40 Hz gefiltert. Beide Signale wurden in Fenster von 2048 Abtastwerten mit 50 Prozent Überlappung unterteilt. Aus dem selbst erstellten Datensatz entstanden so 1015 gepaarte Proben. Eine zufällige Aufteilung ordnete 70 Prozent dem Training, 15 Prozent der Validierung und 15 Prozent dem Test zu.

Das Rekonstruktionsnetzwerk kombiniert einen Faltungs-Encoder-Decoder mit einem bidirektionalen LSTM. Der Encoder verdichtet das Radarsignal auf mehreren Skalen zu kompakten Merkmalen. Der Decoder stellt die Zeitdimension wieder her. Danach lesen die BiLSTM-Schichten diese Merkmale in beide Richtungen, sodass das Modell den Kontext vor und nach jedem Herzschlag versteht. Vollverbundene Schichten wandeln jedes 64-dimensionale Merkmal in eine einzelne EKG-Amplitude um. Das Netzwerk verwendet einen gemeinsamen Zeit-Frequenz-Verlust, der den mittleren quadratischen Fehler im Zeitbereich mit einem STFT-basierten Spektralverlust kombiniert. Dadurch bleibt das rekonstruierte EKG sowohl in der Amplitude als auch in der Frequenz präzise, und eine übermäßige Glättung wird reduziert, die wichtige Details der Wellenform verbergen könnte.

Die Ergebnisse sprechen klar für ein Radar-basiertes EKG. Auf dem selbst erstellten Datensatz erreichte das rekonstruierte EKG einen mittleren absoluten Fehler von 0,0555, einen Korrelationskoeffizienten von 0,5631 und einen RRMSE von 0,3162. Der mittlere Fehler der Herzfrequenz lag bei nur einem Schlag pro Minute, der Fehler des R-R-Intervalls bei etwa 10 Millisekunden. Bei einem Test mit einem öffentlichen Datensatz mit den Szenarien Ruhe, Apnoe und Valsalva erreichte das Modell Korrelationskoeffizienten von 0,8923, 0,6919 und 0,8387. Diese Werte liegen deutlich über den veröffentlichten Referenzwerten von MultiRes-LinkNet unter denselben Bedingungen. Auch die MAE-Werte waren niedriger. Das ist mehr als eine reine Algorithmusübung. Es zeigt, dass mechanische Brustbewegungen genügend Informationen über den Herzschlagzeitpunkt enthalten, um einen klinisch relevanten elektrischen Rhythmus zu rekonstruieren.

Die Erkennung der R-Zacken im rekonstruierten EKG ermöglichte zuverlässige Schätzungen der durchschnittlichen Herzfrequenz und des mittleren R-R-Intervalls. Diese Parameter sind für die Rhythmusüberwachung nützlich, insbesondere für Menschen, die eine langfristige Herzüberwachung benötigen. Die Forscher räumen ein, dass einige Details der Wellenform von Probe zu Probe variieren und dass das derzeitige System offline arbeitet. Bewegungs- und Haltungsänderungen bleiben Bereiche für künftige Untersuchungen. Zukünftige Arbeiten werden mehr Teilnehmer, eine Auswertung mit getrennten Probandengruppen, eine bessere lokale Wellenformtreue und bewegungsrobuste Strategien umfassen.

Hier steckt etwas leise Inspirierendes. Ein Radarmodul, das wie eine kleine Box aussieht, kann die elektrische Signatur des Herzens erkennen, indem es die Bewegung der Körperoberfläche beobachtet. Diese Art der Sensorik fügt sich natürlich in die intelligente Gesundheitsversorgung ein. Sie könnte die Schlafüberwachung, die Gesundheitsbewertung bei sitzender Lebensweise und die Herzüberwachung zu Hause unterstützen, ohne dass die Person etwas tragen muss. Für alle, die Bequemlichkeit und Komfort schätzen, ist das eine Zukunft, die man im Auge behalten sollte.