摘要：心房颤动（ Atrial fibrillation，简称房颤）是一种常见且严重的心率失常，在全球范围内与较高的发病率和死亡率相关。心电图（ECG）被认为是诊断房颤的金标准。然而，目前的心电图检查主要仅在出现症状时或偶尔体检时使用，因为其测量方式需要接触皮肤。这

撰文丨王聪

编辑丨王多鱼

排版丨水成文

心房颤动（ Atrial fibrillation，简称房颤）是一种常见且严重的心率失常，在全球范围内与较高的发病率和死亡率相关。心电图（ECG）被认为是诊断房颤的金标准。然而，目前的心电图检查主要仅在出现症状时或偶尔体检时使用，因为其测量方式需要接触皮肤。这种局限性导致难以捕捉到早期的心颤发作，从而错失了及时干预的机会。

2025 年 5 月 20 日，中国科学技术大学陈彦团队在Nature Communications期刊发表了题为： Atrial fibrillation detection via contactless radio monitoring and knowledge transfer 的研究论文。

该研究开发了一个基于无线电技术和人工智能的非接触式房颤检测系统，该系统有助于在传统临床诊断路径之前检测出房颤。

在这项最新研究中，研究团队开发了一种基于人工智能 + 雷达的非接触式房颤监测系统。该系统通过将无线电波捕捉到的心脏机械运动转化为房颤检测结果。该系统能够以完全非接触、无需操作且无需设备的方式检测房颤，其性能接近经过大规模临床验证的基于心电图的房颤检测方法。

具体而言，该系统在 6258 名门诊患者（包括 229 名房颤患者）中进行了测试，其房颤检测性能与基于心电图的方法相当，灵敏度为 0.844，特异性为 0.995 。研究团队进一步在实际日常生活场景（睡眠状态）中进行了验证，在 27 名受试者中有 2 人在临床诊断前成功检测出房颤。该系统还显示出能够捕捉到手术前后房颤发作转变的敏感性。

该系统的优异性能源于两项关键创新：首先，研究团队设计了一种毫米波雷达，采用混合信号处理算法来精确捕捉毫米级的心脏机械运动。其次，通过利用知识迁移技术和心脏兴奋-收缩偶联机制，借助基于现有大规模心电图数据集构建的心电图诊断知识来训练人工智能（AI）模型，以实现对房颤相关机械运动模式的精确识别。

尽管该系统仅在相对静止的受试者身上做了测试，但该研究的初步证据显示，该系统能够应用于实际的日常生活场景，在传统临床诊断流程之前检测出房颤。这些结果突显了其支持可行的终身主动监测的潜力，涵盖房颤进展的整个范围。

该技术利用无线电信号远程捕捉亚毫米级心脏运动，并通过人工智能驱动的知识转移从心电图诊断中识别房颤模式

总的来说，该研究开发了一种完全无接触、无需操作且无需设备的房颤监测系统，能够无缝融入日常生活（例如在睡眠或工作期间）以支持可行的终身主动监测，涵盖从无房颤到房颤进展的整个范围。该系统有望使现有的房颤筛查和诊断工作流程朝着个性化和主动管理策略发展，最终实现更高效的心血管医疗保健。

论文链接：

来源：科学学僧