ПОСТРОЕНИЕ СИСТЕМЫ ОПРЕДЕЛЕНИЯ ЧАСТОТЫ ПОВЕРХНОСТНОГО ДЫХАНИЯ ПО ДАННЫМ ВИБРОМЕТРИЧЕСКИХ СЕНСОРОВ СМАРТФОНА
Аннотация
Современные реалии ставят человечеству задачи по цифровизации в различных об-
ластях работы и быта, ускоряя срок выполнения задач и облегчая их. Современная техни-
ка, оснащенная датчиками, которые можно использовать для предварительной диагно-
стики, позволяет выявлять различные симптомы, которые могут являться причиной по-
сещения медицинских учреждений. Это позволяет выиграть время – очень ценный ресурс,
когда речь идет о жизни человека. Поэтому возможность выполнять такую диагностику,
в частности, определение частоты дыхания, является актуальной задачей на сегодняшний
день. В статье представлен метод определения частоты дыхания с использованием трех-
осевого акселерометра на мобильном устройстве. Данный метод может быть использо-
ван в приложении мониторинга состояния здоровья пользователя при отсутствии смарт-
часов. Метод позволяет пользователю измерять частоту дыхания человека только при
условии того, что пользователь находится в сидячем положении и мобильное устройство,
оснащенное необходимым датчиком, расположено в верхней передней области бедра (об-
ласть кармана). Алгоритм по определению частоты дыхания реализован на двух языках
программирования: Python и MatLab. В алгоритме используется стабилизатор частоты
дыхания, т.к. с мобильного устройства на базе Android частота дискретизации акселеро-
метра не постоянна. Далее сигнал нормируется методом z-нормирования. Для выделения
частотного промежутка, в котором вычисляется частота дыхания, используется фильтр
Баттерворта 1-ого порядка. Анализ независимых компонент позволяет получить из смеси
сигналов его независимые компоненты. Были протестированы несколько реализаций дан-
ного метода на языке Python и Matlab. Наилучшие по качеству результаты показал алго-
ритм, реализованный на языке MatLab с использованием встроенного восстановительного
анализа независимых компонент (RICA) из набора инструментов статистики и машинно-
го обучения. По скорости работы лучшие результаты показала реализация алгоритма на
языке Python с методом быстрого анализа независимых компонент (FastICA). Среднеквад-
ратичная ошибка для диапазона 10–20 вдоха в мин составила 2,14 вдоха в мин. Средне-
квадратичная ошибка для 20–30 вдоха в мин составила 3,46 вдоха в мин.
Литература
JETSAN 2021-Colloque en Télésanté et dispositifs biomédicaux-8ème edition, 2021.
2. Biró Attila & Szilagyi Sandor Miklos & Szilagyi Laszlo & Martin-Martin Jaime & Cuesta-
Vargas Antonio. Machine Learning on Prediction of Relative Physical Activity Intensity Using
Medical Radar Sensor and 3D Accelerometer, Sensors, 2023, 23, 3595. 10.3390/s23073595.
3. Markovic A. Use of a MEMS Accelerometer to Monitor Breathing Motion, Medical Physics,
2013, 40, 287. 10.1118/1.4814796.
4. Ali, Shan & Khan, Ali & Zia, Shafaq. (2022). Cough Detection Using Mobile Phone Accelerometer
and Machine Learning Techniques. 10.1007/978-3-031-10031-4_19.
5. Liu G.Z. et al. Estimation of respiration rate from three-dimensional acceleration data based on
body sensor network, Telemedicine and e-health, 2011, Vol. 17, No. 9, pp. 705-711.
6. Simonetti Emeline & Bergamini Elena & Bascou Joseph & Vannozzi Giuseppe & Pillet Helene.
Three-dimensional acceleration of the body center of mass in people with transfemoral
amputation: Identification of a minimal body segment network, Gait & Posture, 2021, 90,
pp. 129-136. 10.1016/j.gaitpost.2021.08.017.
7. Hasan Kareeb & Pour Ebrahim, Malikeh & Xu Hongqiang & Yuce Mehmet. Analysis of Spectral
Estimation Algorithms for Accurate Heart Rate and Respiration Rate Estimation Using an
Ultra-Wideband Radar Sensor, IEEE reviews in biomedical engineering, 2022, PP.
10.1109/RBME.2022.3212695.
8. Sato Hiroya & Kawaharazuka Kento & Makabe Tasuku & Okada Kei & Inaba Masayuki.
Online Estimation of Self-Body Deflection With Various Sensor Data Based on Directional
Statistics, 2023.
9. Bates A. et al. Respiratory rate and flow waveform estimation from tri-axial accelerometer
data, 2010 International Conference on Body Sensor Networks. IEEE, 2010, pp. 144-150.
10. Koizumi Nao & Ogata Hitomi & Negishi Yutaro & Nagayama Hisashi & Kaneko Miki &
Kiyono Ken & Omi Naomi. Energy Expenditure of Disaster Relief Operations Estimated Using
a Tri-Axial Accelerometer and a Wearable Heart Rate Monitor, International Journal of Environmental
Research and Public Health, 2023, 20, 5742. 10.3390/ijerph20095742.
11. Tsai Junko & Tanaka Chiaki & Tanaka Shigeho. Estimation of minute respiratory ventilation
rate of preschool children using tri-axial accelerometer, Journal of Japan Society for Atmospheric
Environment, 2010, 45, pp. 235-245. 10.11298/taiki.45.235.
12. Siqueira Ailton & Spirandeli Amanda & Moraes Raimes & Zarzoso Vicente. Respiratory
Waveform Estimation From Multiple Accelerometers: An Optimal Sensor Number and
Placement Analysis, IEEE Journal of Biomedical and Health Informatics, 2018. PP. 1-1.
10.1109/JBHI.2018.2867727.
13. Vertens J. et al. Measuring Respiration and Heart Rate using Two Acceleration Sensors on a
Fully Embedded Platform, icSPORTS, 2015, pp. 15-23.
14. Griffiths Benjamin & Preece Stephen. A New Wearable Device For Free-Living Measurement
of Respiration Rate, 2017.
15. Chang Bu. Application of Heart Rate Acceleration Motion Wireless Sensor Fusion in Individual
Special Competitive Sports, Journal of Sensors, 2021, 1-11. 10.1155/2021/5723567.
16. Hernandez J., McDuff D.J., Picard R.W. Biophone: Physiology monitoring from peripheral
smartphone motions, 2015 37th Annual International Conference of the IEEE Engineering in
Medicine and Biology Society (EMBC). IEEE, 2015, pp. 7180-7183.
17. Creighton Catherine. Monitoring During Anesthesia: Physiology, 2023. 10.1007/978-3-031-
22805-6_1.
18. Oja E., Yuan Z. The FastICA algorithm revisited: Convergence analysis, IEEE transactions on
Neural Networks, 2006, Vol. 17, No. 6, pp. 1370-1381.
19. Karmuse Sachin & Kakhandki Arun & Anandhalli Mallikarjun. Video-Based Heart Rate
Measurement Using FastICA Algorithm, 2022. 10.1007/978-981-16-7011-4_42.
20. Wei Tianwen. Asymptotic analysis of the generalized symmetric FastICA algorithm, IEEE
Transactions on Signal Processing, 2014, 63. 10.1109/SSP.2014.6884675.
21. Shahshahani, Seyed Mohammad Reza & Mahdiani Hamid. FiCA: A Fixed-point Custom Architecture
FastICA for Real-time and Latency-Sensitive Applications, IEEE transactions on
neural systems and rehabilitation engineering: a publication of the IEEE Engineering in Medicine
and Biology Society, 2022, pp. 10.1109/TNSRE.2022.3213010.
22. Selesnick I.W., Burrus C.S. Generalized digital Butterworth filter design, IEEE Transactions
on signal processing, 1998, Vol. 46, No. 6, pp. 1688-1694.
23. Elitas S. A computer aided design of digital filters. NASA STI/Recon Technical Report
No. 11304-, 1977.
24. Le Q. et al. ICA with reconstruction cost for efficient overcomplete feature learning, Advances
in neural information processing systems, 2011, Vol. 24.
25. Livezey Jesse & Bujan Alejandro & Sommer Friedrich. On degeneracy control in
overcomplete ICA, 2016.
