ПОСТРОЕНИЕ СИСТЕМЫ ОПРЕДЕЛЕНИЯ ЧАСТОТЫ ПОВЕРХНОСТНОГО ДЫХАНИЯ ПО ДАННЫМ ВИБРОМЕТРИЧЕСКИХ СЕНСОРОВ СМАРТФОНА
Ключевые слова:
Частота дыхания, мобильное приложение, трёхосевой акселерометр, полосовой фильтр Баттерворта, анализ независимых компонент (ICA), спектральный анализАннотация
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.
