Migliorare la Stima della Frequenza Respiratoria con gli Smartwatch

La frequenza respiratoria (RR) è un segno chiave di salute, che mostra quante respirazioni fa una persona in un minuto. Per gli adulti, una frequenza respiratoria normale a riposo è tra 12 e 20 respiri al minuto. Cambiamenti in questa frequenza possono indicare vari problemi di salute, tra cui ansia, bassi livelli di ossigeno e problemi con i livelli di anidride carbonica nel sangue. Monitorare la frequenza respiratoria è essenziale per valutare la salute dei pazienti in ospedale e durante le cure a domicilio.

#Sfide nella Misurazione della RR

Tradizionalmente, i ricercatori hanno usato diversi metodi per stimare la RR da segnali fisiologici come il fotopletismogramma (PPG), l’elettrocardiogramma (ECG) e le letture dell’Accelerometro (ACC). Questi metodi possono essere classificati in tre gruppi principali: Analisi dell'Ondwave, Machine Learning Convenzionale e Approcci di Deep Learning.

#Analisi dell'Ondwave

L'Analisi dell'Ondwave comporta diversi passaggi di elaborazione. Questi passaggi includono il filtraggio dei dati, la valutazione della qualità dei segnali, l'analisi nei domini temporali e di frequenza, l'estrazione di forme d'onda rilevanti legate alla respirazione, l'estrazione di caratteristiche basate su punti specifici nei dati e la combinazione di queste caratteristiche.

Ad esempio, alcuni studi hanno estratto modelli respiratori dai segnali PPG. Lo hanno fatto osservando i cambiamenti in ampiezza, intensità e frequenza. Contemporaneamente, hanno usato i dati dell'accelerometro per stimare la RR. Tuttavia, questi metodi spesso richiedono aggiustamenti manuali e regole specifiche per diversi tipi di pazienti, rendendoli meno affidabili in ambienti rumorosi.

#Machine Learning Convenzionale

Anche i metodi di Machine Learning Convenzionale sono stati usati per stimare la RR. Questi metodi analizzano le caratteristiche estratte dai segnali PPG, che includono sia caratteristiche basate sulla frequenza che altri tipi di caratteristiche. Modelli come Random Forest e Support Vector Machines sono stati addestrati usando queste caratteristiche per prevedere la RR. Anche se questi metodi possono dare risultati ragionevoli, spesso faticano con rumore e movimento, specialmente in situazioni reali.

#Approcci di Deep Learning

Il Deep Learning ha portato a metodi più avanzati per la stima della RR. Questi metodi possono elaborare segnali grezzi senza un'ampia estrazione di caratteristiche. Ad esempio, alcuni ricercatori hanno utilizzato Reti Neurali Adversarie Generative (GAN) per creare segnali respiratori dai PPG. Altri studi hanno sviluppato modelli di apprendimento end-to-end che stimano accuratamente la RR dai dati PPG grezzi.

Nonostante i loro progressi, molte di queste tecniche di deep learning sono state progettate per condizioni stabili, come quando un paziente è sdraiato fermo in ospedale. Non funzionano bene con segnali raccolti dal polso, dove rumore e artefatti di movimento sono più pronunciati.

#La Necessità di Metodi Migliorati

Con gli smartwatch che diventano sempre più popolari, c'è una crescente necessità di metodi robusti per stimare la RR usando segnali raccolti da questi dispositivi. Gli smartwatch sono dotati di vari sensori, tra cui PPG e accelerometri, che possono catturare segnali fisiologici durante le attività quotidiane.

Tuttavia, i segnali PPG basati sul polso possono essere piuttosto rumorosi rispetto ai segnali basati sulle dita, rendendo difficile estrarre dati accurati sulla RR in condizioni di vita libera. Questo richiede nuove tecniche che possano gestire efficacemente questo rumore.

#Metodo Proposto per la Stima della RR

Questo documento introduce un nuovo approccio per stimare la RR usando smartwatch. Il nostro metodo combina segnali da PPG, accelerometri e giroscopi per migliorare l'accuratezza.

#Raccolta Dati

Per sviluppare e testare il nostro metodo, abbiamo raccolto dati usando smartwatch Samsung Gear Sport e dispositivi Shimmer3. I partecipanti indossavano gli orologi sui polsi non dominanti mentre svolgevano attività quotidiane per 24 ore. Allo stesso tempo, il dispositivo Shimmer3, indossato sul petto, forniva un riferimento per la misurazione della RR, poiché può registrare dati con livelli di rumore più bassi.

#Panoramica del Metodo

Il metodo di stima della RR proposto comprende tre fasi principali:

1. Segmentazione e Filtraggio: Il primo passo consiste nel suddividere i segnali raccolti in parti più piccole e rimuovere segmenti che contengono rumore. L’obiettivo è mantenere segmenti che rappresentano schemi respiratori stabili. Abbiamo usato una durata specifica per questi segmenti, che ha dimostrato di funzionare bene per l'accuratezza.

2. Estrazione del Segnale: Nel secondo passo, utilizziamo una tecnica chiamata Analisi dei Componenti Indipendenti (ICA) per separare i segnali respiratori dai dati dell'accelerometro e del Giroscopio. Questo aiuta a migliorare la qualità dei segnali respiratori estratti dal rumore.

3. Estrazione delle Caratteristiche e Stima della RR: L'ultimo passo prevede l'uso di un modello di deep learning per analizzare i segnali elaborati e stimare la RR. Il nostro modello consiste in una rete neurale convoluzionale (CNN) multiscala che cattura caratteristiche importanti dai segnali.

#CNN Residuale Multi-Scale

Il nostro modello CNN include più componenti progettati per affrontare le sfide uniche presentate dai segnali basati sul polso.

1. Convoluzione Multi-Scale: Questo componente è responsabile dell'estrazione di caratteristiche dai segnali a diverse risoluzioni. Utilizza moduli di inception residuali dilatati per garantire che caratteristiche importanti non vengano perse durante l'analisi. Il modello migliora la qualità delle caratteristiche estratte mantenendo l'architettura più piccola e più efficiente.

2. Stimatore della Frequenza Respiratoria: Dopo l'estrazione delle caratteristiche, il modello utilizza strati completamente connessi per produrre un valore stimato di RR basato sui segnali di input elaborati.

#Test del Metodo Proposto

Abbiamo valutato il nostro metodo usando dati raccolti da 36 individui sani. Gli orologi hanno registrato dati PPG, ACC e giroscopio per un giorno intero.

#Confronto Dati

Per garantire una valutazione equa, abbiamo confrontato le stime prodotte dal nostro metodo con i valori di RR di riferimento ottenuti dal dispositivo Shimmer3 indossato sul petto. L’obiettivo era vedere quanto bene il nostro metodo potesse funzionare rispetto a tecniche consolidate.

Il nostro metodo è stato testato rispetto a quattro altre tecniche di stima della RR che sono state riconosciute nel campo. Per ciascun metodo, abbiamo calcolato l'Errore Assoluto Medio (MAE) e l'Errore Quadratico Medio (RMSE) per valutare le prestazioni.

#Risultati

I risultati hanno mostrato che il nostro metodo proposto ha superato le altre tecniche. I valori di MAE e RMSE raggiunti dal nostro metodo erano inferiori a quelli dei metodi concorrenti, indicando una migliore accuratezza nella stima della RR. Inoltre, il nostro metodo ha dimostrato una distribuzione più ristretta degli errori assoluti, suggerendo un maggiore accordo con i valori di RR di riferimento.

#Analisi Box Plot

Per analizzare ulteriormente le prestazioni, abbiamo creato box plot per illustrare la distribuzione degli errori assoluti tra i metodi. Il nostro approccio e un altro metodo avevano mediane di errore assoluto simili, mentre le tecniche rimanenti avevano mediane di errore più alte. Inoltre, la distribuzione dell'errore assoluto per il nostro metodo era più ristretta rispetto agli altri, dimostrando che fornisce stime più affidabili.

#Conteggio Parametri

Abbiamo anche valutato la complessità del nostro modello contando i suoi parametri. Il nostro metodo aveva significativamente meno parametri appresi rispetto a una delle tecniche concorrenti, rendendolo una soluzione più efficiente per la stima della RR.

#Conclusione e Direzioni Future

In sintesi, il nostro studio presenta un nuovo metodo basato su deep learning per stimare la frequenza respiratoria utilizzando segnali da smartwatch. L'approccio proposto elabora efficacemente i segnali PPG, dall'accelerometro e dal giroscopio basati sul polso, raggiungendo una migliore accuratezza rispetto ai metodi esistenti.

Sebbene i risultati siano promettenti, ci sono aree da migliorare. I lavori futuri si concentreranno sull'ottimizzazione ulteriore del metodo per ridurre le esigenze computazionali, rendendolo più adatto all'uso su dispositivi indossabili. Tecniche come la Distillazione della Conoscenza saranno esplorate per mantenere la precisione semplificando la struttura del modello.

In generale, i nostri risultati evidenziano l'importanza di adattare le tecniche di stima della RR alla tecnologia indossabile moderna, aprendo la strada a soluzioni migliori per il monitoraggio della salute nelle situazioni quotidiane.