Нейросеть для определения частоты дыхания с помощью UWB-радара достигла MAE 1.73 BPM
**⚠️ Status: preprint This article is based on a preprint published on arXiv. The work may not have undergone independent peer review. Conclusions reflect the authors' position.
Нейросеть для определения частоты дыхания с помощью UWB-радара достигла MAE 1.73 BPM
Кратко: Предложена сверточная нейросеть (CNN) для оценки частоты дыхания по сигналам дешёвого коммерческого UWB-радара, совместимого со стандартом IEEE 802.15.4z. В тестах на новых сценариях модель показала среднюю абсолютную ошибку 1,73 вдоха в минуту, что значительно лучше традиционных алгоритмов и модельных решений.
Что произошло
Исследователи использовали недорогой импульсный сверхширокополосный (IR-UWB) радар, соответствующий спецификации IEEE 802.15.4z, для бесконтактного измерения дыхания. Они разработали сверточную нейросеть, которая предсказывает частоту дыхания на основе импульсной характеристики канала (CIR) UWB-сигнала. Эксперименты проводились в различных реальных окружениях, что подтверждает устойчивость системы. Датасет планируется опубликовать в открытом доступе.
Что изменилось по сравнению с предыдущей версией
Работа является новым исследованием, а не обновлением существующей версии. Сравнение проводилось с rule-based и model-based методами: CNN превзошла их по точности, особенно в невидимых ранее условиях.
Цены и доступность
Исследование опубликовано в виде препринта на arXiv (не рецензировано). Используемое оборудование — коммерчески доступный COTS UWB-радар. Датасет будет выпущен как открытый, что позволит другим группам воспроизвести и улучшить результаты.
Почему это важно
Респираторные заболевания — одна из ведущих причин смертности в мире. Доступное и раннее выявление нарушений дыхания может спасать жизни. Предложенный подход сочетает низкую стоимость аппаратной части (COTS-радар) и высокую точность за счёт глубокого обучения, что открывает путь к массовому мониторингу дыхания вне клиник.
Для пользователей AI-Sphere
Для тех, кто интересуется применением ИИ в медицинских устройствах, эта работа демонстрирует, как нейросети могут извлекать физиологические сигналы из зашумленных данных дешёвых сенсоров. Технология потенциально применима в умных домах, удалённой диагностике и носимых устройствах. Следите за выходом открытого датасета — он может стать основой для собственных экспериментов.
Источники