NIST的Wi-Fi系统精确定位呼吸困难的人

为了建立一种无处不在的健康监测机制，美国国家标准与技术研究所（NIST）开发了一种“BreatheSmart”算法，该算法使用Wi-Fi信号无线监测呼吸。NIST科学家声称，新冠肺炎疫情促使他们研发出一种无需复杂新硬件即可监测呼吸道健康的设备。

尽管NIST的BreathSmart并不是唯一可以监测呼吸的机制，但与其他方法相比，它确实带来了重大好处。由于它利用了Wi-Fi标准的信道状态信息，因此可以专门在软件中部署，而不需要任何额外的硬件。

 

BreatheSmart算法背后的系统架构突出了在不需要新硬件的情况下识别呼吸模式的能力。图片由NIST提供

 

在这篇文章中，我们将研究BreatheSmart算法以及其他一些无线呼吸监测方法，以确定其作为非侵入性呼吸健康指标的优势和权衡。我们还将讨论NIST技术的未来，以评估如何将其融入日常生活。

 

二合一

信道状态信息（CSI）有助于补偿部署Wi-Fi路由器的环境。CSI包括关于反射、衰减和由环境变化产生的路径长度变化的信息，以允许发射和接收的信号被适当地归一化和读取。

BreatheSmart算法的测试设置仅使用两个Wi-Fi设备，即接入点和客户端，来使用CSI表征目标的运动。图片由NIST提供

 

除了保护Wi-Fi信号的完整性外，这一功能还对生物运动引起的微小环境变化进行编码。人的呼吸会引起胸部的微小运动，这将改变从发射机到接收机的信号路径，因此，将被编码在Wi-Fi接入点中存储的CSI中。通过诸如BreatheSmart之类的适当算法，这些信息可以用于确定呼吸速率和识别麻烦的呼吸模式。

 

使用Wi-Fi监测呼吸

Wi-Fi硬件本身不足以检测呼吸问题。为了识别和表征异常呼吸模式，在CSI上使用了深度学习模型。预处理后，数据可以在训练和测试后输入到深度学习模型中，以有效地表征观察到的呼吸模式。

为了训练和测试模型，NIST使用了“RespiPro”人体模型。人体模型包括一个逼真的气道和可编程的呼吸，通常用于培训医疗专业人员。然而，在这个应用程序中，它被用来训练深度学习模型。

 

使用RespiPro人体模型的测试装置帮助研究人员描述了BreatheSmart算法识别呼吸模式的有效性。图片由NIST提供

 

训练后，BreatheSmart算法和RespiPro人体模型的初步测试显示，识别人体模型呼吸模式的成功率为99.54%。当然，这种测量受到各种参数的影响，如每秒帧数和衰减，但仍然是使用现有硬件测量生物运动的成功初始测试。

 

对您的健康状况进行全面了解

NIST的算法并不是检测呼吸的唯一方法。UWB雷达、光学或电容传感等技术都提供了类似的能力来检测微小的生理运动，但每种技术都有权衡。与BreatheSmart相比，每一款都需要额外的硬件才能正常工作。

虽然健康监测没有一刀切的解决方案，但BreatheSmart有望成为一种廉价、无创的呼吸监测方法。研究人员仍在开发和测试算法，以帮助识别弱点或潜在的改进。例如，研究人员认为CSIR是比CSI更可靠的呼吸测量替代方案。