Non-contact Respiratory Anomaly Detection using Infrared Light-wave Sensing

要約

人間の呼吸数とそのパターンは、被験者の身体的および心理的状態に関する重要な情報を伝えます。
異常な呼吸は致命的な健康上の問題を示している可能性があり、さらなる診断と治療につながります。
インコヒーレント赤外線を使用したワイヤレス光波センシング (LWS) は、プライバシーの懸念を引き起こすことなく、安全、目立たず、効率的で非侵襲的な人間の呼吸モニタリングに有望です。
呼吸監視システムは、呼吸の異常を特定するために、さまざまなタイプの呼吸パターンについてトレーニングする必要があります。また、システムは収集したデータを呼吸波形として検証し、外部の中断、ユーザーの動き、またはシステムの誤動作によって引き起こされた欠陥のあるデータを破棄する必要があります。
これらのニーズに応えるために、この研究では、人間の呼吸パターンを模倣するロボットを使用して、正常な呼吸とさまざまな種類の異常な呼吸をシミュレートしました。
次に、赤外線光波センシング技術を使用して時系列の呼吸データを収集しました。
デシジョン ツリー、ランダム フォレスト、XGBoost という 3 つの機械学習アルゴリズムが、呼吸の異常と欠陥のあるデータを検出するために適用されました。
モデルのパフォーマンスは、分類精度、適合率、再現率スコアを評価する相互検証を通じて評価されました。
ランダム フォレスト モデルは、0.5 m の距離で収集されたデータで 96.75% という最高の分類精度を達成しました。
一般に、ランダム フォレストや XGBoost などのアンサンブル モデルは、光波センシング設定から複数の距離で収集されたデータを分類する際に、単一モデルよりも優れたパフォーマンスを発揮しました。

要約(オリジナル)

Human respiratory rate and its pattern convey essential information about the physical and psychological states of the subject. Abnormal breathing can indicate fatal health issues leading to further diagnosis and treatment. Wireless light-wave sensing (LWS) using incoherent infrared light shows promise in safe, discreet, efficient, and non-invasive human breathing monitoring without raising privacy concerns. The respiration monitoring system needs to be trained on different types of breathing patterns to identify breathing anomalies.The system must also validate the collected data as a breathing waveform, discarding any faulty data caused by external interruption, user movement, or system malfunction. To address these needs, this study simulated normal and different types of abnormal respiration using a robot that mimics human breathing patterns. Then, time-series respiration data were collected using infrared light-wave sensing technology. Three machine learning algorithms, decision tree, random forest and XGBoost, were applied to detect breathing anomalies and faulty data. Model performances were evaluated through cross-validation, assessing classification accuracy, precision and recall scores. The random forest model achieved the highest classification accuracy of 96.75% with data collected at a 0.5m distance. In general, ensemble models like random forest and XGBoost performed better than a single model in classifying the data collected at multiple distances from the light-wave sensing setup.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google