Verbesserung der Schätzung der Atemfrequenz mit Smartwatches

Die Atemfrequenz (AF) ist ein wichtiges Zeichen für die Gesundheit und zeigt, wie viele Atemzüge eine Person pro Minute macht. Bei Erwachsenen liegt eine normale Ruhe-Atemfrequenz zwischen 12 und 20 Atemzügen pro Minute. Veränderungen in dieser Frequenz können auf verschiedene Gesundheitsprobleme hinweisen, einschliesslich Angst, niedrigen Sauerstoffspiegeln und Problemen mit Kohlenstoffdioxidwerten im Blut. Die Überwachung der Atemfrequenz ist entscheidend für die Bewertung der Gesundheit von Patienten in Krankenhäusern und bei der häuslichen Pflege.

#Herausforderungen bei der Messung der AF

Traditionell haben Forscher verschiedene Methoden verwendet, um die AF aus physiologischen Signalen wie Photoplethysmogramm (PPG), Elektrokardiogramm (EKG) und Beschleunigungssensor (ACC) abzuleiten. Diese Methoden können in drei Hauptgruppen eingeteilt werden: Wellenform-Analyse, herkömmliche maschinelles Lernen und Deep-Learning-Ansätze.

#Wellenform-Analyse

Die Wellenform-Analyse umfasst mehrere Verarbeitungsschritte. Dazu gehören das Filtern der Daten, die Bewertung der Signalqualität, die Analyse von Zeit- und Frequenzbereichen, das Extrahieren relevanter Wellenformen im Zusammenhang mit der Atmung, das Extrahieren von Merkmalen basierend auf bestimmten Punkten in den Daten und das Kombinieren dieser Merkmale.

Einige Studien haben zum Beispiel Atemmuster aus PPG-Signalen extrahiert. Sie haben das getan, indem sie Änderungen in Amplitude, Intensität und Frequenz betrachtet haben. Gleichzeitig nutzten sie die Daten des Beschleunigungssensors, um die AF zu schätzen. Diese Methoden erfordern jedoch oft manuelle Anpassungen und spezifische Regeln für unterschiedliche Patiententypen, was sie in lauten Umgebungen weniger zuverlässig macht.

#Herkömmliches Maschinelles Lernen

Auch herkömmliche Methoden des maschinellen Lernens wurden zur Schätzung der AF verwendet. Diese Methoden analysieren Merkmale, die aus PPG-Signalen extrahiert werden, wobei sowohl frequenzbasierte Merkmale als auch andere Arten von Eigenschaften einbezogen werden. Modelle wie Random Forest und Support Vector Machines wurden mit diesen Merkmalen trainiert, um die AF vorherzusagen. Während diese Methoden recht gut funktionieren können, haben sie oft Schwierigkeiten mit Rauschen und Bewegung, besonders in realen Situationen.

#Deep-Learning-Ansätze

Deep Learning hat zu fortschrittlicheren Methoden zur Schätzung der AF geführt. Diese Methoden können unverarbeitete Signale ohne umfangreiche Merkmalsextraktion verarbeiten. Zum Beispiel haben einige Forscher Generative Adversarial Networks (GAN) verwendet, um Atemsignale aus PPG zu erstellen. Andere Studien haben End-to-End-Lernmodelle entwickelt, die die AF genau aus Roh-PPG-Daten schätzen.

Trotz ihrer Fortschritte wurden viele dieser Deep-Learning-Techniken für stabile Bedingungen entwickelt, etwa wenn ein Patient ruhig im Krankenhaus liegt. Sie schneiden schlecht ab, wenn sie mit Signalen verwendet werden, die vom Handgelenk erfasst wurden, wo Rauschen und Bewegungsartefakte stärker ausgeprägt sind.

#Bedarf an verbesserten Methoden

Mit der zunehmenden Beliebtheit von Smartwatches gibt es einen wachsenden Bedarf an robusten Methoden zur Schätzung der AF unter Verwendung von Signalen, die von diesen Geräten gesammelt werden. Smartwatches sind mit verschiedenen Sensoren ausgestattet, darunter PPG und Accelerometer, die physiologische Signale während alltäglicher Aktivitäten erfassen können.

Allerdings sind die vom Handgelenk erfassten PPG-Signale im Vergleich zu fingerbasierten Signalen oft recht laut, was es schwierig macht, genaue AF-Daten in frei lebenden Bedingungen zu extrahieren. Das erfordert neue Techniken, die dieses Rauschen effektiv handhaben können.

#Vorgeschlagene Methode zur Schätzung der AF

Dieses Papier stellt einen neuen Ansatz zur Schätzung der AF unter Verwendung von Smartwatches vor. Unser Verfahren kombiniert Signale von PPG, Beschleunigungssensoren und Gyroskopen, um die Genauigkeit zu verbessern.

#Datenerhebung

Um unsere Methode zu entwickeln und zu testen, haben wir Daten mit Samsung Gear Sport Smartwatches und Shimmer3-Geräten gesammelt. Die Teilnehmer trugen die Uhren am nicht-dominanten Handgelenk, während sie 24 Stunden lang alltägliche Aktivitäten durchführten. Gleichzeitig lieferte das am Brust getragenen Shimmer3-Gerät eine Referenz für die AF-Messung, da es Daten mit niedrigeren Rauschpegeln aufzeichnen kann.

#Methodenübersicht

Die vorgeschlagene Methode zur Schätzung der AF umfasst drei Hauptphasen:

1. Segmentierung und Filterung: Der erste Schritt besteht darin, die gesammelten Signale in kleinere Teile zu zerlegen und Segmente zu entfernen, die Rauschen enthalten. Das Ziel ist es, Segmente beizubehalten, die stabile Atemmuster darstellen. Wir verwendeten eine spezifische Dauer für diese Segmente, die sich als gut für die Genauigkeit erwiesen hat.

2. Signale extrahieren: Im zweiten Schritt verwenden wir eine Technik namens Independent Component Analysis (ICA), um Atemsignale von den Daten des Beschleunigungssensors und Gyroskops zu trennen. Das hilft, die Qualität der aus dem Rauschen extrahierten Atemsignale zu verbessern.

3. Merkmal-Extraktion und AF-Schätzung: Der letzte Schritt beinhaltet die Verwendung eines Deep-Learning-Modells zur Analyse der verarbeiteten Signale und zur Schätzung der AF. Unser Modell besteht aus einem mehrschichtigen konvolutionalen neuronalen Netzwerk (CNN), das wichtige Merkmale aus den Signalen erfasst.

#Multi-Scale Residual CNN

Unser CNN-Modell umfasst mehrere Komponenten, die dafür ausgelegt sind, die einzigartigen Herausforderungen zu bewältigen, die von handgelenk-basierten Signalen ausgehen.

1. Multi-Scale Convolution: Diese Komponente ist verantwortlich für die Extraktion von Merkmalen aus den Signalen bei verschiedenen Auflösungen. Sie verwendet dilatierte Residual-Inception-Module, um sicherzustellen, dass wichtige Merkmale während der Analyse nicht verloren gehen. Das Modell verbessert die Qualität der extrahierten Merkmale und hält gleichzeitig die Architektur kleiner und effizienter.

2. Atemfrequenzschätzer: Nach der Merkmalextraktion verwendet das Modell vollständig verbundene Schichten, um einen geschätzten AF-Wert basierend auf den verarbeiteten Eingangs-signalen zu erzeugen.

#Testen der vorgeschlagenen Methode

Wir haben unsere Methode mit Daten evaluiert, die von 36 gesunden Personen gesammelt wurden. Die Uhren zeichneten PPG-, ACC- und Gyroskopdaten für einen ganzen Tag auf.

#Datenvergleich

Um eine faire Bewertung sicherzustellen, haben wir die Schätzungen, die von unserer Methode produziert wurden, mit den Referenz-AF-Werten verglichen, die vom am Brust getragenen Shimmer3-Gerät erhalten wurden. Das Ziel war zu sehen, wie gut unsere Methode im Vergleich zu etablierten Techniken abschneiden konnte.

Unsere Methode wurde gegen vier andere AF-Schätzungstechniken getestet, die in diesem Bereich anerkannt sind. Für jede Methode berechneten wir den mittleren absoluten Fehler (MAE) und den Wurzel aus dem mittleren quadratischen Fehler (RMSE), um die Leistung zu bewerten.

#Ergebnisse

Die Ergebnisse zeigten, dass unsere vorgeschlagene Methode die anderen Techniken übertraf. Die MAE- und RMSE-Werte, die von unserer Methode erreicht wurden, waren niedriger als die der konkurrierenden Methoden, was auf eine bessere Genauigkeit bei der Schätzung der AF hinweist. Darüber hinaus zeigte unsere Methode eine engere Verteilung der absoluten Fehler, was auf eine höhere Übereinstimmung mit den Referenz-AF-Werten hinweist.

#Box-Plot-Analyse

Um die Leistung weiter zu analysieren, haben wir Boxplots erstellt, um die Verteilung der absoluten Fehler über die Methoden hinweg darzustellen. Unser Ansatz und eine andere Methode hatten ähnliche mediane absolute Fehler, während die verbleibenden Techniken höhere mediane Fehler aufwiesen. Darüber hinaus war die Verteilung der absoluten Fehler für unsere Methode enger im Vergleich zu den anderen, was zeigt, dass sie zuverlässigere Schätzungen liefert.

#Parameteranzahl

Wir haben auch die Komplexität unseres Modells bewertet, indem wir seine Parameter gezählt haben. Unsere Methode hatte deutlich weniger gelernten Parameter im Vergleich zu einer der konkurrierenden Techniken, was sie zu einer effizienteren Lösung für die AF-Schätzung macht.

#Fazit und Ausblick

Zusammenfassend präsentiert unsere Studie eine neue Methode zur Schätzung der Atemfrequenz auf der Basis von Deep Learning unter Verwendung von Signalen aus Smartwatches. Der vorgeschlagene Ansatz verarbeitet erfolgreich handgelenk-basierte PPG-, Beschleunigungssensor- und Gyroskopsignale und erreicht dabei eine bessere Genauigkeit als bestehende Methoden.

Obwohl die Ergebnisse vielversprechend sind, gibt es Bereiche für Verbesserungen. Zukünftige Arbeiten werden sich darauf konzentrieren, die Methode weiter zu optimieren, um den Rechenaufwand zu reduzieren, was sie besser für den Einsatz auf tragbaren Geräten geeignet macht. Techniken wie Knowledge Distillation werden untersucht, um die Präzision zu erhalten und gleichzeitig die Struktur des Modells zu vereinfachen.

Insgesamt unterstreichen unsere Ergebnisse die Bedeutung der Anpassung von Techniken zur Schätzung der AF an moderne tragbare Technologien und ebnen den Weg für bessere Gesundheitsüberwachungslösungen im Alltag.