非接触レーダー - 石家荘市イルラーゴデイチーニ有限公司

Scientific Reports volume 12、記事番号: 5150 (2022) この記事を引用

6734 アクセス

11 件の引用

9 オルトメトリック

メトリクスの詳細

バイタルサイン監視システムは、入院中の新生児のケアに不可欠です。未熟児は臓器や免疫系が未熟であるため、重要なパラメータを継続的に監視する必要があり、センサーを脆弱な皮膚に直接取り付ける必要があります。可動性の制限やストレスに加えて、これらのセンサーは皮膚の炎症を引き起こすことが多く、圧迫壊死を引き起こす可能性があります。この研究では、新生児集中治療室 (NICU) での呼吸モニタリングに非接触レーダーベースのアプローチが実行可能であることを示します。初めて、NICU の日常業務に共通するさまざまなシナリオが調査され、実際の臨床現場でのモニタリングの課題が、信号処理フレームワークのさまざまな貢献を通じて解決されます。強い干渉下で測定値を単に破棄するのではなく、復元された信号の時間周波数分解に基づいた新しいランダムな体の動きの軽減手法を提案します。さらに、呼吸信号の調波構造を調査するシンプルで正確な周波数推定器を提案します。その結果、提案されたレーダーベースのソリューションは、ほとんどの場合、ケーブル接続されたデバイスの基準値に近い信頼性の高い呼吸周波数推定を提供できます。私たちの調査結果は、このテクノロジーの長所と限界を明らかにし、バイタルサイン監視のための完全に非接触のソリューションに向けた将来の研究の基礎を築きました。

毎年 1,500 万人近くの乳児が妊娠 37 週目までに生まれており、これは世界中の全出生の約 10% が早産であることを意味します1。これらの乳児は、臓器系と関連機能、免疫系が未熟であるため、感染症、慢性疾患、呼吸器疾患のリスクが高くなります。呼吸調節と肺の未熟さは、無呼吸徐脈や呼吸窮迫症候群を引き起こすことがよくあります。これに続いて、在胎 30 週未満で生まれた乳児の 27% で気管支肺異形成が起こるのが一般的です2、3、4、5。したがって、これらの未熟児のさらなる発育は子宮外で継続する必要があり、通常、新生児集中治療室 (NICU) で数週間を過ごさなければなりません。

この期間中、未発達な器官を継続的に監視する必要があります。多くの場合、新生児は非経口栄養、呼吸補助、侵襲的診断介入に依存していますが、これらは生存に不可欠であるにもかかわらず、子どもにストレスを引き起こす可能性があります。呼吸、心拍数、酸素飽和度などの基本的な生体パラメータも監視する必要があります。この目的のために、いくつかのセンサーが彼らの脆弱な皮膚に直接取り付けられ、ケーブルを通じて監視システムに接続されます。可動性の制限に加えて、これらのセンサーは皮膚の炎症を引き起こすことが多く、最終的には圧迫壊死を引き起こす可能性があります6、7、8、9、10、11。

未熟児の発育を促進するために、非侵襲的なモニタリングおよび診断ソリューションに向けて多くの努力がなされてきました。ケーブル接続なしで皮膚に貼り付けてさまざまなバイタルサインを監視できるセンサーの使用が研究されています12、13。現在の研究では、小児の非侵襲的診断のためのさまざまな非接触技術の可能性も調査されています。揮発性有機化合物を分析することにより、身体の排泄物の病理学的変化を検出する取り組みが進行中です14、15。動的光散乱16、ビデオ17、または光電脈波計18、19などに基づいて、皮膚への直接接触やケーブル接続を行わずに脈拍数と酸素飽和度を監視する光学的方法を使用するアプローチがあります。早産児との関連性が高いのは、周期性呼吸と無呼吸に関する呼吸器病理の診断と分類です20,21。この課題は、呼吸運動、心拍数、酸素飽和度、鼻呼吸などのさまざまなバイタルサインの重複測定を必要とするさまざまな非接触技術を使用して対処されます22、23、24。

心肺活動の非接触モニタリングは患者を閉じ込めたり阻害したりせず、衛生上のリスクを軽減し、不快感、刺激、皮膚損傷を引き起こしません25,26。これに関連して、レーダーは本質的に低電力、低コストでプライバシーを保護する有望な技術であることがすでに証明されています27、28、29。カメラベースのシステム30、31とは異なり、レーダー信号はさまざまな素材（プレキシガラス、衣類、マットレス、毛布など）を透過することができ、皮膚の色素沈着や周囲光レベルの影響を受けません。しかし、送信電力が低下するため、これらの信号は簡単に背景ノイズに埋もれたり、監視対象の患者の体の動きなどのより強力な外部干渉によってマスクされたりする可能性があります32。この干渉は、ケーブル接続されたデバイスだけでなく、非接触ソリューションでも正確な推定を行う上で大きな課題となります。したがって、信頼性が高く堅牢な測定を保証するには、特定の信号処理技術が必要です。

最近の研究 33,34 では、超広帯域レーダーが特定の条件下で新生児の信頼できる呼吸数推定値を提供できることが実証されています。しかし、これらの調査は、新生児が常に仰向けの姿勢で屋外のベビーベッドの上に横たわっているという単一のシナリオに限定されていました。さらに、レーダーの性能は、監視対象の患者の最小限の動作中にのみ評価されました。この記事では、よりシンプルな連続波 (CW) レーダーデバイスを使用して、動きの量や外部干渉に関係なく、NICU のルーチンに共通するさまざまなシナリオの下で未熟児を調査することで、さらに一歩進めます。実際の臨床設定における監視対象患者の特異性により、いくつかの課題が生じますが、これらの課題は、提案された信号処理フレームワークでのさまざまな貢献を通じて解決されました。特に、強い干渉下で測定値を単に破棄するのではなく 33,34,35,36,37 、復元された信号の時間周波数分解に基づいた新しいランダムな体動軽減技術を提案します。さらに、呼吸信号の調波構造を調査する、シンプルで正確な周波数推定器を提案します。

心血管系および呼吸器系の活動は、人体に何らかの物理的および生理学的影響を引き起こします。胸壁は、横隔膜と肋間筋の動きの結果として、吸気/呼気サイクル中に動きます。この小さく周期的な変位はレーダーで検出できるため、特定の条件下での呼吸数を正確に推定できます。図 1a は、CW レーダーの基本動作原理を示しています。送信された信号は自由空間を伝播し、レーダーの視野内のすべての物体に到達し、各物体の位置に関する追加の位相情報とともに反射されます。したがって、受信信号は、送信信号のスケーリングおよびタイムシフトされたバージョンとしてモデル化でき、時間の経過に伴う位相変化にはシーンの動きに関する貴重な情報が含まれます。この時間変化する位相 \(\theta (t)\) は通常、次のように復元できます。

ここで、\(\lambda\) はレーダーの動作波長、d(t) は理想的には呼吸機構による胸壁の動きのみに対応する変位信号を表します。レーダーで見られるように、この動きは主に胸部の可動面上の反射点によって発生しますが、患者の相対位置に応じて、腹部、側腹、背中からの残留動きがさらに含まれる場合があります。健康な成人では、この動作の標準的な振幅は 4 mm から 12 mm の範囲であり 38、呼吸数は 5 ～ 25 呼吸/分 (bpm) の範囲で変化します 39。未熟児の場合、これらの振幅は 1 mm 未満になることがありますが、平均呼吸数は通常 60 bpm に達し 40、特定の条件下では最大 80 bpm に達することがあります 41。

NICU での呼吸モニタリング用の連続波レーダー。 (a) 基本的な動作原理。 (b) 信号処理チェーンのブロック図。推定の前に、アナログデジタルコンバーター (ADC) からの受信信号は位相復調され、ランダム体動 (RBM) 軽減ユニットでさらに処理されます。

胸壁の動き d(t) が完全に回復すると、動きの周期性を簡単に分析することで呼吸頻度 \(f_b\) を正確に推定できるようになります。しかし、実際の臨床設定では、避けられないハードウェアの欠陥に加えて、受信したレーダー信号には通常、監視対象の患者のさまざまな体の動きだけでなく、シーン内のすべての移動物体からも生じる外部環境からのさらなる反射が混合されます。これらの干渉信号は、通常、胸壁のミリメートル単位の変位によって引き起こされる信号よりもはるかに強力であるため、呼吸頻度の正確な回復とその後の推定は困難な作業となります。さらに、未熟児を考慮すると、胸壁の動きの振幅が減少し、可能な呼吸数の範囲が広いため、成人を対象とした以前に報告された研究に関連して、さらなる信号処理の課題が生じます。

臨床セットアップ。 (a) 未熟児の従来のモニタリング: ケーブルによる中央モニタリングユニット (心拍数、酸素飽和度、呼吸) への接続、および追加の末梢静脈カテーテル。 (b) NICU の部屋の眺め。レーダーと基準ケーブル接続デバイスは両方とも外部コンピューターから制御されました。 (c) 上面図を閉じます。レーダーは幼児から 45 cm 離れた低振動の三脚に取り付けられました。 (d) 同じベッドを共有する双子の側面図を閉じます。

この研究はザールランド大学医療センター（ドイツ、ホンブルク）の小児科で実施された。図 2a は、従来の方法でモニタリングされている未熟児を示しています。この段階では、胸部と腹部に取り付けられ、中央監視ユニット (酸素飽和度、心拍数、呼吸用) にケーブルで接続されたセンサーのほかに、追加の末梢静脈カテーテルと胃チューブも必要です。新生児用簡易ベッド、レーダー装置、参照監視システムを含む臨床セットアップを図 2b ～ d に示します。このレーダーは 24 GHz ISM (産業、科学、医療) 帯域での動作が認定されており、低振動の三脚に取り付けられて簡易ベッドの外側に設置されました。監視対象の乳児までの相対距離は約 45 cm ～ 50 cm でした。レーダーの固有の機能により、簡易ベッドの構造を変更する必要はなく、測定中にプラスチックのカバーを閉じたままにすることができました。図 2d では、双子が同じベッドを共有しており、そのうちの 1 人だけが非接触方式で監視されています。双子の添い寝は NICU で一般的な処置であり、いくつかの研究で乳児に対する生理学的利点が報告されています 42,43。

合計12人の未熟児が研究に参加した。補足表 1 は、患者の情報の概要を示しています。彼らは医学的意見に基づいて、研究参加の医療安全を考慮して選ばれました。各乳児について、測定は 3 日の異なる日の正午 (授乳後) にそれぞれ 25 分間にわたって実行されました。各測定中、それらの自然な位置は変更されませんでした。仰臥位（胸をレーダーに向ける）、うつ伏せ（背中をレーダーに向ける）、側臥位に加えて、非接触法を使用して監視されている乳児が 1 人だけの共寝ケースも調査しました。その目的は、胸/腹部と背中からレーダーデータを収集する際のさまざまな影響を調査することでした。さらに、双子の監視が可能かどうか、また双子間の安全な距離 (レーダー干渉の観点から) はどれくらいになるでしょうか。データ収集プロトコルの基本原則は、NICU でのシームレスな運用を確保することでした。患者のプロトコルの詳細な説明は、すべての介入と測定中に手動で注釈が付けられた追加のトランジェントを含む補足表 2a ～ d に示されています。

図 1b は、信号処理チェーンの基本ブロック図を示しています。 CW システムの最初の信号処理ステップは、一般に位相復調として知られています。これは本質的に、変位信号 d(t) を回復する目的で、レーダーのアナログデジタルコンバーター (ADC) から受信した同相信号と直角位相 (I および Q) 信号を組み合わせるプロセスです。いくつかの方法の中で、最もよく使用される 2 つは逆正接復調 (AD)44 と複素信号復調 (CSD)45 です。 AD は胸壁の動きの正確な回復を可能にしますが、ハードウェアのキャリブレーション、DC オフセット、ノイズ、および外部干渉の存在に対して非常に敏感です。 CSD はこれらの影響に対してより堅牢ですが、呼吸動作の近似値を回復するために小さな変位に依存しています (「方法」を参照してください)。

図 3 は、ケーブル接続されたデバイスから取得した実際の (基準) 変位と比較した、レーダーデータから復元された呼吸動作の例を示しています。最初に、胸壁の変位を正確に再構成するために、データの「きれいな」セグメント (外部干渉がない) を選択し、両方のケースで AD を使用しました。図 3a は仰臥位で得られた通常の呼吸パターンを示していますが、図 3b は乳児が腹臥位にある場合のチェーン・ストークス (周期的) 呼吸パターン 46 の発生を示しています。この特殊な呼吸形式は新生児に生理学的に見られ、過呼吸と低呼吸の間の周期的な変動、つまり休止と呼吸の短いサイクルの繰り返しによって定義されます。回復されたレーダー信号と基準デバイスの間の小さな違いにもかかわらず、どちらの場合でも周期的な呼吸の動きを明確に識別できます。胸壁の動きの小さな振幅も視覚化でき、仰臥位では約 2 mm、腹臥位では約 0.5 mm の変位が生じます。これらの振幅は、以前の研究で報告された成人の典型的な値を大幅に下回っています50、51、52。

さまざまな呼吸パターンで胸壁の動きを回復しました。 (a) 良好な条件下 (干渉がない) の正常な呼吸パターン。 (b) 周期的な (チェーン・ストークス) 呼吸パターン。 (c) 外部干渉と ADC 飽和によって損なわれた正常な呼吸パターン。 (d–f) CSD を使用した近似。 (g–i) AD と CSD を比較するスペクトル。

CSD で得られた近似呼吸動作を図 3d、e に示します。 ADと比較した場合の顕著な違いにもかかわらず、図3g、hは、両方の技術が平均呼吸周波数に対応する同じ基本周波数の信号を生成することを示しています。私たちが検出しようとしている小さな変位と、この実際の臨床環境の困難な条件を考慮して、長期モニタリングのためのソリューションに CSD が採用されました。呼吸信号の調波構造も視覚化でき、第 2 高調波は明確に区別できます。この調和構造は、後ほど説明するように、推定を改善するために使用できます。ただし、図3c、f、iに示すように、外部干渉と最終的なADC飽和の下では、両方の復調方法は胸壁の動きを再構築できません。スペクトルは干渉成分によって支配されるようになり、正確な呼吸周波数の推定が妨げられます。したがって、これらの影響を軽減するには追加の処理が必要です。

レーダーセンサーを使用した非接触バイタルサイン監視に関するほとんどの研究は、理想的な静止状態での 1 人のセットアップに焦点を当てています53。実際の監視状況では、被験者は手、脚、胴体などの体の一部、さらには体全体を動かすことがよくあります。このような望ましくないが避けられない動きは、通常、ランダムボディムーブメント (RBM) と呼ばれます。反射信号の振幅は、多くの場合、ミリメートルスケールの呼吸動作よりもはるかに強いため、この干渉によってマスクされる可能性があります。自発的な RBM は避けられないため、この問題を解決することは、実際のアプリケーションで信頼性の高いバイタルサイン検出の基礎となります。

RBM を軽減するためのいくつかの方法がすでに提案されており 54、特定のタイプの動きを効果的に打ち消すことができたとしても、通常はより複雑なシステムが必要になります。ほとんどのソリューションは追加または重複したハードウェアに依存しているため、位置ずれ、同期、コストなどの実際的な制限があります45、55、56。研究の別の方向性では、基本的に、RBM を使用してバイタルサインデータのセグメントを識別し、推定の前にこれらの破損したセグメントを単純に破棄しようとします 33、34、35、36、37。ただし、処理ウィンドウの継続時間によっては、非常に短い RBM であっても、数秒間の良好な信号に影響を与える可能性があります。したがって、単にデータのセグメントを破棄するのではなく、適度な RBM でこれらのエピソードを有効に活用できるアプローチが望まれます。最近の研究では、単一のセンサーを使用し、より困難なシナリオ内で RBM に対処し始めています32。それにもかかわらず、実験的検証は依然として制御された状況下で実行され、事前定義された動作を通じて RBM がエミュレートされ、その結果、目的の信号に対する干渉が制限されます。

まず、RBM がまばらである、つまり、RBM が頻繁ではなく、発生したとしても、その持続時間は観測された時間枠に比べて短いと仮定します。これは、呼吸運動の一定かつ周期的な性質とは対照的です。さらに、その振幅は通常、標準の呼吸信号よりもはるかに強力です。これらの特定の時間と周波数の特徴は、復元された信号のスペクトログラムに存在し、この干渉を特定して除去するために分析することができます。これに対処するために、非負行列因数分解 (NMF) 57,58 を使用します。これは、非負データのセットから特徴を抽出するために通常使用される行列分解手法です。 x(t) (図 1b) が胸壁の動きと最終的な RBM 干渉を含む復元された信号である場合、その振幅スペクトログラム \(|{{\varvec{X}}}|\) は短時間解析を通じて取得できます。 x(t) のフーリエ変換 (STFT)。 NMF は \(|{{\varvec{X}}}|\) を次のように分解します。

ここで、行列 \({{\varvec{H}}}\) と \({{\varvec{W}}}\) には、それぞれ \(|{{\varvec{ X}}}|\)、K は事前定義された基底数です。言い換えれば、\({{\varvec{W}}}\) は \(|{{\varvec{X}}}|\) の周波数テンプレートのセットとして見ることができますが、\({{\varvec {H}}}\) には、これらのテンプレートのアクティブ化に関連するタイミング情報が含まれています。時間活性化行列 \({{\varvec{H}}}\) を調べると、まばらな動作と高い振幅を持つ基底成分が、RBM 干渉が存在するエポックを示すことがよくあります。最終的に呼吸周波数と重なる予測不可能な周波数スペクトルにもかかわらず、RBM の個別の時間挙動は、NMF 時間活性化基底 \({{\varvec{H}}}\) によって捕捉できますが、 \({ {\varvec{W}}}\) はその周波数内容を保持します。これにより、標準的なスペクトル分析方法と比較して、RBM 干渉をフィルタリングする際の柔軟性がさらに高まります。したがって、すべての \({{\varvec{w}}}_i {{\varvec{ h}}}^{\mathrm{T}}_i\) 行列。ただし、干渉成分を含む行列は除きます。

ランダムな体の動きを軽減するための NMF。 (a) RBM によって破損した変位信号 x(t) の I サンプルと Q サンプル。 (b) 正規化されたスペクトログラム \(|{{\varvec{X}}}|\)。 RBM 干渉は明らかにスペクトルを支配しており、推定を危険にさらします。 (c) \({{\varvec{W}}}\) の周波数基底成分への NMF 分解。 (d) \({{\varvec{H}}}\) の時間ベースのコンポーネントへの NMF 分解。 (e) RBM フィルター処理されたスペクトログラム \(\hat{|{{\varvec{X}}}|}\)。 (f) RBM フィルター処理された時間信号 \({\hat{x}}(t)\) の I サンプルと Q サンプル。 (g) 元の信号と RBM フィルター処理された信号のバンドパススペクトル。

図 4a は、説明のために 60 秒の処理ウィンドウを示しています。ここでは、復元された信号 x(t) (CSD 後) が RBM のセグメントによって破損しており、その正規化されたスペクトログラム \(|{{\varvec{X}}}|\) ）図4b。 CSD の場合、スペクトログラムは復元信号 x(t) の複素サンプルに基づいて計算されるため、I チャネルと Q チャネルの両方が同時に考慮されます。 NMF を \(K=11\) 周波数 (\({{\varvec{W}}}\)) 成分と時間基準 (\({{\varvec{H}}}\)) 成分に分解した結果を図に示します。ここで、各色は、図 4c の周波数コンテンツと、図 4d の対応する時間アクティベーションを持つ、一対の基底成分を表します。 (たとえば、緑と青のベースを参照してください)、RBM 干渉のランダムな性質により、呼吸周波数領域と重なる周波数成分がスペクトル全体に広がっていることがわかります。 \({{\varvec{W}}}\) ではさまざまな周波数を視覚化できますが、RBM に対応する疎塩基と強塩基は \({{\varvec{H}}}\) で明確に識別できます (方法を参照してください)。選択した塩基を削除すると、図 4e のフィルター処理されたスペクトログラムを再構成できます。時間の経過に伴う呼吸周波数の変化 (約 45 bpm) が明らかになります。逆STFTの後、RBMフィルタリングされた時間信号が図4fに示されています。最後に、図 4g は、元の信号と RBM フィルター処理された信号の両方の帯域通過スペクトルを示しています。対応する検出値はそれぞれ青と赤のマーカーで強調表示されます。黒い破線は、この処理ウィンドウに関連付けられた平均呼吸頻度の基準値を示します。強い RBM 干渉のため、元のスペクトルの最大値は、誤った呼吸周波数 52.1 bpm を示し、真の値 42 bpm から大きく離れています。 NMF による RBM フィルタリングの後、修正されたスペクトルは 42.4 bpm に近い値を示し、推定誤差はわずか 0.4 bpm になります。

単純な正弦波近似 59,60 から 38,61 で説明されているより複雑なパターンまで、前後の呼吸運動 d(t) を表すさまざまなモデルがすでに提案されています。呼吸動作は、胸壁表面だけでなく、腹部、肩、背中からのさまざまなパターンの動作を伴う複雑な現象です62,63。したがって、あらゆる対象および監視シナリオについて、堅牢な方法で完全に特徴づける時間領域モデルを特定することは困難です。ただし、呼吸には固有の周期的な性質があるため、この動きを表す関数は最終的に、推定する呼吸数に対応する基本周波数と高調波を含むフーリエ項に分解できます。したがって、変位信号は、基本呼吸周波数の整数倍の周波数を持つ、調和的に関連する複素正弦波の合計としてモデル化できます。この調和構造をより有効に活用するために、このセクションでは、カラーノイズシナリオ 65 であっても、大きな処理ウィンドウに対して漸近的に効率的な、シンプルで正確な非線形最小二乗 (NLS) 推定器 64 を提案します。

最初に、残留 DC 値と考えられる高周波ノイズ成分を除去するために、RBM フィルター処理された変位信号 \({\hat{x}}(t)\) がバンドパスカイザーウィンドウ (\(\beta = 6.5\))、0.3 Hz ～ 3 Hz (\(18-180\) bpm)。これは、考えられる高調波も含む、呼吸周波数の生理学的範囲に対応します。バンドパスフィルター処理された信号 \({\hat{d}}(t)\) は、理想的には真の胸壁運動 d(t) の正確な近似となり (図 1)、最終的に呼吸頻度の推定に使用できます。

推定の前に、信号対雑音比 (SNR) 66、67、68 を改善するために、バンドパスフィルター処理された信号の自己相関関数 r(t) を計算します。推定はまず、時間領域で自己相関信号に対して直接実行されます。初期 (粗い) 推定は、ピーク検出アルゴリズムを通じて取得され、ピーク間の時間距離によって各呼吸間の時間の推定が行われます。最終的に、隣接するピークまでの距離が予想される生理学的範囲外の周波数に対応する場合、検出されたピークを除外することができます。したがって、初期呼吸周波数は、処理ウィンドウ全体で平均化された、選択されたピーク間の時間の逆数として計算されます。この初期推定は、NLS アルゴリズムを簡素化するために使用されます。

次のステップでは、NLS 周波数推定値 \({\hat{\omega }}\) を計算します。これは、\({\hat{d}}(t)\) と変位信号モデルの間の類似性を最大化することによって取得されます。 (12)で。特定の条件下では (「方法」を参照してください)、この問題の解決策 ((17) で得られるコスト関数) は、高速フーリエ変換 (FFT) と線形グリッド探索アルゴリズム 69 を使用して効率的に実装できます。 \({\hat{d}}(t)\) のパワースペクトル密度にわたる呼吸高調波の合計。初期の時間領域推定は検索範囲を制限するために使用され、実際のデータにまだ存在する可能性のあるより強力な低周波成分を回避します。この戦略により、グリッド検索を実行するための計算量も削減されます。

初期測定は、レーダーと監視対象の乳児の間の理想的な距離を設定するために使用されました（補足図1）。調整された位置 (約 45 cm) での合計 30 件の測定値のうち、デバイスの記録の問題により 3 件が除外されました。残りのシーケンスは、28 秒のオーバーラップを伴う 30 秒のスライディングウィンドウを使用して処理され、2 秒ごとに呼吸数推定値が更新されました。これにより、675 分の分析データから約 20,250 の推定値が得られました。測定は、動きの量や外部干渉に関係なく続行されました。シーケンスには、しゃっくり、あくび、泣き声、うめき声、周期的な呼吸の瞬間が含まれ、さらに NICU 室からの追加の動作、たとえば医療介入や訪問者も含まれます (補足ファイル 3)。すべてのデータ処理は Matlab70 を使用して実行されました。

図 5 は、レーダーの ADC からの I サンプルと Q サンプル、推定された呼吸周波数値、およびケーブル接続されたデバイスからの基準値の例を示しています。図 5a では、監視対象の乳児は仰向けで静かに眠っており、看護師は測定中ずっと NICU 室にいて、乳児から 2.5 メートル離れていました。これらの条件により、干渉レベルが低く、良好なレーダー測定が得られました。一方、図 5b は乳児がうつ伏せの姿勢で横たわっている一例を示しています。この場合、I/Q 入力データ内に強い干渉のいくつかのセグメントが視覚化されます。乳児が自由に動き、うめき声を上げているほかに、9分目以降のこの測定には看護師も立ち会っていました。図 5c は、双子のケースの 1 つに対応します。酸素飽和度センサーを固定するために、監視対象の乳児に対する直接介入が 3 分頃に記録されました。 2番目の双子は測定中ずっと静かに眠っていました。両者の距離は20cmくらいでした。図 5d は、高度に干渉されたシーケンスの別の例を示しています。ここでは、監視されている乳児がわずか 1 メートル離れた母親に付き添われて常に移動していました。この場合、強い干渉の長いセグメント (および最終的な ADC 飽和) を視覚化できます。

レーダー入力データと推定呼吸数。すべてのシーケンスは、提案された完全なソリューション (NLS+NMF) を使用して処理され、それぞれが異なる監視シナリオを表しています。 (a) 仰臥位 (胸がレーダーに面している) の一人の乳児。 (b) うつ伏せの姿勢（レーダーに背中を向ける）の一人の乳児。 (c) 双子が同じベッドに 20 cm 間隔で寝ており、乳児はうつ伏せの状態で監視されています。 (d) 高度に干渉された配列。

重要なのは、赤ちゃんが動いているとき、参照デバイスの入力データでも高いレベルの飽和が観察されたことです。飽和中、ADC は入力信号を最大許容振幅でクリップし、現在の処理ウィンドウの低周波成分を増加させる一定振幅のセグメントを生成します。この制限により、基準呼吸周波数値（谷）が急速に減少し、飽和が終了した直後に正しい値にすぐに回復します（これらの谷は図5b、dで強調表示されています）。この異常な動作は生理学的パターンとは無関係であり、この時点では基準デバイスが信頼できないことを示しています。したがって、パフォーマンスメトリックを計算するために、参照デバイスの非飽和データセグメントに対応する処理ウィンドウのみを考慮しました。その結果、18 件の有効な測定値と約 4,964 件の有効な呼吸数推定値が得られました。側面位置からの測定では、SNR が低く、信頼性の低い推定値が得られましたが、これも破棄されました。一方、レーダーの飽和は測定セットアップに固有のものであると考えられています。したがって、飽和した I および/または Q サンプルを含むレーダーデータセグメントは有効とみなされ、処理されます。

得られた結果の概要を図 6 に示します。図 6a ～ d は、調査した各シナリオでの最終平均 (3、6、および 10 bpm) の精度を示しています。すなわち、(a) 仰臥位 (11 回の測定)、 (b) 腹臥位 (7 測定)、(c) 加温ベッドに寝ている一人の幼児 (14 測定)、(d) 同じベッドを共有している双子 (4 測定)。これらのシナリオは排他的ではありません。仰向けおよびうつ伏せのシナリオには、一人/双子のケースが含まれ、その逆も同様です。バーは 3 つの異なるアルゴリズムのパフォーマンスを比較しています。(1) 離散フーリエ変換 (DFT) 71、72、73 を使用した従来の推定。ベンチマークを表します。 (2) 提案された NLS 推定 (NLS)。 (3) NMF ベースの RBM 軽減アルゴリズムを含む、提案された完全なソリューション (NLS+NMF)。すべてのケースで同じ前処理ステップ (位相復調とバンドパスフィルタリング) が使用されました。精度は、レーダーからの最終推定値が事前定義された誤差間隔内に収まる時間の割合 (有効な処理ウィンドウに関して) として計算されます。それぞれのケースで、3、6、10 bpm の精度が考慮されました。たとえば、80% の 6 bpm の精度は、レーダー推定と基準デバイス間の誤差の大きさが 80% の時間で 6 bpm 未満であったことを意味します。

結果の概要。シナリオごとに処理されたすべてのシーケンスを考慮し、さまざまな手法を比較します。標準的な DFT 推定 (DFT)、提案された NLS 推定 (NLS)、および RBM 軽減を伴う完全な提案されたソリューション (NLS+NMF)。さまざまなテクニックの平均精度。 (a) 仰臥位。 (b) うつ伏せの姿勢。 (c) ベビーベッドに一人の幼児がいる。 (d) 双子がベビーベッドを共有している。 (e) 完全な提案ソリューション (NLS+NMF) を考慮した、さまざまなシナリオの平均精度。 (f) さまざまなシナリオおよびさまざまな手法の平均 RMSE。

提案された技術はすべてのケースで大幅な改善をもたらし、腹臥位で最大 17% の向上が見られ、最大 6 bpm と 10 bpm の精度がそれぞれ 79.3% と 93.1% に達したことがわかります。図 6e は、各シナリオで提案された完全なソリューションのパフォーマンスを直接比較しており、すべての処理されたシーケンスの平均結果も含まれています。興味深い結果は、背中から検証された変位が胸部/腹部領域からの変位よりも小さかったにもかかわらず、腹臥位が平均して最良の結果をもたらしたという事実に関連しています。肋骨の骨化は背中から始まるため、これは胸後壁のより均一な呼吸運動の結果である可能性があります。前胸壁の柔軟性が高いため、腹部と胸部の動きがより不均一になり、レーダー推定がより困難になります。さらに、うつ伏せの姿勢は体の動きが減少し、干渉が減少する可能性があります。最後に、一人っ子と双子のケースでは平均して同様の結果が得られ、ベビーベッドに二人目が入ってもレーダーの性能に直接影響を与えない可能性があることを示しています。

各シーケンスの二乗平均平方根誤差（RMSE）も計算され、提案された手法と従来のDFT推定を比較して、各シナリオの平均値が図6fに示されています。 RMSE は次のように定義されます。

ここで、 \(B_n\) と \(\hat{B_n}\) は、それぞれ \(n^{\mathrm{th}}\) 処理ウィンドウにおける基準呼吸数と推定呼吸数 (bpm 単位) を表します。提案されたソリューションが標準的なアプローチよりも優れたパフォーマンスを発揮し、さまざまなシナリオに対して大幅かつ確実な改善をもたらし、すべてのケースで RMSE を削減していることがわかります。すべての有効な測定値を考慮した全体的な RMSE は 6.38 bpm でした。腹臥位での測定では、RMSE が 5 bpm に近く、最高のパフォーマンスが得られました。補足ファイル 4 は、すべてのシナリオを考慮し、標準的な DFT 推定と提案された完全なソリューションを比較したブランドアルトマン分析を示しています。

パフォーマンスは、RBM のない瞬間、または少なくとも外部干渉が減少した瞬間のみを考慮して分析することもできます。これらの瞬間を特定するには、RBM 軽減アルゴリズムを使用し、時間アクティベーションベース \({{\varvec{H}}}\) によって干渉コンポーネントがキャプチャされなかった処理ウィンドウを探すことができます。スプリアスノイズや追加の周波数成分が最終的に識別され、RBM として除外される可能性があることを考慮して、最大 2 塩基がアルゴリズムによって除外されたものを「最小移動ウィンドウ」として受け入れました。図 7 は、これらの瞬間のみを考慮して得られたパフォーマンスを示しています。すべての測定の平均 10 bpm 精度は 97% を超え、6 bpm 精度はすべてのシナリオで 80% を超えました。平均 RMSE は 4.3 bpm で、腹臥位では 4 bpm 近くが最良の結果でした。この場合、すべてのシナリオは、精度と RMSE の両方の点で非常に類似したパフォーマンスを示しました。腹臥位での最小動作ウィンドウの割合は、仰臥位の数のほぼ 2 倍でした。この違いは、腹臥位がランダムな体の動きの減少につながることを裏付ける可能性があり、これがこのシナリオでより良い結果をもたらす理由の 1 つです。

この残りのRMSEは予想されており、監視対象の乳児の未熟な状態（補足表1）を考慮すれば説明できます。呼吸器系の未熟さと診断された状態が不規則な呼吸パターンを引き起こし、推定を妨げる可能性があります。さらに、一部の過渡現象は、その特有の特性により RBM として検出されない可能性があり、強度と希薄性の仮定と一致しない可能性があります (たとえば、周期的なしゃっくりやその他の連続的な動き)。最後に、これらのセンサー (方法を参照してください) は、特に呼吸数が高く肺通気量が限られている新生児では不正確さと心臓干渉を受けるため、参照デバイスからもある程度の不正確性が予想されます 34,74。

最小限の移動ウィンドウでの平均パフォーマンス。 (a) さまざまなシナリオの精度。 (b) さまざまなシナリオの平均 RMSE。

提案されたレーダーベースのソリューションは、胸壁の動きを正確に復元することができ、さまざまな呼吸パターンを明確に識別できるようになりました。この機能は、呼吸頻度の推定と新生児の呼吸器疾患の早期非侵襲的診断に向けた第一歩です。さらに、提案されたアルゴリズムはほとんどの場合、信頼性の高い呼吸頻度推定値を提供し、RBM 干渉の影響を効果的に軽減しました。乳児がうつ伏せの姿勢にあるときに最高のパフォーマンスが達成され、6 bpm と 10 bpm の精度はそれぞれほぼ 80% と 93% に達しました。全体的な RMSE は 7 bpm 未満で、腹臥位では 5 bpm 近くが最良の結果でした。最小限の動きでは、全体の 10 bpm の精度は 97% を超え、6 bpm の精度はすべてのシナリオで 80% を超えました。平均 RMSE は 4.3 bpm で、腹臥位では 4 bpm 近くが最良の結果でした。これらの結果は、提案されているレーダーベースのアプローチが NICU における非接触呼吸モニタリングの可能性を秘めているという原理の証明として解釈できます。ただし、データ処理の最適化されたアルゴリズムや冗長テクノロジーを使用するなど、アーティファクトに対する脆弱性をさらに軽減するためのさらなる実験が進行中です。

レーダーのより詳細なキャリブレーションとより正確なセットアップ調整により、生データの品質が向上し、ADC の飽和が軽減されます。レーダー入力データのさらなる改善は、CW から多入力多出力 (MIMO) および周波数変調連続波 (FMCW) アーキテクチャに移行することによって達成できます。この変更により、外部干渉から範囲を分離できるだけでなく、レーダーのビーム (視野) を監視対象の患者に直接向けることも可能になります。動きのロバスト性は、ランダムな体の動きの干渉信号の特定の特性に従って NMF アルゴリズムを調整することによってさらに改善できます。興味深い例の 1 つは、スパース NMF です。

最後に、さまざまな年齢のより成熟した健康な子供を対象とした追跡調査により、病状、年齢特有の特徴、または交絡因子を特定し、それに応じて実験計画を適応させることが可能になります。腹臥位で得られた最良の平均結果は、マットレスの下にレーダーを設置することもできる、さまざまな臨床設定での追加調査の必要性を示しています。さらに、完全な非接触ソリューションを開発することを目的として、リアルタイム処理への移行だけでなく、この困難な環境における心拍数モニタリングのためのレーダー機能の調査も必要です。

表記。次の表記法を採用しています: ベクトル \({{\varvec{x}}}\) には小文字の太字、行列 \({{\varvec{X}}}\) には大文字の太字です。文字 \(\mathrm j\) は虚数単位 (つまり \({\mathrm{j}} = \sqrt{-1})\) を表し、記号 \(| (\cdot )|\) と \(\angle (\cdot )\)。転置演算子、共役演算子、および共役転置演算子は、それぞれ、記号 \((\cdot )^{\mathrm{T}}\)、\((\cdot )^*\)、および \((\cdot ) で表されます。 ^{{\mathrm{H}}}\)。複素数と実数の N 次元ベクトルのセットは、\({\mathbb {C}}^N\) と \({\mathbb {R}}^N\) で表されます。ベクトル \({{\varvec{x}}}\) のユークリッドノルムは \(||{{\varvec{x}}}||\) で表されます。アダマール積は \(\odot\) で表されます。

倫理声明。この研究はヘルシンキ宣言に従って計画され、ザールラント州（ドイツ、ザールブリュッケン）の地域倫理委員会によって承認された（参照番号276/17）。データ収集前に親から書面によるインフォームドコンセントが得られ、すべての文書と収集されたデータは仮名化されました。

レーダーシステム。この研究で使用された CW レーダーデバイスは、IEE の VitaSense\(^\text{\textregistered }\) センサー 75 のプロトタイプバリアントで、24 GHz ISM 帯域で動作し、照射エリア \(76.5^{\circ) を備えています。方位角は }\)、仰角は \(35.5^{\circ }\) です。監視されている距離では、送信電力が低いため、エネルギー吸収率は携帯電話の 20 倍低くなります76。 ADC のサンプリングレートは 16 Hz で、データ収集は外部コンピュータ上の独自のソフトウェアによって制御されました。

ケーブル接続されたデバイスのリファレンス。すべての測定を通じて、乳児は NICU で一般的に使用されている参照モニターに接続されました。さらに、呼吸、心拍数、酸素飽和度の信号は、3 つの Kendall\(^\text{\textregistered }\) 新生児 4203 電極 78 を使用してケーブル接続された VitaGuard\(^\text{\textregistered }\) 3100 デバイス 77 を使用して記録されました。。この装置は、乳児の胸部に取り付けられた電極を通じて呼吸運動を測定し (インピーダンスニューモグラフィー)、分解能 1 bpm、更新レート 1 秒の呼吸数を提供します。基準周波数値と推定周波数値の間の同期は、これらの信号間の相関関係に基づいてオフラインで実行されました。測定全体 (25 分) を処理した後、スライディングウィンドウアプローチで、レーダー推定周波数値を含む結果のアレイが基準値を含む長いアレイと比較されます。同期インデックスは、これらのアレイ間の相関を最大化するために選択されました。この手順は、Matlab ルーチンを使用して自動的に実行されました。

CWレーダーの動作原理。送信された CW 信号は次のように書くことができます。

ここで、\(A_{\mathrm{T}}\) と \(f_{\mathrm{c}}\) はそれぞれ送信信号電力と動作周波数、\(\phi (t)\) は送信機の位相ノイズ (局部発振器)。この信号はターゲットの動きによって位相変調され、処理のためにレーダーに反射されます。公称距離 \(d_0\) にあるターゲットから受信した信号は次のように書くことができます。

\(A_{\mathrm{R}}\) は受信電力、\(\lambda\) は動作波長、d(t) はターゲットの動きを表します。復調とアナログからデジタルへの変換後、正しい I/Q インバランス補償が行われていると仮定すると、ベースバンドの I 信号と Q 信号は次のように表すことができます79

ここで、\(\theta _0=4\pi d_0/\lambda\) は定数位相シフト、\(B_{\mathrm{I}}\) と \(B_{\mathrm{Q}}\) は DC です。オフセット。

理想的な条件下では、AD を使用して正確な位相回復を行うことができます。この場合、変位信号は次のように再構成されます44。

ここで、アンラップ操作は、逆正接関数の制限された範囲によって引き起こされる可能性のある位相の不連続性を除去するために必要です (変位が \(\lambda /4 より大きい場合、 \((-\pi , \pi ]\) の周りにラップされた位相が予想されます) \)). 必要な位相情報を抽出する前に、DC 成分 (\(B_{\mathrm{I}}\) および \(B_{\mathrm{Q}}\)) を補償する必要があります 73。壁の (前後の) 動きは I/Q 平面の円弧を表します。この補正は通常、楕円フィッティングアルゴリズムを使用して行われます。ただし、小さな変位 (小さな円弧)、ノイズ、および/または外部干渉により、通常はフィッティングが損なわれます。さらに、アンラップ操作はノイズや干渉にも非常に敏感であり、最終的にはエラーが蓄積し、復元された変位信号に大きな歪みが生じる可能性があります。

CSD を使用すると、変位信号は次のように再構成できます45。

ここで、 \({\overline{x}} = B_{\mathrm{I}} + {\mathrm{j}} B_{\mathrm{Q}}\) は結合 DC オフセットを表します。ただし、この場合、この DC 項は復元された信号の関連成分に影響を与えず、実際には時間領域処理ウィンドウの平均を減算することで簡単に抽出できます。追加の高次高調波にもかかわらず、小さな変位 (動作波長に対して) の場合、復元された信号 x(t) は真の胸壁の動き d(t) に近似し、関連する周波数成分は保存されます。したがって、CSD は DC オフセットや外部干渉に対してより堅牢であるだけでなく、復調手順を簡素化します。 AD および CSD 法の詳細な説明は、44 および 80 にあります。

非負の行列因数分解。復元された変位信号の振幅スペクトログラム \(|{{\varvec{X}}}| \in {\mathbb {R}}^{F\times T}\) は、x(t) の STFT を通じて取得されます。ここで、F と T はそれぞれ、STFT 演算で使用される周波数ビンと時間ビンの数です。 RBM フィルタリングされた信号の時間バージョンを再構築することを目的とすると、STFT 重み付けウィンドウは定数オーバーラップ加算プロパティ 81 に準拠する必要があります。

したがって、NMF は \({{\varvec{X}}}\) の大きさに適用され、因数分解は次の最適化問題によって実現できます。

\({{\varvec{H}}}\in {\mathbb {R}}^{K\times T}\) と \({{\varvec{W}}}\in {\mathbb {R}) }^{F\times K}\)。記号「\(\succeq\)」はエントリごとの非負性を示し、\({\mathcal {L}}(\cdot ,\cdot )\) は \(|{{\varvec{ X}}}|\) と \({{\varvec{W}}}{{\varvec{H}}}\)。ユークリッド (フロベニウス) 距離が一般的に使用され、その際、目的関数を最小化するために単純な勾配降下法を使用できます 58。所定の基底成分数 K は、呼吸周波数や最終的な RBM 干渉など、計算されたスペクトログラムに存在する可能性のあるさまざまな周波数成分を考慮して選択する必要があります。長期モニタリングの場合、経験的に \(K=11\) を選択しました。

ＲＢＭに対応する時間活性化基準の識別は、適応振幅閾値に基づく。呼吸パターンはいくつかの要因 (被験者、性別、年齢、健康状態、姿勢) の影響を受けるため、効率的な干渉検出には適応戦略が必要です。 RBM 干渉は、呼吸の一定かつ周期的な性質とは対照的な、その独特の動作によって特徴付けることができます。したがって、NMF 分解に続いて、\({ {\varvec{H}}}\)。これは、 \({{\varvec{h}}}_i\) の各時間成分の局所エネルギーを \({{\varvec{H}}}\) の平均エネルギーと比較するだけで実現できます。現在の処理ウィンドウ (通常の条件下では、平均呼吸エネルギーに相当します)。この平均エネルギーはしきい値として機能し、その計算の性質上、ウィンドウごとに変化し、その中の信号強度を反映します。したがって、しきい値は各処理ウィンドウに応じて自動的に調整されます。さらに、スパース性は、選択した基底の残りの成分の振幅が無視できるかどうかをチェックすることによって検証されます。

RBM フィルター処理されたスペクトログラムの大きさは次のように再構成できます。

ここで、 \(s_i\) は、 \(i^{\mathrm{th}}\) 基底が RBM に対応するかどうかを示します。つまり、基底 \({{\varvec{ h}}}_i\)、それ以外の場合は \(s_i = 1\)。時間領域でフィルター処理された信号 \({\hat{x}}(t)\) を合成するには、まずフィルター処理されたスペクトログラムの位相を取得する必要があります。一般的な方法は、ウィーナーのようなフィルタリング手法を使用することです。これは、元の混合スペクトログラム \({{\varvec{X}}}\)82 の位相を再利用することになります。逆 STFT は最終的に \({\hat{{{\varvec{X}}}}} = |{\hat{{{\varvec{X}}}}}| \odot \angle {{{\ varvec{X}}}}\)、最初の STFT と同じウィンドウ構成 (期間、重み、オーバーラップ) を複製します。この作業では、3 秒の継続時間、2 秒のオーバーラップ、および 256 サンプルへのゼロパディングを備えた標準的な長方形ウィンドウを使用しています。

RBM メソッドはすべての処理ウィンドウに適用されます。この方法は、適応振幅閾値とスパース性チェックに基づいて、RBM 干渉を自動的に検出して除去することができます。手動による注釈は必要ありません。 RBM やその他の干渉効果がない場合、回復された信号には一定かつ周期的な胸壁の動きのみが含まれ、結果として得られる時間活性化基底 \({{\varvec{H}}}\) はそれを反映します。この場合、適応振幅閾値は RBM を含む候補基底を識別せず、フィルタリングされた信号は RBM ブロックの入力とほぼ同じになります。

NLS 推定。呼吸変位信号 d(t) は、基本周波数 \(\omega _k>0\) の整数倍の周波数を持つ、調和的に関連する複素正弦波 \(L_k\) の合計としてモデル化できます。 \(n \in \{0, \cdots ,N-1\}\) をサンプリングした後、そのような信号は次のように書くことができます65

ここで、 \(a_{k,l} = A_{k,l} {\mathrm{e}}^{{\mathrm{j}} \phi _{k,l}}\) は l 番目の複素振幅です。高調波、 \(L_k\) は高調波の数 (モデル次数) を表し、K は成分 (点散乱) の数を指します。

NLS 推定は、復元およびフィルター処理された変位信号 \({\hat{d}}(t)\) と (12) の変位信号モデルの差のユークリッドノルムを最小化することによって取得されます。まず、単一のソース k を考え、 \({{{\varvec{d}}}_k = [\; d_k(0) \; \cdots \; d_k(N-1) \;]^{ と定義します。 \mathrm{T}} \in {\mathbb {C}}^N}\)、\(d_k(n)\) の N 個の連続サンプルで構成されるベクトル。次のように表すことができます。

\({{\varvec{a}}}_k = [\; A_{k,1} {\mathrm{e}}^{{\mathrm{j}} \phi _{k,1}} \; ... \; A_{k,L_k} {\mathrm{e}}^{{\mathrm{j}} \phi _{k,L_k}} \;]^{\mathrm{T}}\)高調波の複素振幅を含むベクトルと、ヴァンデルモンド構造を持つ行列 \({{{\varvec{Z}}}_k \in {\mathbb {C}}^{N \times L_k}}\)、 \(L_k\) 複素正弦波ベクトルから次のように構築されます。

\({{\varvec{z}}}(\omega) = [\;1\;{\mathrm{e}}^{{\mathrm{j}}\omega}\;...\;{ \maths{e}}^{{\maths{j}}\omega(N-1)}\;]^{\maths{T}}\)。 \({\hat{d}}(t)\) をベクトルとして書く \({{\hat{{{\varvec{d}}}}} = [\;{\hat{d}}(0) \;\cdots\;{\hat{d}}(N-1)\;]^{\mathrm{T}}\in {\mathbb{C}}^N}\)、NLS は \({ \hat{\omega}}_k\) と \(\hat{{\varvec{a}}}_k\) は問題を解くことで最終的に得られます6

まず複素振幅 \({{\varvec{a}}}_k\) に関して (15) を最小化することで、推定値 \({\hat{{{\varvec{a}}}}}_k = ( {{\varvec{Z}}}_k^{\mathrm{H}}{{\varvec{Z}}}_k)^{-1}{{\varvec{Z}}}_k^{{\mathrm{ H}}}{\hat{{{\varvec{d}}}}\)、(15) に接続すると、69 になります。

\(N \gg 1\) と仮定すると、 \({{\varvec{Z}}}_k^{{\mathrm{H}}} {{\varvec{Z}}}_k \about N\cdot {{ \varvec{I}}}_{L_k}\)。したがって、単一の主要な呼吸散乱のみを考慮すると (つまり、インデックス k を削除できるように \(K=1\))、次のようになります。

行列積 \({{\varvec{Z}}}^{{\mathrm{H}}} {\hat{{{\varvec{d}}}}}\) は、FFT アルゴリズムを使用して効率的に実装できます。候補周波数に対する線形グリッド検索 \(\left\{ 0, \frac{2\pi }{N},\cdots ,\frac{2\pi }{N}(N-1)\right\}\ ）。したがって、推定器は、回復された変位信号 \({\hat{d}}(t)\) のパワースペクトル密度にわたる呼吸高調波の合計に換算されます。通常、\({\hat{d}}(t)\) にはいくつかの高調波が存在する可能性があります。ただし、監視対象の患者の動作振幅が小さいため、SNR が低下し、高次高調波がノイズによってマスクされることがよくあります。そこで今回は \(L_k=2\) を採用しました。さらに、検索間隔は、最初の時間領域推定の前後で \(\pm 5\) bpm に制限されました。

現在の研究中に分析された元のデータセットは、https://radarmimo.com/ からダウンロードできます。

レーダーと参照デバイスの両方の Matlab 読み取り関数は、https://radarmimo.com/ からダウンロードできます。コードの簡単な説明については、補足ファイル 1 を参照してください。

ハウソン、CP et al. 早すぎる出産: 早産は重要です。リプロド。健康 10、S1 (2013)。

記事 PubMed PubMed Central Google Scholar

Bancalari, E. & Claure, N. 気管支肺異形成の定義と診断基準。セミン。ペリナトール。 30、164–170 (2006)。

論文 PubMed Google Scholar

バーダー、H. et al. 呼吸窮迫症候群の治療および気管支肺異形成の予防のための経鼻CPAPおよび界面活性剤。 Acta Peediatr. 98、1400–1408 (2009)。

論文 PubMed Google Scholar

Zhao, J.、Gonzalez, F. & Mu, D. 未熟児無呼吸症: 原因から治療まで。ユーロ。 J. Pediatr. 170、1097–1105 (2011)。

記事 PubMed PubMed Central Google Scholar

Nuytten, A. et al. 超早産児および気管支肺異形成に対する出生後コルチコステロイド政策。新生児学 117、308–315 (2020)。

論文 CAS PubMed Google Scholar

ゲインズ、RP et al. 米国の新生児集中治療室における院内感染率の比較。午前。 J.Med. 91、192S-196S (2016)。

記事 Google Scholar

Barker, DP & Rutter, N. 新生児集中治療室の入院における侵襲的処置への曝露。アーチ。ディス。小児胎児新生児編 72、F47–F48 (1995)。

記事 CAS Google Scholar

スミス、ＰＢら。末梢に挿入されたカテーテルの滞留時間の増加は、乳児の血流感染のリスク増加と関連していますか? 感染する。病院のエピデミオールを管理します。 29、749–753 (2008)。

記事 Google Scholar

アナンド、KJ 早産児における痛みとストレスの臨床的重要性。バイオル。新生児 73、1–9 (1998)。

論文 MathSciNet CAS PubMed Google Scholar

Goedicke-Fritz, S. et al. 早産は免疫介在性疾患の発症リスクに影響します。フロント。イムノール。 8、1266 (2017)。

記事 PubMed PubMed Central Google Scholar

Cartridge, P.、Fox, P.、Rutter, N. 新生児集中治療の傷跡。初期の人類開発 21、1–10 (1990)。

記事 CAS Google Scholar

Chung, HU et al. 新生児集中治療用のセンサー内分析を備えたバイノーダルワイヤレス表皮電子システム。サイエンス 363、0780 (2019)。

記事 Google Scholar

Chung, HU et al. 新生児および小児集中治療室における高度な無線生理学的モニタリングのための皮膚インターフェース型バイオセンサー。ナット。医学。 3、418–429 (2020)。

記事 Google Scholar

スタインバック、J. et al. イオン移動度分光法を使用した、新生児保育器の雰囲気中の揮発性有機化合物のベッドサイドでの測定。フロント。小児科。 7、248 (2019)。

記事 PubMed PubMed Central Google Scholar

ロゴッシュ、T. et al. 電子鼻を使用した早産児の血流感染の検出と気管支肺異形成の予測。 J. Pediatr. 165、622–624 (2014)。

論文 PubMed Google Scholar

ニューハンプシャー州ガンガラム・パンデーほか動的光散乱: 新生児心拍数モニタリングのための新しい非侵襲的技術。新生児学 117、279–286 (2020)。

論文 PubMed Google Scholar

Villarroel、M. et al. 新生児集中治療室における早産児の非接触生理学的モニタリング。 npj 数字。医学。 2、1–18 (2019)。

記事 Google Scholar

Allen, J. フォトプレチスモグラフィーと臨床生理学的測定におけるその応用。生理。測定。 28、R1 (2007)。

論文 ADS PubMed Google Scholar

Cobos-Torres、J. et al. 光電脈波計による非接触の簡単な新生児モニタリング。センサー 18、4362 (2018)。

論文 ADS PubMed Central Google Scholar

詩人、CF 未熟児無呼吸: 観察研究は病態生理学について何を教えてくれますか? スリープメッド。 11、701–707 (2010)。

論文 PubMed Google Scholar

詩人、CF 他超早産児の間欠性低酸素血症または徐脈と晩期死亡または障害との関連性。 JAMA 314、595–603 (2015)。

論文 CAS PubMed Google Scholar

ペレイラ、CB 他熱画像を使用した新生児の呼吸数の非接触モニタリング。 IEEEトランス。バイオメッド。工学 66、1105–1114 (2019)。

論文 PubMed Google Scholar

アッバス、AK 他。リアルタイム赤外線サーモグラフィーに基づく新生児の非接触呼吸モニタリング。バイオメッド。工学オンライン 10、1–17 (2011)。

記事 Google Scholar

プラノ、SA et al. 小児無呼吸のモニタリングと治療のための医療機器: 過去と新しいトレンド。 IEEE Rev. Biomed. 工学 10、199–212 (2017)。

論文 PubMed Google Scholar

Lin, JC 呼吸の非侵襲的なマイクロ波測定。手順 IEEE 63、1530 (1975)。

記事 Google Scholar

Kebe, M. et al. レーダーを使用した人間のバイタルサインの検出方法と可能性: レビュー。センサー 20、1454 (2020)。

論文 ADS PubMed Central Google Scholar

Le Kernec, J. et al. 生活支援におけるセンシングのためのレーダー信号処理。 IEEE 信号プロセス。マグ。 36、29–41 (2019)。

記事 ADS Google Scholar

Fioranelli, F.、Le Kernec, J. & Shah, SA 医療用レーダー: 人間の活動を認識し、バイタルサインを監視します。 IEEE Potentials 38、16–23 (2019)。

記事 Google Scholar

Shah, SA & Fioranelli, F. ヘルスケアにおける日常生活支援のための RF センシング技術: 包括的なレビュー。 IEEE Aerosp. 電子。システム。マグ。 34、26–44 (2019)。

記事 Google Scholar

ハーフォード、M.ら。心拍数、血圧、呼吸数、酸素飽和度を監視する画像ベースの非接触方法の利用可能性とパフォーマンス: 体系的なレビュー。生理。測定。 40、06TR01 (2019)。

論文 CAS PubMed Google Scholar

ロラト、I. et al. 乳児の継続的なカメラベースの呼吸モニタリングに向けて。センサー 21、1 ～ 18 (2021)。

記事 Google Scholar

Mercuri, M. et al. 非接触レーダーベースのセンサーを使用した複数の人のバイタルサインの監視と空間追跡。ナット。電子。 2、252–262 (2019)。

記事 Google Scholar

キム、JD 他インパルス無線超広帯域レーダーを使用した新生児の非接触呼吸モニタリング。ロイ。社会オープンサイエンス。 6、6 (2019)。

Google スカラー

リー、WHら。新生児集中治療室におけるインパルス無線超広帯域レーダーを使用した非接触心肺モニタリングの実現可能性。 PLoS ONE 15、1–15 (2021)。

Google スカラー

Park, J. et al. リアルタイム IR-UWB レーダーを使用した非接触バイタルサインモニタリングの前臨床評価とその精度に影響を与える要因。科学。議員第 11 号、1–12 (2021)。

記事 Google Scholar

Adib, F.、Mao, H.、Kabelac, Z.、Katabi, D.、Miller, RC 呼吸と心拍数を監視するスマートホーム。会議ハム。事実。計算します。システム。手順 1、837–846 (2015)。

記事 Google Scholar

カーン、F.ら。 IR-UWBレーダーを介して静止/非静止人間のバイタルサインを監視するための詳細なアルゴリズム。センサー 17、4261–4270 (2017)。

記事 Google Scholar

デ・グルーテ、A.ら。潮呼吸中の胸壁の動き。Ｊ．Ａｐｐｌ．生理。 83、1531–1537 (1997)。

論文 PubMed Google Scholar

フレミング、S.ら。出生から 18 歳までの小児の心拍数と呼吸数の正常範囲: 観察研究の系統的レビュー。ランセット 377、1011–1018 (2011)。

記事 PubMed PubMed Central Google Scholar

Gouna, G. et al. 未熟児の肺機能と呼吸パターンに対する位置の影響。 J. Pediatr. 162、1133–1137 (2013)。

論文 PubMed Google Scholar

テ・パス、AB 他出生直後の早産児および正期産児の呼吸パターン。小児科。解像度 65、352–356 (2009)。

記事 Google Scholar

ヘイワード、ＫＭら。双子の共寝が共調節、乳児の状態、双子の安全性に及ぼす影響。Ｊ．Ｏｂｓｔｅｔｒ．ギネコル。新生児看護師。 44、193–202 (2015)。

記事 Google Scholar

Badiee, Z.、Nassiri, Z.、Armanian, A. 双子の未熟児の添い寝: 痛みの反応に対する鎮静効果。小児科。ネオナトール。 55、262–268 (2014)。

論文 PubMed Google Scholar

Park, BK、Boric-Lubecke, O. & Lubecke, VM 直角位相ドップラーレーダー受信機システムにおける DC オフセット補償を備えた逆正接復調。 IEEEトランス。マイクロウ。理論技術。 55、1073–1078 (2007)。

記事 ADS Google Scholar

Li, C. & Lin, J. ドップラーレーダーバイタルサイン検出におけるランダムな体の動きのキャンセル。 IEEEトランス。マイクロウ。理論技術。 56、3143–3152 (2008)。

記事 ADS Google Scholar

フェナー、A.ら。未熟児および新生児の周期的呼吸：発生率、呼吸パターン、呼吸ガス張力、周囲空気の組成の変化への反応。小児科。解像度 7、174–183 (1973)。

論文 CAS PubMed Google Scholar

パテル、M.ら。早産児の未熟な呼吸との臨床的関連性: パート 2 - 周期的な呼吸。小児科。解像度 80、28–34 (2016)。

記事 PubMed PubMed Central Google Scholar

マサチューセッツ州モールら。未熟児の周期的呼吸の定量化。生理。測定。 36、1415 (2015)。

記事 PubMed PubMed Central Google Scholar

Weintraub、Z. et al. 乳児と成人の周期的呼吸の形態。呼吸してください。生理。 127、173–184 (2001)。

論文 CAS PubMed Google Scholar

Al-Naji, A.、Gibson, K.、Lee, SH & Chahl, J. 心肺信号のモニタリング: 遠隔測定の原理と方法のレビュー。 IEEE Access 5、15776–15790 (2017)。

記事 Google Scholar

Kranjec, J. et al. 非接触心拍数と心拍数変動測定: レビュー。バイオメッド。信号プロセス。コントロール 13、102–112 (2014)。

記事 Google Scholar

Shafiq, G. & Veluvolu, KC 心臓血管モニタリングのための表面胸部運動分解。科学。議員 4、1–9 (2014)。

Google スカラー

Li、C. 外出先でのバイタルサインのモニタリング。ナット。電子。 2、219–220 (2019)。

記事 Google Scholar

Li, C.、Cummings, J.、Lam, J.、Graves, E. & Wu, W. レーダーによるバイタルサインの遠隔監視。 IEEEマイクロ。マグ。 10、47–56 (2009)。

記事 Google Scholar

Yu, X.、Li, C. & Lin, J. ドップラーレーダーアレイアプローチを使用した 2 次元の非接触バイタルサイン検出。 IEEE MTT-S 国際マイクロウ。シンポ。掘る。 1、1–4 (2011)。

CAS Google スカラー

ムニョス・フェレラス、JM 他 FMCW レーダーベースのバイタルサイン監視のためのランダムな体の動きの軽減。 IEEEトップ。会議バイオメッド。ワイレル。テクノロジー。ネット。センサーシステム 1、22–24 (2016)。

Google スカラー

Lee, DD & Seung, HS NNMF によるオブジェクトの部分の学習。 Nature 401、788–791 (1999)。

論文 ADS CAS MATH PubMed Google Scholar

ベリー、MW et al. 近似非負行列因数分解のためのアルゴリズムとアプリケーション。計算します。統計データアナル。 52、155–173 (2007)。

記事 MathSciNet MATH Google Scholar

Tu, J.、Hwang, T.、Lin, J. 単一連続波ドップラーレーダーバイタルサイン検出システムを使用した、1 次元の体動下での呼吸数の測定。 IEEEトランス。マイクロウ。理論技術。 64、1937 ～ 1946 年 (2016)。

記事 ADS Google Scholar

Rong, Y. & Bliss, DW スペクトル領域の高調波シグネチャに基づく重要な情報のリモートセンシング。 IEEEトランス。エアロスプ。電子。システム。 55、3454–3465 (2019)。

記事 ADS Google Scholar

Albanese, A.、Cheng, L.、Ursino, M.、Chbat, NW 人間の心肺システムの統合数学モデル: モデル開発。午前。Ｊ．Ｐｈｙｓｉｏｌ．ハートサーキュラート。生理。 310、H899–H921 (2016)。

記事 Google Scholar

Frey、U.ら。早産児および正期産児の呼吸パターンの不規則性とべき乗則分布。Ｊ．Ａｐｐｌ．生理。 85、789–797 (1998)。

論文 CAS PubMed Google Scholar

カラハサノビッチ、U. 他レーダーセンサーによって検出された複雑な呼吸パターンの数学的モデリングとシミュレーション。手順内部。レーダーシンポ。 52、1–10 (2018)。

Google スカラー

ストイカ、P. et al. 信号のスペクトル解析 Vol. 4 (ピアソン・プレンティス・ホール、サドル川上流、2005)。

数学 Google Scholar

Christensen, MG & Jakobsson, A. マルチピッチ推定 (Morgan & Claypool、ニューヨーク、2009)。

MATH を予約する Google Scholar

ローマン、B.ら。バイタルサインをドップラーレーダーで感知するためのデジタル信号プロセッサ。手順アン。内部。会議 IEEE Eng. 医学。バイオル。社会 4、3359–3362 (2001)。

Google スカラー

Nosrati, M. & Tavassolian, N. ガウスパルストレインモデリングと FTPR アルゴリズムに基づくドップラーレーダーを使用した高精度の心拍数変動モニタリング。 IEEEトランス。マイクロウ。理論技術。 66、556–567 (2018)。

記事 ADS Google Scholar

Wei, J.、Zhang, L.、Liu, H. MAE に基づく非接触生命信号抽出および再構成技術。 IEEE Access 7、110826–110834 (2019)。

記事 Google Scholar

Christensen, MG、Stoica, P.、Jakobsson, A. & Jensen, SH マルチピッチ推定。信号プロセス。 88、972–983 (2008)。

記事 MATH Google Scholar

https://www.mathworks.com/products/matlab.html。

Bakhtiari, S. et al. リモートミリ波 IQ センサーのリアルタイム心拍数分析。 IEEEトランス。バイオメッド。工学 58、1839–1845 (2011)。

論文 PubMed Google Scholar

Nosrati, M. & Tavassolian, N. 胸壁加速度を使用した正確なドップラーレーダーベースの心肺センシング。 IEEE J. Electromag. RFマイクロウ。医学。バイオル。 3、41–47 (2019)。

記事 Google Scholar

アリザデ、M.ら。ミリ波FMCWレーダーを使用した人間のバイタルサインの遠隔監視。 IEEE Access 7、54958–54968 (2019)。

記事 Google Scholar

ヴァン・ルーン、K. 他低ケアの臨床現場を対象とした遠隔連続呼吸数モニタリング技術の精度:前向き観察研究。できる。 J.アネス。 65、1324–1332 (2018)。

論文 PubMed Google Scholar

Diewald, AR et al. 車内での RF ベースの子供の占有検出。手順内部。レーダーシンポ。 1、1–4 (2016)。

Google スカラー

Larsen, P. & Mousel, T. 車内での熱中症による死亡者数を減らすための、目を離さない子供たちの高周波ベースの検出。手順イルコビ会議 1、220–233 (2017)。

Google スカラー

https://www.getemed.de/en/monitoring。

https://www.cardialhealth.co.uk/en_gb/medical-products/patient-care/electrocardiography/neonatal-ecg-electrodes.html。

胡、W.ら。コンパクトな直交ドップラーレーダーセンサーを使用して、心肺活動を非接触で正確に測定します。 IEEEトランス。バイオメッド。工学 61、725–735 (2014)。

論文 ADS PubMed Google Scholar

Li, C. & Lin, J. 非接触バイタルサイン検出のための複雑な信号復調とランダムな体の動きのキャンセル技術。 IEEE MTT-S 国際マイクロウ。シンポ。掘る。 1、567–570 (2008)。

Google スカラー

Verhelst, W. 音声のタイムスケーリングのためのオーバーラップ追加メソッド。スピーチコミュ。 30、207–221 (2000)。

記事 Google Scholar

Magron, P.、Badeau, R.、David, B. 音源分離のためのモデルベースの STFT 位相回復。 IEEE/ACM トランス。オーディオスピーチラング。プロセス。 26、1091–1101 (2018)。

記事 Google Scholar

リファレンスをダウンロードする

この研究は、FNR 産業フェローシップ助成金、プロジェクト MIDIA、参照番号 14269859 に基づいて、ルクセンブルク国立研究基金 (FNR) によって支援されました。

これらの著者、Gabriel Beltrão と Regine Stutz も同様に貢献しました。

SnT - セキュリティ、信頼性、信頼のための学際的センター、ルクセンブルク大学、ルクセンブルク、ルクセンブルク

ガブリエル・ベルトラン、ウォレス・A・マーティンズ、モハマド・アライ=ケラルーディ、ババニ・シャンカールMR

ザールラント大学医学部、一般小児科および新生児科、ホンブルク、ドイツ

レギーネ・シュトゥッツ, フランツィスカ・ホルンベルガー, ウルリケ・リンドナー, リリー・ストック, エリザベート・カイザー, シベル・ゲーディッケ＝フリッツ & ミヒャエル・ツェムリン

IEE S/A、ビッセン、ルクセンブルク

ドミトリー・タタリノフ & ウド・シュローダー

PubMed Google Scholar でこの著者を検索することもできます

GB は論文を書き、アルゴリズムを開発し、ソフトウェアを実装し、データを分析して解釈しました。 WAM はランダムな体の動きを軽減するアルゴリズムに貢献し、技術的なフィードバックを提供し、最終原稿を編集しました。 MA は技術的なフィードバックを提供し、最終原稿を編集し、研究を共同監督しました。 BSM は技術的なフィードバックを提供し、最終原稿を編集し、研究を監督しました。 DT はレーダーシステムを考案および設計し、測定セットアップを開発し、測定を監視し、ランダムな体の動きを軽減するアルゴリズムに貢献し、技術的なフィードバックを提供し、最終原稿を編集しました。 US はランダムな体の動きを軽減するアルゴリズムに貢献し、技術的なフィードバックを提供し、最終原稿を編集しました。 RS は研究を設計し、論文を書きました。 FH は研究を設計し、測定と初期および臨床データの評価を実施しました。 MZ は研究を設計し、研究を監督しました。 ULとLSは両親に研究について説明し、参加について書面による同意を得て、試験を監督した。 EK は組織のタスクをサポートし、測定を監督しました。 SGF は組織タスクをサポートしました。著者全員が原稿をレビューして貢献し、提出されたバージョンを承認しました。

Gabriel Beltrão または Regine Stutz への通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Beltrão, G.、Stutz, R.、Hornberger, F. 他新生児集中治療室における未熟児の非接触レーダーベースの呼吸モニタリング。 Sci Rep 12、5150 (2022)。 https://doi.org/10.1038/s41598-022-08836-3

引用をダウンロード

受信日: 2021 年 10 月 8 日

受理日: 2022 年 3 月 3 日

公開日: 2022 年 3 月 25 日

DOI: https://doi.org/10.1038/s41598-022-08836-3

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

科学レポート (2022)

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。