最近，美國國家標準與技術研究所(NIST)開發(fā)了一種“BreatheSmart”算法，該算法使用Wi-Fi信號來無線監(jiān)測呼吸。NIST的科學家稱，COVID-19大流行促使他們研發(fā)一種不需要復雜新硬件的監(jiān)測呼吸健康的設備。

雖然NIST的BreatheSmart不是監(jiān)測呼吸的唯一方法，但與其他方法相比，它確實有很大的優(yōu)勢。由于利用了Wi-Fi標準的信道狀態(tài)信息，它可以單獨部署在軟件中，而不需要任何額外的硬件。

本文將研究BreatheSmart算法及其他一些無線呼吸監(jiān)測方法，以確定其作為一種無創(chuàng)呼吸健康指標的優(yōu)點和利弊。我們還將討論NIST技術的未來，以評估如何將其集成到日常生活中。

合二為一

信道狀態(tài)信息(CSI)有助于補償部署Wi-Fi路由器的環(huán)境。CSI包括有關反射、衰減和由環(huán)境變化引起的路徑長度變化的信息，將傳輸和接收到的信號規(guī)范化并適當?shù)刈x出。

除了保護Wi-Fi信號的完整性，該功能還可以記錄由生物運動引起的微小環(huán)境變化。人體呼吸會引起輕微的胸部運動，這將改變從發(fā)射器到接收器的信號路徑，這些信息將被編碼在Wi-Fi接入點的CSI中。使用適當?shù)乃惴?如BreatheSmart)，這些信息可用于確定呼吸頻率并識別有問題的呼吸模式。

使用Wi-Fi監(jiān)測呼吸

Wi-Fi硬件本身不足以檢測到呼吸問題。為了識別和描述異常呼吸模式，CSI使用了深度學習模型。經過預處理、訓練和測試后，可以將數(shù)據輸入到深度學習模型中，以有效地表征所觀察到的呼吸模式。

為了訓練和測試模型，NIST使用了一個“RespiPro”人體模型。這個人體模型包括一個逼真的氣道和可編程的呼吸，通常用于培訓醫(yī)療專業(yè)人員。在這里，它被用于訓練深度學習模型。

訓練結束后，使用BreatheSmart算法和RespiPro人體模型進行的初步測試顯示，識別人體模型呼吸模式的成功率為99.54%。當然，這種測量受到諸如每秒幀數(shù)和衰減等各種參數(shù)的影響，但仍然是使用現(xiàn)有硬件測量生物運動的初步成功測試。

不間斷的健康監(jiān)測

NIST的算法并不是監(jiān)測呼吸的唯一方法。超寬帶雷達、光學或電容傳感等技術都提供了類似的探測小生理運動的能力，但每一種都需要權衡。與BreatheSmart相比，它們都需要額外的硬件才能正常工作。

雖然目前還沒有一種適用于所有健康監(jiān)測的解決方案，但BreatheSmart作為一種廉價、非侵入性的呼吸監(jiān)測方法顯示出前景。研究人員仍在開發(fā)和測試算法，以實現(xiàn)改進。例如，研究人員認為CSIR是一種比CSI更可靠的呼吸測量方法。

審核編輯：劉清