Low-cost Embedded Breathing Rate Determination Using 802.15.4z IR-UWB Hardware for Remote Healthcare
作者: Anton Lambrecht, Stijn Luchie, Jaron Fontaine, Ben Van Herbruggen, Adnan Shahid, Eli De Poorter
分类: eess.SP, cs.LG
发布日期: 2025-04-03 (更新: 2025-10-21)
备注: This paper has been submitted to IEEE Sensors Journal and is currently undergoing review
💡 一句话要点
提出基于IR-UWB和CNN的低成本嵌入式呼吸率检测方案，用于远程医疗。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: 呼吸率监测 IR-UWB雷达 卷积神经网络 嵌入式系统 远程医疗
📋 核心要点
- 现有呼吸率检测方法成本高昂或精度不足，难以满足远程医疗的低成本、高精度需求。
- 利用IR-UWB雷达获取呼吸引起的信道脉冲响应变化，并设计CNN模型直接从CIR数据预测呼吸率。
- 实验表明，该CNN模型在真实场景下MAE为1.73 BPM，嵌入式部署后功耗低，续航可达数百天。
📝 摘要（中文）
呼吸系统疾病是全球死亡的重要原因。经济实惠的早期检测是解决这些疾病的有效方法。为此，本文利用低成本的商用现成（COTS）、符合IEEE 802.15.4z标准的脉冲无线电超宽带（IR-UWB）雷达系统来估计人体呼吸频率。我们提出了一种专门用于从超宽带（UWB）信道脉冲响应（CIR）数据预测呼吸频率的卷积神经网络（CNN），并将其性能与其他基于规则的算法和基于模型的方法进行比较。该研究使用多样化的数据集，结合各种真实环境来评估系统的鲁棒性。为了方便未来的研究，该数据集将开源发布。结果表明，CNN在未见过的情况下实现了1.73次/分钟（BPM）的平均绝对误差（MAE），明显优于基于规则的方法（3.40 BPM）。通过在未见过的情况下加入来自其他个体的校准数据，误差进一步降低至0.84 BPM。此外，这项工作评估了在低成本嵌入式设备上运行该流程的可行性。对权重和输入/输出张量应用8位量化，可将内存需求降低67%，推理时间降低64%，而MAE仅增加3%。因此，我们证明了将该算法部署在nRF52840片上系统（SoC）上是可行的，该系统仅需要46 KB的内存，并且推理时间仅为192 ms。一旦部署，分析能量模型估计该系统在连续监控房间时，在20000 mAh电池组供电的情况下，可以运行长达268天而无需充电。对于卧床呼吸监测，可以降低采样率，将电池寿命延长至313天，从而使该解决方案对于实际、低成本部署非常有效。
🔬 方法详解
问题定义：论文旨在解决远程医疗中低成本、高精度的呼吸率监测问题。现有方法，如可穿戴设备，可能存在舒适度问题或需要用户配合。基于雷达的呼吸率监测虽然是非接触式的，但传统方法往往依赖复杂的信号处理算法，计算量大，难以在低功耗嵌入式设备上实现。因此，需要一种能够在低成本硬件上运行，且具有较高精度的呼吸率检测方案。
核心思路：论文的核心思路是利用IR-UWB雷达获取人体呼吸引起的信道脉冲响应（CIR）变化，并直接使用卷积神经网络（CNN）从CIR数据中学习呼吸率。这种方法避免了传统信号处理的复杂步骤，将特征提取和呼吸率预测集成到一个端到端的模型中，从而降低了计算复杂度，使其更适合在嵌入式设备上部署。
技术框架：整体框架包括数据采集、数据预处理、模型训练和嵌入式部署四个主要阶段。首先，使用IR-UWB雷达采集CIR数据。然后，对CIR数据进行预处理，例如归一化。接着，使用预处理后的CIR数据训练CNN模型，该模型直接输出呼吸率。最后，将训练好的CNN模型量化并部署到低功耗的nRF52840 SoC上。
关键创新：该论文的关键创新在于将IR-UWB雷达和CNN相结合，直接从CIR数据中学习呼吸率。与传统方法相比，这种方法无需手动设计特征，降低了计算复杂度，并且能够更好地适应不同的环境和个体差异。此外，论文还探索了模型量化技术，进一步降低了模型大小和推理时间，使其能够在低功耗嵌入式设备上高效运行。
关键设计：论文中CNN模型的具体结构未知（论文中未详细描述），但关键设计包括：1）使用CIR数据作为输入；2）采用卷积层提取时序特征；3）使用全连接层进行呼吸率预测；4）使用平均绝对误差（MAE）作为损失函数；5）对模型进行8位量化，以降低内存需求和推理时间。此外，论文还考虑了不同的采样率对电池寿命的影响，并提出了相应的优化策略。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该CNN模型在未见过的情况下实现了1.73 BPM的MAE，显著优于基于规则的方法（3.40 BPM）。通过引入校准数据，MAE进一步降低至0.84 BPM。嵌入式部署方面，8位量化将内存需求降低67%，推理时间降低64%，而MAE仅增加3%。最终，该算法可以在nRF52840 SoC上运行，仅需46 KB内存，推理时间为192 ms，电池续航可达268天。
🎯 应用场景
该研究成果可应用于远程医疗、智能家居、养老院等场景，实现对老年人、慢性病患者等群体的非接触式呼吸率监测。通过早期发现呼吸异常，可以及时预警并采取干预措施，降低医疗成本，提高患者的生活质量。未来，该技术还可以与其他传感器融合，实现更全面的健康监测。
📄 摘要（原文）
Respiratory diseases account for a significant portion of global mortality. Affordable and early detection is an effective way of addressing these ailments. To this end, a low-cost commercial off-the-shelf (COTS), IEEE 802.15.4z standard compliant impulse-radio ultra-wideband (IR-UWB) radar system is used to estimate human respiration rates. We propose a convolutional neural network (CNN) specifically adapted to predict breathing rates from ultra-wideband (UWB) channel impulse response (CIR) data, and compare its performance with both other rule-based algorithms and model-based solutions. The study uses a diverse dataset, incorporating various real-life environments to evaluate system robustness. To facilitate future research, this dataset will be released as open source. Results show that the CNN achieves a mean absolute error (MAE) of 1.73 breaths per minute (BPM) in unseen situations, significantly outperforming rule-based methods (3.40 BPM). By incorporating calibration data from other individuals in the unseen situations, the error is further reduced to 0.84 BPM. In addition, this work evaluates the feasibility of running the pipeline on a low-cost embedded device. Applying 8-bit quantization to both the weights and input/ouput tensors, reduces memory requirements by 67% and inference time by 64% with only a 3% increase in MAE. As a result, we show it is feasible to deploy the algorithm on an nRF52840 system-on-chip (SoC) requiring only 46 KB of memory and operating with an inference time of only 192 ms. Once deployed, an analytical energy model estimates that the system, while continuously monitoring the room, can operate for up to 268 days without recharging when powered by a 20 000 mAh battery pack. For breathing monitoring in bed, the sampling rate can be lowered, extending battery life to 313 days, making the solution highly efficient for real-world, low-cost deployments.