ECG sin contacto mediante radar de ondas milimétricas, así reconstruye la señal eléctrica del corazón

Basilea, Suiza.

Imagina un monitor que vigila el ritmo eléctrico de tu corazón sin un solo electrodo adhesivo. Hacia ahí se dirige la investigación con radar de ondas milimétricas. Un estudio reciente muestra cómo el radar puede reconstruir la forma de onda del ECG a partir de los pequeños movimientos del pecho, convirtiendo una simple reflexión de radio en una señal cardíaca significativa.

¿No sería mejor que la monitorización cardíaca a largo plazo no se notara en absoluto? La respiración y la frecuencia cardíaca son indicadores potentes de salud. Si alguien puede rastrearlos de forma continua, los médicos pueden detectar cambios sutiles antes, respaldar diagnósticos y personalizar la atención. Los electrodos de ECG estándar y las bandas respiratorias hacen bien este trabajo, pero también dependen del contacto con la piel, los cables y una colocación cuidadosa. Eso los hace menos cómodos y más difíciles de usar durante periodos largos. La detección por radar cambia las reglas del juego. Utiliza ondas continuas reflejadas para detectar el movimiento de la pared torácica desde corta distancia, todo sin capturar imágenes ni sonidos. La privacidad permanece intacta.

Entre el radar y el ECG hay un desafío más profundo. El ECG registra actividad eléctrica. El radar registra movimiento mecánico. Un latido produce una señal eléctrica y luego el pecho se mueve ligeramente después de esa activación. La relación entre esos dos eventos es compleja y no lineal. No basta con medir el movimiento del pecho. Para recuperar la forma del ECG, el sistema debe aprender exactamente cómo las pequeñas vibraciones se corresponden con los cambios eléctricos.

Los enfoques anteriores usaban wavelets, autocorrelación y modelos fisiológicos para estimar las frecuencias. Los modelos de aprendizaje profundo más recientes intentaron generar formas de onda de ECG directamente desde el radar. Arquitecturas como CNN-LSTM, autoencoders y sistemas basados en atención mostraron ser prometedoras. También se toparon con un problema práctico. El radar y los dispositivos de ECG a menudo arrancan con relojes separados, muestrean a velocidades distintas y comienzan a grabar en momentos diferentes. Si las señales no están alineadas, el aprendizaje supervisado pierde precisión. El radar también capta interferencias, cambios de postura y artefactos de movimiento que complican el mapeo.

El nuevo estudio construye un flujo de trabajo completo que aborda estos problemas de frente. Los investigadores usaron un radar FMCW de 77 a 81 GHz con una antena transmisora y cuatro receptoras. Un sistema BIOPAC MP150 registró la respiración de referencia y el ECG de tres derivaciones a 2000 Hz. Los voluntarios se sentaron a unos cincuenta centímetros del radar y permanecieron quietos durante sesiones de 120 segundos. El resultado fueron 35 grabaciones válidas de cuatro sujetos, lo que les dio más de una hora de datos emparejados de radar y ECG.

El preprocesamiento comenzó con una transformada rápida de Fourier a lo largo del eje de tiempo rápido del radar para producir perfiles de distancia. La celda de distancia más fuerte representaba la pared torácica. Se desenvolvió la fase de la señal compleja en esa celda para recuperar el desplazamiento continuo. Antes de que pudiera ocurrir cualquier reconstrucción del ECG, fue necesario sincronizar los relojes del radar y del BIOPAC. El equipo extrajo el componente respiratorio de cada canal de radar con un filtro de paso de banda de 0,1 a 0,6 Hz. Luego usaron correlación cruzada normalizada en una ventana de retardo de tres segundos. Esa búsqueda seleccionó el mejor canal y estimó el desfase temporal. Este paso puede sonar técnico. Es el héroe silencioso de todo el proceso.

Para el modelo de ECG, la señal torácica del radar se filtró con un paso de banda de 8 a 30 Hz para enfatizar las vibraciones relacionadas con el corazón. El ECG de referencia se remuestreó a 250 Hz, se filtró con un filtro de muesca de 50 Hz y un paso de banda de 0,5 a 40 Hz. Ambas señales se dividieron en ventanas de 2048 muestras con un solapamiento del 50 por ciento. Eso creó 1015 muestras emparejadas a partir del conjunto de datos propio. Una división aleatoria asignó el 70 por ciento al entrenamiento, el 15 por ciento a la validación y el 15 por ciento a las pruebas.

La red de reconstrucción combina un codificador-decodificador convolucional con un LSTM bidireccional. El codificador comprime la señal de radar en características compactas a múltiples escalas. El decodificador restaura la dimensión temporal. Luego, las capas BiLSTM leen esas características en ambas direcciones, de modo que el modelo comprende el contexto antes y después de cada latido. Las capas densas convierten cada característica de 64 dimensiones en una sola amplitud de ECG. La red utiliza una pérdida conjunta de tiempo y frecuencia que combina el error cuadrático medio en el dominio del tiempo con una pérdida espectral basada en STFT. Esto mantiene el ECG reconstruido nítido tanto en amplitud como en frecuencia, y reduce el exceso de suavizado que puede ocultar detalles importantes de la forma de onda.

Los resultados respaldan el uso del radar para el ECG. En el conjunto de datos propio, el ECG reconstruido alcanzó un error absoluto medio de 0,0555, un coeficiente de correlación de 0,5631 y un RRMSE de 0,3162. El error promedio de la frecuencia cardíaca fue de solo un latido por minuto, y el error del intervalo R-R fue de unos 10 milisegundos. Al probarlo en un conjunto de datos público con escenarios de reposo, apnea y Valsalva, el modelo logró coeficientes de correlación de 0,8923, 0,6919 y 0,8387. Esas cifras son notablemente más altas que los valores de referencia publicados de MultiRes-LinkNet en las mismas condiciones. Los valores de MAE también fueron más bajos. Esto va más allá de un ejercicio de algoritmo. Demuestra que el movimiento mecánico del pecho contiene suficiente información sobre el momento del latido para reconstruir un ritmo eléctrico relevante desde el punto de vista clínico.

Detectar los picos R en el ECG reconstruido permitió estimaciones fiables de la frecuencia cardíaca promedio y del intervalo R-R medio. Esos parámetros son útiles para el monitoreo del ritmo, especialmente en personas que necesitan vigilancia cardíaca a largo plazo. Los investigadores reconocen que algunos detalles de la forma de onda todavía varían de una muestra a otra, y el marco actual funciona fuera de línea. Los cambios de movimiento y postura siguen siendo áreas para exploración futura. El trabajo futuro traerá más participantes, evaluación con sujetos separados, mejor fidelidad local de la forma de onda y estrategias robustas ante el movimiento.

Hay algo sutilmente inspirador aquí. Un módulo de radar que parece una caja pequeña puede detectar la firma eléctrica del corazón observando el movimiento de la superficie del cuerpo. Este tipo de detección encaja de forma natural en la atención médica inteligente. Podría respaldar el monitoreo del sueño, la evaluación de la salud en personas sedentarias y la vigilancia cardíaca desde casa sin pedirle a la persona que use nada. Para cualquiera que valore la facilidad y la comodidad, ese es un futuro que vale la pena seguir.