UWB Radar-based Heart Rate Monitoring: A Transfer Learning Approach

📄 arXiv: 2507.14195v1 📥 PDF

作者: Elzbieta Gruzewska, Pooja Rao, Sebastien Baur, Matthew Baugh, Mathias M. J. Bellaiche, Sharanya Srinivas, Octavio Ponce, Matthew Thompson, Pramod Rudrapatna, Michael A. Sanchez, Lawrence Z. Cai, Timothy JA Chico, Robert F. Storey, Emily Maz, Umesh Telang, Shravya Shetty, Mayank Daswani

分类: eess.SP, cs.AI, cs.LG

发布日期: 2025-07-14

备注: 31 pages, 11 tables, 9 figures, 14 supplementary tables, 4 supplementary figures

💡 一句话要点

提出基于迁移学习的UWB雷达心率监测方法，加速消费电子集成

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: UWB雷达 心率监测 迁移学习 FMCW雷达 ResNet 非接触式监测

📋 核心要点

  1. 现有雷达心率监测技术依赖大量特定雷达系统的数据，缺乏跨系统通用性。
  2. 提出基于2D+1D ResNet的迁移学习框架，将FMCW雷达知识迁移到IR-UWB雷达。
  3. 实验表明，该方法在IR-UWB雷达上MAE降低25%，验证了迁移学习的有效性。

📝 摘要（中文）

雷达技术在通过移动电话等消费电子产品进行连续、非接触和被动心率监测方面具有未开发的潜力。然而，现有雷达系统的多样性和缺乏标准化意味着每个雷达系统都需要大量新的配对数据集。本研究展示了调频连续波(FMCW)和脉冲无线超宽带(IR-UWB)雷达系统之间的迁移学习，这两种雷达系统越来越多地集成到消费设备中。FMCW雷达利用连续啁啾信号，而IR-UWB雷达采用短脉冲。我们的毫米波FMCW雷达工作在60 GHz，带宽为5.5 GHz（2.7厘米分辨率，3个接收天线[Rx]），我们的IR-UWB雷达工作在8 GHz，带宽为500 MHz（30厘米分辨率，2个Rx）。使用一种新颖的2D+1D ResNet架构，我们实现了FMCW雷达心率监测的平均绝对误差(MAE)为0.85 bpm，平均绝对百分比误差(MAPE)为1.42%（N=119名参与者，平均每人8小时）。该模型在各种身体姿势和心率范围内保持了性能（低于5 MAE/10% MAPE），召回率为98.9%。然后，我们使用一个小的(N=376，平均每人6分钟) IR-UWB数据集，对在这个模型的一个变体进行了微调，该变体在单天线和单距离单元FMCW数据上训练。这种迁移学习方法产生了一个MAE为4.1 bpm，MAPE为6.3%（召回率为97.5%）的模型，与IR-UWB基线相比，MAE降低了25%。这种雷达系统之间用于心率监测的迁移学习演示有可能加速其引入现有消费设备。

🔬 方法详解

问题定义：论文旨在解决不同雷达系统（FMCW和IR-UWB）在心率监测应用中数据需求量大的问题。现有方法通常需要为每种雷达系统收集大量标注数据，成本高昂且效率低下。不同雷达系统之间的数据分布差异是迁移学习面临的主要挑战。

核心思路：论文的核心思路是利用迁移学习，将已在FMCW雷达数据上训练好的模型，通过微调的方式应用于IR-UWB雷达数据。这样可以避免从零开始训练IR-UWB雷达模型，显著减少所需的数据量。选择FMCW作为源域是因为其数据质量相对较高，且已有较好的模型。

技术框架：整体框架包含两个阶段：首先，在FMCW雷达数据上训练一个2D+1D ResNet模型，用于心率监测。该模型以雷达信号的时频图作为输入，输出心率估计值。然后，使用少量IR-UWB雷达数据对该模型进行微调，使其适应IR-UWB雷达的特性。微调过程中，可以调整整个模型的参数，也可以只调整部分参数。

关键创新：该论文的关键创新在于成功地将迁移学习应用于不同类型的雷达系统（FMCW和IR-UWB）的心率监测。以往的研究大多集中在同一种雷达系统内部的迁移学习，或者不同传感器之间的迁移学习。该论文证明了不同雷达系统之间存在可迁移的知识，为雷达心率监测的实际应用提供了新的思路。

关键设计：论文使用了2D+1D ResNet作为基础模型，该网络结构能够有效地提取雷达信号的时频特征。在迁移学习过程中，作者尝试了不同的微调策略，包括调整整个模型的参数和只调整部分参数。此外，作者还使用了单天线和单距离单元的FMCW数据进行预训练，以模拟实际应用中数据受限的情况。损失函数采用平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评估指标。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于FMCW雷达的2D+1D ResNet模型在心率监测任务上取得了优异的性能，MAE为0.85 bpm，MAPE为1.42%，召回率为98.9%。通过迁移学习，在少量IR-UWB数据上，MAE降低了25%，达到4.1 bpm，MAPE为6.3%，召回率为97.5%。这证明了迁移学习在不同雷达系统之间进行心率监测的可行性和有效性。

🎯 应用场景

该研究成果可应用于智能手机、智能手表等消费电子产品，实现非接触式、连续的心率监测。这对于慢性病管理、运动健康监测、睡眠质量评估等领域具有重要价值。未来，该技术有望进一步扩展到呼吸频率监测、血压监测等其他生理参数的监测，为个人健康管理提供更全面的解决方案。

📄 摘要（原文）

Radar technology presents untapped potential for continuous, contactless, and passive heart rate monitoring via consumer electronics like mobile phones. However the variety of available radar systems and lack of standardization means that a large new paired dataset collection is required for each radar system. This study demonstrates transfer learning between frequency-modulated continuous wave (FMCW) and impulse-radio ultra-wideband (IR-UWB) radar systems, both increasingly integrated into consumer devices. FMCW radar utilizes a continuous chirp, while IR-UWB radar employs short pulses. Our mm-wave FMCW radar operated at 60 GHz with a 5.5 GHz bandwidth (2.7 cm resolution, 3 receiving antennas [Rx]), and our IR-UWB radar at 8 GHz with a 500 MHz bandwidth (30 cm resolution, 2 Rx). Using a novel 2D+1D ResNet architecture we achieved a mean absolute error (MAE) of 0.85 bpm and a mean absolute percentage error (MAPE) of 1.42% for heart rate monitoring with FMCW radar (N=119 participants, an average of 8 hours per participant). This model maintained performance (under 5 MAE/10% MAPE) across various body positions and heart rate ranges, with a 98.9% recall. We then fine-tuned a variant of this model, trained on single-antenna and single-range bin FMCW data, using a small (N=376, avg 6 minutes per participant) IR-UWB dataset. This transfer learning approach yielded a model with MAE 4.1 bpm and MAPE 6.3% (97.5% recall), a 25% MAE reduction over the IR-UWB baseline. This demonstration of transfer learning between radar systems for heart rate monitoring has the potential to accelerate its introduction into existing consumer devices.