使用耳穿戴设备的运动和声学传感器在静止位置远程追踪呼吸率

文献标题

使用耳戴设备的运动和声学传感器在静止状态下遥感跟踪呼吸频率

文献信息

• 主题领域: 人类健康监测与移动计算
• 关键词: 呼吸、耳戴设备、呼吸频率、远程监测、穿戴设备、运动传感器、声学传感器、呼吸率估计、信号处理、机器学习

研究背景与问题

• 问题与挑战:

  • 呼吸频率是重要的生命体征，但目前的检测方法需要昂贵的设备（如胸带）或手动计数，较为不便。
  • 通过耳戴设备监测呼吸频率的潜力尚未被充分挖掘，但背景噪声和用户头部的微小非呼吸运动会降低其准确性。
  • 以单一传感器为基础的呼吸监测方案在噪声环境中会丢失大量数据，造成低保持率（Retention Rate）。

• 重要性:

  • 呼吸频率是评估呼吸系统健康的重要指标，对于呼吸疾病患者（如慢性阻塞性肺病和哮喘）具有重要意义。
  • 日常呼吸监控可以帮助早期识别严重的疾病恶化，与心理压力、情绪和认知负荷也密切相关。

• 研究动机与相关工作:

  • 尽管现有的一些研究展示了智能手机、智能手表和耳戴设备在呼吸监测中的可能性，但它们往往忽略了噪声过滤下的数据保持率问题。
  • 多模态解决方案作为减少噪声影响的一种潜在方式，尤其在耳戴设备上的应用还未被深入研究。

解决方案

• 方法与创新:

  • 提出了一种结合运动传感器和声学传感器的多模态方法，用于耳戴设备的呼吸频率监测。
  • 使用基于信号处理的算法从运动传感器生成的信号中提取呼吸信号，同时利用轻量级随机森林机器学习模型处理麦克风的声学数据。
  • 集成多模态方法，当运动传感器在高头部运动场景下无法准确估算时，补充使用声学数据。

• 关键技术与步骤:

  1. 数据采集: 使用三星耳戴设备（Galaxy Buds Pro）结合FDA批准的胸带进行基础训练数据收集。
  2. 运动传感器处理: 采用零交叉率（Zero-Crossing Rate）、快速傅里叶变换（FFT）和峰值检测的信号处理技术。
  3. 声学数据处理: 利用机器学习（随机森林与多层感知机）分类器检测声音中的呼吸“过渡点”，结合噪声过滤优化算法。
  4. 多模态集成: 在呼吸信号弱的情况下，运动传感器和声学传感器互补以提供更高的预测保留率和准确性。

研究成果

• 具体成果:

  • 在Lab和Home环境的30名参与者（2635个呼吸会话）真实场景测试中展示了该系统的优越性能。
  • 多模态方法实现了<2 BPM的平均绝对误差（MAE），保持率达75.1%。

• 相较现有方案的优势:

  • 提高了数据保留率（单独使用运动传感器或声学传感器时分别为49.4%和53.1%，而多模态可达75.1%）。
  • 在精确性上与现有方法持平或更优，在各姿态（站立、坐姿、躺卧）中更具适应性。

• 实验与评估结果:

  • 在无噪声的Lab环境中表现尤佳（MAE < 2 BPM）；在家庭噪音环境下，通过噪声过滤算法仍能保持高保留率。
  • 相较单一传感器，在更广泛的呼吸频率范围（10–30 BPM）中实现了稳定的估计。

• 局限性与未来方向:

  • 当前系统对患者依从性的要求较高，实际场景（噪声和显著头部运动条件）可能影响性能。
  • 未评估异常呼吸范围的性能（如呼吸率高于30 BPM或低于10 BPM）；未来可调整参数以支持广泛的病理生理范围。
  • 探索更适合长时间被动呼吸率监测的优化算法（如引入占空比机制）。