润物无声：基于泛在无线的健康感知

中国计算机学会

摘要—与传统接触式生物医学传感器不同，基于泛在无线技术的智能健康感知利用非接触式的无线传感，利用从人体反射出的信号对人体生理信号进行远程测量。基于泛在无线的健康感知催生了众多解决方案，为健康感知领域带来了新的机遇。

伍楷舜（香港科技大学（广州））
朱彦颖（香港科技大学（广州））
关键词 ：泛在无线 智能健康感知

智能健康感知

        随着信息技术的不断发展以及老龄化社会的逐渐形成，智能医疗已经成为社会关注的热点问题。智能医疗是一种新型的医疗模式，旨在通过应用信息技术、大数据、人工智能等先进技术手段，提高医疗服务质量、降低医疗成本，从而实现精准诊断、有效治疗和优质护理。在智能医疗领域，智能健康感知作为一个重要组成部分，受到了学术界和工业界的广泛关注。

       智能健康感知技术以智能传感器技术、大数据分析和人工智能技术为基础，其目的是通过嵌入式设备中的传感器（如摄像头、麦克风、光学传感器、无线射频设备、惯性传感器等）采集人体健康数据，并结合智能算法进行处理与分析，从而实现对人体健康状况的感知。在智能健康感知中，呼吸和心率被认为是最基本的感知生理数据。此外，血氧、血压、心脏波形图（如心电图、心震图、心冲击图等）、脉搏波等指标也被广泛监测。为了更精确地描绘人体健康状况，对运动、睡眠、交互等高级行为数据的感知也被视为必要。

       智能健康感知技术可分为接触式和非接触式两种。接触式感知技术要求用户佩戴一个或多个可穿戴设备以进行个体级别的数据采集与分析，而非接触式感知技术则通过部署在环境中的传感设备（如摄像头、无线射频设备等）实现健康数据采集和健康状况监测。相比需要用户佩戴设备的接触式感知技术，非接触式设备可以提供更加自然而友好的用户体验，但可能面临信号质量较差、易受环境影响等问题。

       作为一个重要感知任务，健康感知受到国内外学术界和工业界的广泛关注。与传统接触式生物医学传感器不同，基于泛在无线技术的智能健康感知利用非接触式的无线传感器（例如射频、声学和光学传感器等），通过从人体反射出的电磁或声学波对生理信号进行远程测量。例如，利用智能手机对呼吸引起的微小胸部和腹部运动实现非接触式的睡眠呼吸暂停监测[1]，或利用射频传感器捕获来自人体表面的反射信号，实现对心跳波形的还原[2]等。

       得益于泛在无线传感器在日常生活中的普及性及其低廉的成本，基于泛在无线的健康感知有着广泛的医疗保健应用和发展机遇。在该领域，研究者已经开展了广泛的工作，研究了多种不同的监测方法，以对不同生命体征及疾病进行监测。

基于泛在信号的健康感知

       泛在无线感知（ubiquitous wireless sensing）是指借助广泛分布于环境中的非接触无线信号（如射频信号、声波信号、光学信号等），实现对环境中物体的感知的技术。常见的泛在感知设备包括雷达传感器、Wi-Fi、射频识别（Radio-Frequency IDentification，RFID）、智能移动设备和摄像头传感器等，如图1所示。

       基于上述设备提供的泛在信号，通过对信号模式进行分析，并对其中受人体活动影响的特征进行提取，可以实现如人体姿态识别、行为动作识别、生命体征监测等诸多人体感知，被应用于智能家居、智慧养老等多种场景。

基于雷达的健康感知

       雷达是一种通过向目标物体发射电磁能，并接收目标物体反射的回波，实现对目标物体的探测、定位、跟踪和识别的电磁传感器。目前，在智能健康感知领域，已有较多商家推出了基于雷达的感知设备（如图2所示），其中应用较为广泛的有连续波（Continuous Wave，CW）雷达、调频连续波（Frequency Modulated Continuous Wave，FMCW）雷达和脉冲无线电超宽带（Ultra Wide Band Impulse Radio，IR-UWB）雷达。

       其中，CW雷达主要基于对相位或多普勒频移的分析提取生命体征相关特征，其原理及结构相对简单，但无法实现对绝对距离的测量。FMCW雷达使用合成器生成线性调频脉冲，发射波的频率随时间以线性方式演变，可以对生理活动引起的距离变化进行测量。IR-UWB雷达发射宽带调频信号，通过对发射的短脉冲和接收到的信号进行比较，实现对物体的距离和速度的估计。在健康感知任务中，由于监测的信号（呼吸和心跳）较为微弱，往往需要采用较大带宽以获得更高的距离分辨率。

       近年来，由于低成本雷达设备和用于处理测量结果的高效计算算法的可用性，雷达系统在健康监测中的使用受到了极大的关注，已成为一个活跃的研究领域。实际上，早在1975年，就有研究者对该领域进行了探索，提出使用短程雷达技术，通过比较微波信号与患者胸部反射的回波无创地获取呼吸信息[3]，基于此，采用雷达系统对人体心跳和呼吸引起的生理运动进行无线检测的可行性得到证明，促使更多研究者对该技术在医疗领域的应用进行了研究，例如心跳波形还原（见图3）、血压监测[4]、情绪识别[5]、睡眠监测等。

       尽管已有大量研究工作，但在实际应用中，基于雷达的解决方案仍存在许多尚待解决的问题。首先，基于雷达的生命体征监测系统对运动非常敏感，当人体处于不完全静止状态时，系统极易受到运动伪影和噪声的干扰。其次，基于雷达的系统往往对检测距离有较高的要求，在心率识别等需要对微动进行识别的任务中，系统性能在长距离情况下明显下降，多数系统在距离超过1米时会失效。

基于Wi-Fi的健康感知

       近年来无线技术的发展展示了Wi-Fi信号在捕获环境动态信息中具有足够的灵敏性，可被用于感知。由于其成本低、部署广泛及非侵入式的特点，Wi-Fi作为感知设备受到了研究者的青睐，促使研究者在基于Wi-Fi设备的无线感知领域进行了大量研究，提出了菲涅尔区感知模型等理论基础[7]，探索了基于Wi-Fi设备实现生命体征提取的可能性（见表1），并拓展了其在跌倒监测系统[6]、睡眠监测等场景下的应用。

       基于Wi-Fi的健康感知系统主要对无线信号在环境中传播时产生的信号强度变化和多径效应进行分析和处理，实现对心率、呼吸频率、运动状态等人体生理参数的监测。按不同物理层属性划分，现在主流的Wi-Fi感知技术可以分为基于接收信号强度信息（Received Signal Strength Indicator，RSSI）的感知、基于信道状态信息（Channel State Information，CSI）的感知、基于调频载波频移的感知和基于多谱勒频移的感知。其中，接收信号强度表征射频信号在传播过程中的衰减情况，仅包含信号幅度信息，感知粒度较粗糙。相较于接收信号的强度，信道状态信息包含更细粒度的相位信息，具有更高的分辨率和更低的噪声，在感知任务中具备更好的感知粒度和性能稳定性。

       尽管Wi-Fi感知系统的精度在过去十年不断提高，但在现实场景中搭建基于Wi-Fi设备的智能健康感知系统仍是一个极具挑战性的任务。首先，由于信号分辨率的限制，基于接收信号强度信息的Wi-Fi感知系统无法支撑高精度的感知任务（如心率监测）。而基于信道状态信息的感知系统虽然能实现更高精度的感知，但极易受到环境变化的影响，在复杂环境下难以保证系统稳定性。此外，大多数现有系统的感应范围非常有限，并且仅考虑较小的空间（例如办公室或家中的单个房间）及较简单的场景（仅有一两个人的室内环境）。此类系统在路径损耗较大的较大空间和较复杂的环境中无法工作。上述挑战极大地限制了商用Wi-Fi传感系统在现实健康感知场景中的落地应用。

基于射频识别的健康感知

       近年来，随着商用射频识别系统在定位和跟踪方面的精确度进一步提升，研究者对射频识别在不同应用场景下的探索大幅增多。除了传统的定位和跟踪外，射频识别还在室内定位、姿态识别、生命体征监测等诸多感知任务中得到了广泛应用。

       射频识别是一种无线通信技术，以无线射频方式进行非接触双向数据通信，通过对记录媒体（电子标签或射频卡）进行读写，实现目标识别和数据交换。在健康感知任务中，较为常用的是基于无源标签的射频识别技术，此类系统通常包含一个阅读器和多个无源标签。阅读器通过分析反向散射信号中的细粒度特征（接收信号强度、相位信息、多普勒频移），实现对标签微小运动的探测。

       学术界已有较多基于射频识别技术实现生命体征监测的研究工作，主要集中在呼吸信号的提取及基于呼吸信号的下游任务（如睡眠呼吸暂停监测、疲劳驾驶监测[8]等）的实现。按照标签放置位置，使用射频识别技术实现生命体征监测，目前可分为标签与目标接触放置、标签固定放置两种方法。在第一种方法中，无源标签被附着在用户的腹部或胸部，随着呼吸过程中的胸腹起伏运动，标签与读取器之间的距离会发生周期性变化，系统通过跟踪标签反向散射信号的相位或接收信号强度对该距离变化进行监测。此外，在该方法中，系统可以通过附着在用户身上标签的ID信息对多个用户进行区分，实现多用户监测。对于第二种方法，标签无须被附着在用户身上，而是被预先部署在用户周围的某些位置。在该方法中，用户的呼吸行为会影响标签与天线之间的信号传输，系统通过对这种信号变化进行捕获和分析，实现对用户呼吸数据的提取。相较于标签与目标接触放置的方法，标签固定放置方法由于用户无须进行任何佩戴操作而更加便捷，但受多用户及运动的影响更大，环境稳定性更弱。

基于声波信号的健康感知

       与基于射频识别的生命体征监测类似，基于智能手机声学信号的无线传感系统也引起了工业界应用和研究人员的高度关注。目前，声学传感系统可分为被动传感系统和主动传感系统两种类型。被动声学传感系统主要关注如何利用智能手机上的麦克风检测和处理周围的声音信号，以实现无线传感应用。主动声学传感系统通过利用18~22 kHz的超声波段，将智能手机用作具有扬声器和麦克风的主动声纳。在主动声学传感系统中，常用的信号调制方法有正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）、CW和FMCW三种。

       与基于射频的生命体征监测相比，基于声学的传感系统在声学相位或估计距离方面具有高分辨率。然而，基于声学的传感系统面临的主要挑战是容易受到环境音频噪声的影响以及智能手机的覆盖范围较小。此外，与基于雷达和基于Wi-Fi的感知系统相比，由于智能手机的发射功率较低，基于智能手机的声学传感系统穿透性较弱，无法穿透多层布料、床罩及障碍物等。

基于视觉传感器的健康感知

       基于光学方法实现生命体征信号的远程监测也是近年来受到广泛关注的研究方向。其中，一个重要的趋势是基于广泛存在于人们生活中的便携设备的摄像头传感器，实现对心率、呼吸，甚至血氧和血压等复杂生命体征的随时监控。研究者们在该领域进行了大量研究，并积累了一些较为成熟的技术，例如光电体积描记法（PhotoPlethysmoGraphy，PPG）等。

       血管中血液量变化引起的光学信号改变是基于视觉传感器捕捉生命体征信号的基本理论依据之一。在人体的一个心动周期中，血管中的血液量随时间持续变化，而这种变化会导致人体皮肤细微的颜色变化。尽管这些变化用肉眼难以察觉，但可以被光学传感器捕捉。摄像头传感器捕捉人体皮肤因血液循环而产生的微妙脉动，并通过对光谱的不同区域进行采样产生红色、绿色和蓝色的原始信号迹线。光电体积描记法通过处理这些原始信号获得包含生理信息的体积描记信号。

       光电体积描记法利用血液在不同波长下对光的吸收程度不同的特性，实现了通过光电信号进行无创人体脉搏和血流监测。受其启发，研究者提出了远程光电体积描记法（rPPG），基于光电体积描记法原理，利用普通RGB摄像头捕捉人脸表面由于心脏跳动带来的皮肤颜色变化，实现对心率等生理量的测量，实现了低成本且无创的生命指征测量。

       然而，在现实应用中，基于传统摄像头的生命体征监测方法面临着光照条件不稳定、运动场景下失效及不同肤色下性能差异大等挑战，有待研究者进行进一步探索。此外，基于视觉传感器的方法带来的数据隐私和安全问题也一直被广泛关注。

总结与展望

       本文介绍了多种无线传感器在健康感知领域的应用，如图4所示。但在智能健康感知研究领域中，目前的主流研究主要集中在对单一感知方式的探讨，例如基于射频设备的非接触式人体生命体征监测，或基于可穿戴设备的接触式睡眠分析、疾病监测等。此外，大部分现存研究仅基于单一传感器实现对单一生命体征指标的感知，如基于Wi-Fi或毫米波雷达的某一指标。然而，在现实使用场景中，各种方法在不同的环境下都有各自的优点和缺点，基于多传感器的多模态感知方式可以提供更高的精确度和感知效率。例如，基于视觉的方法对光照条件非常敏感，而基于射频信号的方法很容易受到身体运动的干扰。在这种情况下，通过多传感器多模态的融合，使利用它们的互补性提高生命体征信号检测的测量精度成为可能，也是泛在智能健康感知未来的发展方向之一。　■

参考文献：

[1] Nandakumar R, Gollakota S, Watson N, Contactless sleep apnea detection on smartphones[C]// Proc. ACM MobiSys’15. 2015: 45-57.

[2] Xu X, Yu J, Ma C, et al. mmecg: Monitoring human cardiac cycle in driving environments leveraging millimeter wave[C]// IEEE INFOCOM 2022-IEEE Conference on Computer Communications. 2022: 90-99.

[3] Lin J. Noninvasive microwave measurement of respiration[J]. Proceedings of the IEEE, 2005, 63(10): 1530-1530.

[4] Shi Z, Gu T, Zhang Y, et al. mmBP: Contact-free millimetre-wave radar based approach to blood pressure measurement[C]// Proceedings of the 20th ACM Conference on Embedded Networked Sensor Systems. 2022. DOI:10.1145/3560905.3568506.

[5] Liang K, Zhou A, Zhang Z, et al. mmStress: Distilling human stress from daily activities via contact-less millimeter-wave sensing[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2023, 7(3): 1-36.

[6] Wang Y, Wu K, Ni L. WiFall: Device-free fall detection by wireless networks[J]. IEEE Transactions on Mobile Computing, 2017, 16(2): 581-594.

[7] Wang H, Zhang D, Ma J, et al. Human respiration detection with commodity wifi devices: do user location and body orientation matter? [C]// ACM International Joint Conference on Pervasive & Ubiquitous Computing. 2016: 25-36.

[8] Yang C, Wang X, Mao S. RFID-based driving fatigue detection[C]// 2019 IEEE Global Communications Conference (GLOBECOM). IEEE, 2019: 1-6.

[9] Liu X, Cao J, Tang S, et al. Wi-Sleep: Contactless sleep monitoring via wifi signals[C]// Real-time Systems Symposium. 2014: 346-355.

[10] Liu J, Wang Y, Chen Y, et al. Tracking vital signs during sleep leveraging off-the-shelf wifi[C]// Proc. ACM Mobihoc’15. 2015:267-276.

[11] Wang X, Yang C, Mao S. PhaseBeat: Exploiting CSI phase data for vital sign monitoring with commodity wifi devices[C]// IEEE International Conference on Distributed Computing Systems. 2017: 1230-1239.

[12] Wang X, Yang C, Mao S. ResBeat: Resilient breathing beats monitoring with realtime bimodal CSI data[C]//GLOBECOM 2017-2017 IEEE Global Communications Conference. 2017: 1-6.

[13] Wang X, Yang C, Mao S. Tensorbeat: tensor decomposition for monitoring multiperson breathing beats with commodity WiFi[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2017, 9(1): 8.1-8.27.

[14] Chen C, Han Y, Chen Y, et al. TR-BREATH: Time-reversal breathing rate estimation and detection[J]. IEEE Transactions on Biomedical Engineering, 2017, 65(3): 489-501.

版权声明：中国计算机学会(CCF)拥有《中国计算机学会通讯》(CCCF)所刊登内容的所有版权，未经CCF允许，不得转载本刊文字及照片，否则被视为侵权。对于侵权行为，CCF将追究其法律责任。