ECG sem contato via radar de ondas milimétricas. Como ele reconstrói o sinal elétrico do seu coração

Basileia, Suíça. Imagine um monitor que observa o ritmo elétrico do seu coração sem um único eletrodo adesivo. É exatamente para onde aponta a pesquisa com radar de ondas milimétricas. Um estudo recente mostra como o radar pode reconstruir a forma de onda do ECG a partir de pequenos movimentos do peito, transformando uma reflexão comum de rádio em um sinal cardíaco significativo.

Não seria melhor se o monitoramento cardíaco de longo prazo passasse totalmente despercebido? A respiração e a frequência cardíaca são indicadores poderosos de saúde. Se alguém puder acompanhá-los continuamente, os médicos podem detectar mudanças sutis mais cedo, apoiar diagnósticos e personalizar o cuidado. Os eletrodos de ECG e as cintas respiratórias padrão fazem isso bem, mas também dependem de contato com a pele, cabos e posicionamento cuidadoso. Isso os torna menos confortáveis e mais difíceis de usar por longos períodos. A detecção por radar muda essa equação. Ela usa ondas contínuas refletidas para detectar o movimento da parede torácica a uma curta distância, tudo sem capturar uma única imagem ou som. A privacidade permanece intacta.

Um desafio mais profundo se coloca entre o radar e o ECG. O ECG registra atividade elétrica. O radar registra movimento mecânico. Uma batida cardíaca causa um sinal elétrico, e então o peito se move levemente depois dessa ativação. A relação entre esses dois eventos é complexa e não linear. Simplesmente medir o movimento do peito não é suficiente. Para recuperar a forma do ECG, o sistema precisa aprender exatamente como pequenas vibrações correspondem a mudanças elétricas.

Abordagens anteriores usavam wavelets, autocorrelação e modelos fisiológicos para estimar taxas. Modelos mais recentes de aprendizado profundo tentaram gerar formas de onda de ECG diretamente do radar. Arquiteturas como CNN-LSTM, autoencoders e sistemas baseados em atenção mostraram potencial. Elas também esbarraram em um problema prático. Os dispositivos de radar e ECG geralmente começam em relógios separados, amostram em velocidades diferentes e iniciam a gravação em momentos diferentes. Se os sinais não estiverem alinhados, o aprendizado supervisionado perde precisão. O radar também capta interferências, mudanças de postura e artefatos de movimento que complicam o mapeamento.

O novo estudo constrói um pipeline completo que enfrenta essas questões de frente. Os pesquisadores usaram um radar FMCW de 77 a 81 GHz com uma antena transmissora e quatro receptoras. Um sistema BIOPAC MP150 registrou respiração de referência e ECG de três derivações a 2000 Hz. Os voluntários sentaram a cerca de meio metro do radar e permaneceram imóveis durante sessões de 120 segundos. O resultado foi 35 gravações válidas de quatro participantes, o que lhes deu mais de uma hora de dados pareados de radar e ECG.

O pré-processamento começou com uma transformada rápida de Fourier ao longo do eixo de tempo rápido do radar para produzir perfis de alcance. O compartimento de alcance mais forte representava a parede torácica. A fase do sinal complexo nesse compartimento foi desembrulhada para recuperar o deslocamento contínuo. Antes que qualquer reconstrução de ECG pudesse acontecer, os relógios do radar e do BIOPAC tiveram que ser sincronizados. A equipe extraiu o componente respiratório de cada canal de radar com um filtro passa-banda de 0,1 a 0,6 Hz. Depois usaram correlação cruzada normalizada em uma janela de atraso de três segundos. Essa busca selecionou o melhor canal e estimou o deslocamento de tempo. Esse passo pode parecer técnico. Ele é o herói silencioso de todo o processo.

Para o modelo de ECG, o sinal torácico do radar foi filtrado com passa-banda de 8 a 30 Hz para enfatizar vibrações relacionadas ao coração. O ECG de referência foi reamostrado para 250 Hz, filtrado com um notch de 50 Hz e um passa-banda de 0,5 a 40 Hz. Ambos os sinais foram cortados em janelas de 2048 amostras com 50 por cento de sobreposição. Isso criou 1015 amostras pareadas do conjunto de dados próprio. Uma divisão aleatória atribuiu 70 por cento para treinamento, 15 por cento para validação e 15 por cento para teste.

A rede de reconstrução combina um codificador-decodificador convolucional com um LSTM bidirecional. O codificador comprime o sinal de radar em características compactas em múltiplas escalas. O decodificador restaura a dimensão temporal. Então as camadas BiLSTM leem essas características nas duas direções, para que o modelo entenda o contexto antes e depois de cada batimento. Camadas densas transformam cada característica de 64 dimensões em uma única amplitude de ECG. A rede usa uma função de perda conjunta tempo-frequência que combina erro quadrático médio no domínio do tempo com uma perda espectral baseada em STFT. Isso mantém o ECG reconstruído nítido tanto em amplitude quanto em frequência, reduzindo o excesso de suavização que pode esconder detalhes importantes da forma de onda.

Os resultados reforçam o caso do ECG baseado em radar. No conjunto de dados próprio, o ECG reconstruído alcançou um erro absoluto médio de 0,0555, um coeficiente de correlação de 0,5631 e um RRMSE de 0,3162. O erro médio da frequência cardíaca foi de apenas um batimento por minuto, e o erro do intervalo R-R ficou em cerca de 10 milissegundos. Quando testado em um conjunto de dados público com cenários de repouso, apneia e Valsalva, o modelo obteve coeficientes de correlação de 0,8923, 0,6919 e 0,8387. Esses números são visivelmente maiores que os valores de referência do MultiRes-LinkNet publicados nas mesmas condições. Os valores de MAE também foram menores. Isso vai além de um exercício de algoritmo. Mostra que o movimento mecânico do peito carrega informações suficientes de tempo dos batimentos para reconstruir um ritmo elétrico clinicamente relevante.

Detectar os picos R no ECG reconstruído permitiu estimativas confiáveis da frequência cardíaca média e do intervalo R-R médio. Esses parâmetros são úteis no monitoramento do ritmo, especialmente para pessoas que precisam de vigilância cardíaca de longo prazo. Os pesquisadores reconhecem que alguns detalhes da forma de onda ainda variam de amostra para amostra, e o sistema atual opera offline. Movimento e mudanças de postura permanecem áreas para exploração futura. Trabalhos futuros trarão mais participantes, avaliação com sujeitos separados, melhor fidelidade local da forma de onda e estratégias robustas a movimento.

Há algo discretamente inspirador aqui. Um módulo de radar que parece uma pequena caixa pode detectar a assinatura elétrica do coração observando o movimento da superfície do corpo. Esse tipo de detecção se encaixa naturalmente na saúde inteligente. Ele poderia apoiar o monitoramento do sono, a avaliação da saúde em pessoas sedentárias e a vigilância cardíaca em casa, sem pedir que a pessoa use nada. Para quem valoriza facilidade e conforto, esse é um futuro que vale a pena acompanhar.