IT202100029204A1 - Metodo per il monitoraggio della frequenza respiratoria di una persona - Google Patents

Description

METODO PER IL MONITORAGGIO DELLA FREQUENZA RESPIRATORIA DI UNA PERSONA

SETTORE TECNICO

La presente divulgazione riguarda metodi per monitorare una persona utilizzando un dispositivo indossabile avente almeno due sensori inerziali, e un relativo metodo per monitorare in continuo la frequenza respiratoria della persona utilizzando le informazioni sull'attivit? in corso.

BACKGROUND

La frequenza respiratoria ? un fattore fondamentale della prognosi che fornisce importanti informazioni sulla salute di una persona. Molte condizioni patologiche del cuore e dei polmoni, in particolare polmonite e arresto cardiaco, influenzano la frequenza respiratoria e potrebbero essere previste con un monitoraggio prolungato della frequenza respiratoria. Nonostante l'importanza della frequenza respiratoria come fattore prognostico sia ampiamente dimostrata in letteratura, l'attuale gold standard per la misurazione della frequenza respiratoria ? il numero di atti respiratori eseguiti in un minuto, individuati tramite auscultazione o osservazione, che non ? adatto per un monitoraggio prolungato al di fuori dell'ambito clinico. Un'alternativa a ci? ? l'impiego di dispositivi dedicati, ma un limite che si riscontra in diversi studi ? che in tali studi i parametri fisiologici vengono solitamente rilevati con misurazioni spot e quando il soggetto ? a riposo, mentre ? noto che l'attivit? fisica ha un'influenza sulla funzione cardiorespiratoria.

La domanda di brevetto WO2019/012384 descrive un dispositivo indossabile per il monitoraggio continuo della frequenza respiratoria di una persona, comprendente tre sensori inerziali applicati su parti del corpo della persona come mostrato in Figura 1. Utilizzando i segnali generati dai tre sensori inerziali, l'applicazione precedente fornisce un metodo per stimare la frequenza respiratoria.

Anche se questo metodo precedente fornisce buone stime della frequenza respiratoria di una persona, esiste ancora la necessit? di migliorare l'accuratezza delle stime, in particolare mentre la persona sta svolgendo attivit? dinamiche.

SOMMARIO

Studi effettuati dagli inventori hanno dimostrato che ? possibile migliorare ulteriormente il metodo noto descritto nella domanda di brevetto PCT WO2019/012384. In particolare, si ? riscontrato che ? possibile sfruttare il sistema di sensori della suddetta domanda di brevetto PCT utilizzando solo due sensori inerziali, installati sul corpo di una persona, per identificare l'attivit? di una persona in corso con il metodo come definito nella rivendicazione 1. Questo eccezionale risultato si ottiene sostanzialmente attraverso le fasi di:

determinare un'attivit? in corso della persona come attivit? statica o come attivit? dinamica e utilizzare queste informazioni per migliorare l'accuratezza delle stime della frequenza respiratoria.

Forme di realizzazione preferite sono definite nelle rivendicazioni allegate.

BREVE DESCRIZIONE DEI DISEGNI

La Figura 1 ? un'illustrazione schematica di un manichino che indossa un dispositivo indossabile per il monitoraggio continuo della frequenza respiratoria utilizzando tre sensori inerziali.

Le figure da 2a a 2c illustrano un diagramma di flusso schematico delle operazioni eseguite per riconoscere un'attivit? umana utilizzando a) un sensore inerziale; b) due sensori inerziali; c) tre sensori inerziali.

La Figura 3 illustra un diagramma di flusso delle operazioni di un metodo di questa divulgazione di un algoritmo per la stima dei parametri respiratori di una persona filtrando la prima componente principale dei segnali di sensori inerziali installati sul torace e sull'addome riferiti al sensore di riferimento applicando un primo filtro o un secondo filtro a seconda dell'attivit? umana riconosciuta.

La Figura 4 mostra schematicamente la topologia ANT Shared Channel implementata per la lettura dei tre sensori inerziali installati sul corpo della persona come mostrato in Figura 1.

La Figura 5 mostra schematicamente a) Schema a blocchi del software sull'unit? master; b) Schema a blocchi del firmware su ogni unit? slave.

La Figura 6 mostra cinque reti esemplificative create utilizzando metodi di deep learning per identificare un'attivit? umana in corso: a) Rete neurale convoluzionale 1D (1DCNN); b) Rete Neurale Convoluzionale 2D (2DCNN); c) Memoria a lungo termine a singolo strato (BASE LSTM); d) Memoria a lungo termine multistrato (MULTI LSTM); e) Gated Recurrent Unit (GRU).

La Figura 7 ? un grafico di boxplot dei valori ottenuti di frequenza respiratoria (RR) nelle diverse posture e attivit?. Le etichette sono le seguenti: 1 ? Seduto; 2 ? Supino; 3 ? Prono; 4 ? Sdraiato a sinistra; 5 ? Sdraiato a destra; 6 ? In piedi; 7- Camminando lentamente; 8 ? Camminando velocemente; 9 ? Correndo; 10 - Pedalando.

La Figura 8 ? uno schema a blocchi di un altro algoritmo per la stima dei parametri respiratori di una persona in funzione o della prima componente principale dei segnali dei sensori inerziali installati sul torace e sull'addome riferiti al sensore di riferimento, oppure la seconda componente principale / componente principale di ordine superiore, a seconda dell'attivit? umana riconosciuta.

La Figura 9 ? un diagramma a blocchi per un metodo per stimare i parametri respiratori di una persona.

La Figura 10 ? un grafico dello spettro della prima componente principale in posizione statica dei segnali dei sensori inerziali installati sul torace e sull'addome riferiti al sensore di riferimento, e lo spettro della somma dei due segnali.

La Figura 11 ? un grafico dello spettro della prima componente principale durante l'attivit? deambulatoria dei segnali dei sensori inerziali installati sul torace e sull'addome riferiti al sensore di riferimento, e lo spettro della somma dei due segnali.

La Figura 12 ? un grafico dello spettro della seconda componente principale durante l'attivit? deambulatoria dei segnali dei sensori inerziali installati sul torace e sull'addome riferiti al sensore di riferimento, e lo spettro della somma dei due segnali.

DESCRIZIONE DELLE FORME DI REALIZZAZIONE ESEMPLIFICATIVE

Nella descrizione che segue verranno illustrati i metodi dell'invenzione con riferimento principalmente al caso particolare in cui sul corpo della persona sono installati tre sensori inerziali (di seguito chiamati anche "unit? sensoriali"), come mostrato in figura 1, ovvero due sensori inerziali installati rispettivamente sul torace e sull'addome, e un sensore inerziale di riferimento posizionato su una parte del corpo non soggetta a movimenti respiratori, ma fissa rispetto al busto, e funzionante come riferimento per gli altri due sensori inerziali. Preferibilmente, il sensore inerziale di riferimento pu? essere posizionato, ad esempio, all'altezza del bacino (spina iliaca superiore 15 oppure in prossimit? del coccige), o anche sulla parte bassa della schiena della persona.

? noto che i parametri respiratori cambiano durante le diverse attivit? e in diverse posizioni, avere un sistema che combina parametri respiratori e riconoscimento dell'attivit? umana (HAR) fornirebbe informazioni ancora pi? rilevanti dal punto di vista clinico.

Nel precedente sistema di sensori mostrato in Figura 1 e divulgato anche in [

?A novel, low cost, wearable contactbased device for breathing frequency monitoring,? Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBS, pp.2402?2405, 2017, doi: 10.1109/EMBC.2017.8037340][

?A novel acquisition platform for long-term breathing frequency monitoring based on inertial measurement units,? Med. Biol. Eng. Comput., vol. 58, no.4, pp.785?804, 2020, doi: 10.1007/s11517-020-02125-9], due unit? sensoriali hanno lo scopo di rilevare i movimenti respiratori della parete toracica, una si trova sul torace e l'altra sull'addome; l'ultima IMU ? posta in una posizione non coinvolta nel movimento respiratorio ma solidale con il movimento del corpo, generalmente nella parte bassa della schiena. L'influenza della postura sul movimento della parete toracica ? studiata a fondo in letteratura. ? stato precedentemente studiato che la maggior parte della variazione di volume della parete toracica ? distribuita nel compartimento toracico nelle posizioni verticali e nel compartimento addominale nelle posizioni orizzontali [ ?Effects of gender and posture on thoracoabdominal kinematics during quiet breathing in healthy adults,? Respir. Physiol. Neurobiol., vol. 172, no. 3, pp. 184?191, 2010, doi: https://doi.org/10.1016/j.resp.2010.05.018]. Per questo motivo la configurazione del sistema ? particolarmente vantaggiosa per un'analisi approfondita del movimento del torace durante la respirazione in diverse posizioni, poich? pu? tenere conto dei diversi contributi della parete toracica in diverse posizioni.

Dal lato post-processing, l'algoritmo per estrarre i parametri respiratori ha permesso di ottenere risultati che confermano quanto noto in letteratura [

?A Home Telemedicine System for Continuous Respiratory Monitoring.,? IEEE J. Biomed. Heal. informatics, vol. 25, no. 4, pp. 1247?1256, Apr. 2021, doi: 10.1109/JBHI.2020.3012621][ ?A Multimodal Wearable System for Continuous and Real-time Breathing Pattern Monitoring During Daily Activity.,? IEEE J. Biomed. Heal. Informatics, Dec.2019, doi: 10.1109/JBHI.2019.2963048], ovvero che la frequenza ? maggiore in condizioni dinamiche. Inoltre, va notato che la maggior parte dei sistemi non ? in grado di fornire misurazioni della frequenza respiratoria durante attivit? dinamiche impegnative come la corsa. Questo sistema ? vantaggioso sia per applicazioni sportive che mediche, grazie alla sua capacit? di misurare questo parametro in un'ampia gamma di situazioni.

Tuttavia, il rapporto segnale/rumore ? troppo alto durante la salita delle scale e non ? stato possibile applicare l'algoritmo.

I risultati ottenuti hanno mostrato complessivamente una buona capacit? di riconoscere diverse attivit?, indipendentemente dall'et? o dal sesso dei soggetti. Sebbene nel caso con tre unit? siano state utilizzate solo caratteristiche nel tempo e non in frequenza, il confronto tra l'uso di una singola unit? rispetto all'uso di tre, ha mostrato che la seconda funziona meglio, con maggiore precisione e punteggio f1 sia per metodi di machine learning e deep learning. Un'ultima considerazione riguarda la prima fase della preparazione dei dati: la rimozione del transitorio iniziale potrebbe aver portato a una sopravvalutazione dell'accuratezza.

La presente divulgazione presenta un prototipo avanzato adatto per il monitoraggio continuo e mostra come sfruttare la possibilit? di eseguire il riconoscimento dell'attivit? umana (HAR) dai dati grezzi del sensore.

II. MATERIALI E METODI

A. Set di dati

I 20 soggetti sani coinvolti nella ricerca (9 uomini, 11 donne) avevano tra i 23 ei 54 anni al momento dello studio, con et? media 26,8, altezza media 172,5 cm e peso medio 66,9 kg. La sperimentazione ? stata approvata dal Comitato Etico del Politecnico di Milano (Protocollo numero: 20/2020) e tutti i partecipanti hanno firmato un consenso informato. Il protocollo prevedeva sette posture statiche (seduto con appoggio, seduto senza appoggio, supino, prono, decubito sinistro, decubito destro, in piedi) e cinque attivit? dinamiche (camminare lentamente a 4 km/h, camminare velocemente a 6 km/h, correre, salire e scendere le scale, andare in bicicletta). Le attivit? di camminata e corsa sono state eseguite su un tapis roulant, mentre l'attivit? in bicicletta ? stata eseguita su un ergometro. B. Hardware, firmware e trasmissione dati

Come mostrato nelle figure 2a, 2b e 2c, il riconoscimento dell'attivit? umana pu? essere effettuato elaborando segnali non trattati ("dati grezzi") generati dal sensore inerziale utilizzato come riferimento (figura 2a), ad esempio installato sulla parte bassa della schiena di una persona, oppure elaborando segnali non trattati generati dal sensore inerziale di riferimento e un altro sensore inerziale installato o sul torace o sull'addome (figura 2b) della persona, o ancora elaborando segnali non trattati generati dal sensore inerziale di riferimento, il sensore inerziale installato sul torace e il sensore inerziale installato sull'addome (figura 2c) della persona. Nella descrizione che segue si far? riferimento ad un sistema di test configurato come in figura 2c in cui sono installati tre sensori inerziali sul corpo della persona e i segnali non trattati generati da tutti loro sono utilizzati per determinare l'attivit? in corso, sebbene le stesse osservazioni tenere mutatis mutandis quando vengono utilizzati solo il sensore di riferimento (figura 2a) o il sensore di riferimento e un altro sensore inerziale, tra il sensore toracico e il sensore addome (figura 2b).

Il sistema di sensori utilizzato per il test ? composto da tre unit?, una situata sul torace, una sull'addome e una sulla parte bassa della schiena, utilizzate come riferimento.

I dati provenienti dalle tre unit? possono essere raccolti sia tramite una chiavetta USB2 ANT che viene inserita in un personal computer durante le acquisizioni, sia tramite uno smartphone Android che supporti ANT.

I dati del sensore sono composti da tre componenti dell'accelerometro, tre componenti del giroscopio e tre componenti del magnetometro e vengono inviati al microcontrollore con una frequenza di 40 Hz. Il microcontrollore, quindi, calcola il quaternione a 9 assi, trasmettendo un quaternione su quattro alla chiavetta USB2 tramite un'antenna a radiofrequenza integrata in ciascuna unit?, risultando in una frequenza di 10 Hz, con il protocollo di comunicazione ANT. Lo USB2 Stick ? il ricevitore dei dati inviati dal microcontrollore ed ? configurato come master, mentre le tre unit? funzionano come slave e sono i trasmettitori delle rilevazioni del sensore. La topologia della rete ? denominata Shared Channel ed ? mostrata in Figura 4, mentre le Figure 5a e 5b mostrano rispettivamente gli schemi a blocchi del programma in esecuzione sul dispositivo master e il firmware dei dispositivi slave. Il canale principale ha un periodo di canale di 30 Hz, in modo che abbia un intervallo di tempo di 10 Hz per indirizzare ciascuna delle unit? (toracica, addominale e di riferimento).

I nove componenti forniti dal sensore IMU vengono calibrati e quindi utilizzati dal microcontrollore per calcolare un quaternione, che ? un numero complesso quadridimensionale [q1 q2 q3 q4]. La fusione dei dati raccolti dal sensore viene eseguita utilizzando l'algoritmo iterativo di fusione del sensore sviluppato da Madgwick et al. [ ?Estimation of IMU and MARG orientation using a gradient descent algorithm,? in 2011 IEEE international conference on rehabilitation robotics, 2011, pp.1?7.], che ? in grado di calcolare i quaternioni che rappresentano i cambiamenti di orientamento di ciascuna unit? rispetto al telaio terrestre. Ogni componente ? espresso tramite un valore in virgola mobile, compreso tra -1 e 1, e viene trasmesso in un byte del payload dei dati. Inoltre ? presente anche un contatore, incrementato ogni quattro quaternioni calcolati con una frequenza di 40Hz, per identificare la n-esima trasmissione.

C. Elaborazione del segnale respiratorio

Il processo che porta all'estrazione dei parametri respiratori dai dati raccolti dalle unit? viene eseguito offline utilizzando un software che implementa l'algoritmo precedentemente validato da Cesareo et al. [

?Assessment of breathing parameters using an inertial measurement unit (IMU)-based system,? Sensors (Switzerland), vol. 19, no. 1, pp. 1?24, 2019, doi: 10.3390/s19010088.] utilizzando il linguaggio di programmazione Python, con piccole variazioni per adattare l'algoritmo all'elaborazione di attivit? dinamiche. In particolare, le variazioni sono nelle frequenze di taglio di alcuni dei filtri implementati. L'intero algoritmo di elaborazione pu? essere suddiviso in quattro parti principali: preelaborazione, riduzione delle dimensioni, analisi dello spettro ed elaborazione.

Nella fase di pre-elaborazione, i dati divisi per unit? di origine sono organizzati in quattro array, dove i dati mancanti vengono sostituiti dopo l'interpolazione. I quaternioni vengono creati combinando gli array. La stessa selezione ? stata effettuata per addestrare l'algoritmo di riconoscimento dell'attivit? umana presentato nella sezione successiva. Successivamente, viene calcolato il prodotto quaternione, fornendo gli orientamenti dell'unit? toracica e addominale riferiti all'orientamento dell'unit? di riferimento. (1) e (2) mostrano come vengono eseguiti questi calcoli:

Di conseguenza, i movimenti non respiratori sono ridotti perch? le variazioni angolari sono riferite all'unit? di riferimento, che non rileva i movimenti respiratori, ma ? solidale con il movimento del tronco. Quindi, la linea di base viene calcolata mediante la media mobile su 97 campioni per ciascuna componente di quaternione e sottraendola ad essi per rimuovere il movimento residuo non respiratorio. I componenti generati sono l'input per il blocco di riduzione delle dimensioni.

Con l'obiettivo di ridurre la dimensione del dataset, viene eseguita la Principal Component Analysis (PCA) [ ?Principal component analysis,? Chemom. Intell. Lab. Syst., vol. 2, no. 1?3, pp. 37?52, 1987], [

?What is principal component analysis?,? Nat. Biotechnol., vol. 26, no.3, pp.303?304, 2008]. La prima componente, quella con la maggiore varianza, viene calcolata per il torace e per l'addome e considerata come segnale respiratorio e costituisce la base per l'analisi spettrale.

I segnali generati vengono filtrati con un filtro di livellamento Savitzky-Golay FIR (Finite Impulse Response) del 3? ordine con una lunghezza della finestra di 31 campioni. Questo filtro funziona utilizzando il metodo lineare dei minimi quadrati per adattare sottoinsiemi successivi di dati adiacenti con un polinomio di terzo ordine. In questo modo il rumore viene diminuito senza modificare la forma e l'altezza dei picchi di segnale. Quindi, si considerano la media e la deviazione standard dell'inverso delle distanze tra i picchi successivi per ottenere una stima della frequenza. ? vengono utilizzati per calcolare e la procedura viene eseguita sia per la componente toracica che per la componente addominale come in (3):

Secondo un aspetto, ? pu? essere diverso per posture statiche e attivit? dinamiche. Come schematicamente mostrato in figura 3, la prima componente principale pu? essere filtrata con un primo filtro definito da frequenze di soglia fthresh-static se si determina un'attivit? statica, e con un secondo filtro definito da frequenze di soglia fthresh-dynamic se si determina un'attivit? dinamica.

Una volta ottenute le frequenze di soglia sia dell'unit? toracica che di quella addominale, la soglia delle basse frequenze viene calcolata come il minimo tra la soglia bassa addominale e la soglia bassa toracica. L'uso di una soglia bassa aiuta nell'identificazione del picco di densit? spettrale di potenza (PSD) correlato alla frequenza respiratoria e non considera picchi di frequenza molto bassi, spesso causati da artefatti da movimento. Successivamente, la stima PSD viene calcolata utilizzando il metodo di Welch, con il tipo di finestra di Hamming, 300 campioni come dimensione della finestra e 50 campioni di sovrapposizione.

Viene individuato il PSD massimo nell'intervallo tra la soglia bassa calcolata e un massimo (ad esempio 1 Hz per le posture statiche, 0,75 Hz per la camminata e la pedalata, 1,4 Hz per la corsa) che viene utilizzato per costruire le impostazioni del filtro passa-banda (centrato in In particolare le frequenze di taglio superiore ed inferiore, sia per il torace che per l'addome, si ottengono come in (4) e (5):

Il blocco di elaborazione finale comprende tutti i processi destinati ad estrarre la frequenza respiratoria e altri parametri respiratori dai segnali ottenuti dopo il blocco di riduzione dimensionale.

Il primo passo ? l'applicazione del filtro passa banda con le frequenze di taglio e ? precedentemente impostate. Poich? le frequenze dipendono dalla ? il risultato ? un filtro adattativo, in base alla specifica registrazione analizzata.

Quindi, viene eseguita una regolazione parametrica basata sul valore ? Ci? ? necessario per le successive fasi di filtraggio e rilevamento di massimi e minimi. In particolare, i parametri coinvolti sono la lunghezza della finestra in termini di campioni per il filtro Savitzky-Golay del terzo ordine e la distanza minima del picco. L'algoritmo infatti sceglie il picco pi? alto nel segnale e ignora tutti i picchi compresi nella distanza decisa e nella soglia di minima prominenza, attraverso la quale ? possibile impostare una misura di importanza relativa; una descrizione pi? dettagliata dei parametri si trova nel lavoro di Cesareo et al. [UN. Cesareo, Y. Previtali, E. Biffi e A. Aliverti, ?Assessment of breathing parameters using an inertial measurement unit (IMU)-based system,? Sensors (Switzerland), vol.19, no.1, pp.1?24, 2019, doi: 10.3390/s19010088.]

Successivamente, i segnali filtrati vengono ulteriormente smussati mediante l'applicazione di un filtro FIR Savitzky-Golay di terzo ordine, per ottimizzare la successiva rilevazione dei punti di massimo e minimo, che vengono individuati applicando i parametri precedentemente impostati. Inoltre, oltre al segnale toracico e addominale, il processo si ripete anche per la somma dei due segnali, una volta filtrati con il filtro Savitzky-Golay. La frequenza respiratoria ? cos? ottenuta respiro per respiro e i valori ottenuti per ogni postura o attivit? sono riportati nella Sezione 3.

D. Algoritmo di riconoscimento dell'attivit? umana

Dopo la selezione della finestra, l'elaborazione dei dati per addestrare l'algoritmo di riconoscimento dell'attivit? ? diversa da quella per l'analisi respiratoria.

Il passo successivo ha comportato la creazione di un unico grande dataset contenente tutte le attivit? opportunamente etichettate per tutti i soggetti. In una prima fase si ? scelto di eseguire l'algoritmo sui dati dell'unit? di riferimento, perch? pu? essere considerato rappresentativo delle posizioni del soggetto. In secondo luogo, l'algoritmo ? stato addestrato sui segnali provenienti da tutte e tre le unit? (toracica, addominale e di riferimento). In entrambi i casi, un dataset ? stato ottenuto fondendo le attivit? ?seduto senza supporto? e ?seduto con supporto? in una sola etichetta denominata "seduto", e le mansioni ?camminare a 4 km/h? e ?camminare a 6 km/h" in un'etichetta chiamata "camminare", quindi il set di dati finale ha 10 etichette. Questo ? stato fatto per aumentare la variabilit? del segnale durante il processo di allenamento, in modo che l'algoritmo possa distinguere una persona seduta con un supporto per la schiena da una supina e tra una camminata veloce e una corsa.

Il set di dati risultante era sbilanciato, perch? le etichette "seduto" e "camminare" avevano circa il doppio dei dati delle altre etichette. Lo sbilanciamento ? stato mantenuto nella situazione con una unit?, mentre i dati sono stati bilanciati nell'allenamento con tre unit?. ? stata utilizzata una procedura di bilanciamento comune, che consiste nel ridurre i campioni di ciascuna etichetta allo stesso numero dell'attivit? con il minor numero di dati.

Le fasi di pre-elaborazione implementate sono state la standardizzazione dei dati, la codifica delle etichette e la segmentazione. La standardizzazione viene eseguita con (6), in modo che i dati siano centrati su 0 e correttamente ridimensionati. ? ? la media e ? ? la deviazione standard.

La codifica dell'etichetta ? necessaria perch? la libreria scikit-learn [ , "Scikit-learn: Machine learning in Python", J. Mach. Imparare. Ris. , vol.12, pp. 2825? 2830, 2011], che ? stata utilizzata in Python per il presente lavoro di ricerca, gestisce solo numeri reali. I numeri interi da 0 a 9 sono stati utilizzati per codificare le etichette nel set di dati. I dati sono stati poi segmentati in finestre non sovrapposte di 200 campioni di lunghezza, pari a 2 secondi di registrazione.

Dopo questi passaggi ? stata richiesta la suddivisione in set di allenamento e test. Si ? scelto di utilizzare l'80% dei dati per il training set e il restante 20% per il test set. Il seme al generatore casuale ? stato impostato pari a 42.

1) Metodi di machine learning

Nei metodi di machine learning l'estrazione delle funzionalit? deve essere eseguita prima del training del modello. Le caratteristiche selezionate sono sia nel dominio del tempo che nel dominio della frequenza per un'unit?, mentre per le tre unit? sono state utilizzate solo quelle nel dominio del tempo.

Le caratteristiche del dominio del tempo sono state estratte dalle serie temporali del segnale e sono le seguenti: media, deviazione standard, varianza, curtosi, asimmetria, distanza picco-picco, mediana, intervallo interquartile. Le caratteristiche del dominio della frequenza sono state estratte dalla Fast Fourier Transform (FFT) del segnale e sono le seguenti: media, deviazione standard, asimmetria, massimi e minimi della FFT, media e massima della densit? spettrale di potenza.

Sono stati utilizzati tre metodi di machine learning: un classificatore K-Nearest Neighbor (KNN), un classificatore Random Forest (RF) e una Support Vector Machine (SVM). Nel caso del classificatore KNN, la metrica scelta per il calcolo della distanza ? stata la metrica euclidea (LE Peterson, ?K-nerest neighbor? , Scholarpedia , vol.4, n.2, p.1883, 2009). Il numero ottimale di vicini K ? intorno a 5, poich? in seguito il punteggio di precisione diminuisce.

Nel caso del classificatore RF ( Business intelligence: data mining and optimization for decision making, Wiley Online Library, 2009), la regola di suddivisione per creare i nodi degli alberi che compongono la foresta ? il Criterio di Gini. Successivamente, in ogni nodo viene scelto l'attributo corrispondente minimizzando l'impurit?, come si fa tradizionalmente con i classificatori RF.

Poich? i dati di questo progetto di ricerca non potevano essere separati linearmente nello spazio originale, per sviluppare un SVM ? stato utilizzato un kernel. In questo caso si ? deciso di utilizzare il Radial Basis Function Kernel, che pu? essere espresso matematicamente come (7):

in cui ? ? la varianza clidea tra due punti

e In questo caso la distanza ? usata come equivalente della dissomiglianza: quando la distanza tra i punti aumenta, essi sono meno simili. Per default, ? ? preso uguale a uno, in modo che il kernel ? rappresentato da un grafico campana, che diminuisce esponenzialmente con l'aumentare della distanza ed ? 0 per distanze superiori a 4.

2) Metodi di apprendimento profondo

Sono state create cinque reti utilizzando metodi di deep learning; le loro caratteristiche sono mostrate in dettaglio in Fig. 6. Le reti utilizzate sono state le seguenti: una Rete Neurale Convoluzionale 1D (1DCNN), una Rete Neurale Convoluzionale 2D (2DCNN), una Long Short Term Memory single-layer (BASE LSTM), una memoria a lungo termine multistrato (MULTI LSTM) e una Gated Recurrent Unit (GRU).

Tutte le reti utilizzano il modello sequenziale per costruire una semplice pila di strati in cui ogni strato ha esattamente un tensore di input e un tensore di output. Durante la parte di ottimizzazione dell'algoritmo, l'errore allo stato corrente deve essere stimato iterativamente. Per tutte le reti la funzione di perdita scelta ? stata la Sparse Multiclass Cross-Entropy Loss come in (8), utilizzata per calcolare la perdita del modello in modo che i pesi possano essere aggiornati per minimizzare la perdita nelle valutazioni successive. La perdita Cross-Entropy ? definita come:

Dove ? si riferisce ai parametri del modello, ? ? l'etichetta vera ed ? l'etichetta prevista.

Successivamente, per ridurre le perdite, ? stato utilizzato un ottimizzatore per regolare gli attributi della rete neurale come pesi e velocit? di apprendimento. Il metodo di ottimizzazione per CNN e GRU utilizzato era l'ottimizzatore Adam (DP Kingma e J. Ba, "Adam: A method for stochastic optimization", arXiv Prepr. arXiv1412.6980, 2014) basato su stime adattive dei momenti di ordine inferiore. Per le reti LSTM ? stato utilizzato l'ottimizzatore RMSprop. La dimensione del batch ? un iperparametro che definisce il numero di campioni prelevati dal set di dati di addestramento per addestrare la rete prima di aggiornare i parametri del modello interno; il valore scelto era 16.

III. RISULTATI

A. Frequenza respiratoria

La frequenza respiratoria ? stata studiata per i 20 soggetti coinvolti nelle diverse posture e attivit?. A causa del rapporto segnale-rumore sfavorevole, non ? stato possibile estrarre i parametri nel caso di salita delle scale con l'algoritmo precedentemente convalidato, pertanto tali valori non sono inclusi nell'analisi. Il set di dati presentato mette insieme le due posizioni di seduta, ma separa "camminare lentamente" e "camminare velocemente" per mostrare la sensibilit? dell'algoritmo di analisi respiratoria ai diversi livelli di sforzo. I boxplot dei valori mediani ottenuti per ogni soggetto nelle diverse condizioni sono mostrati in Fig. 7.

Le distribuzioni sono state confrontate statisticamente tra loro con l'ANOVA One-Way Repeated Measurements. Il test di normalit? di Shapiro-Wilk ? fallito (p <0,05); anche l'Equal Variance Test (Brown-Forsythe) ? fallito (p <0.05).

Le differenze nei valori medi tra i gruppi erano maggiori di quanto ci si aspetterebbe per caso; c'? una differenza statisticamente significativa (p ? 0,001).

Per isolare il gruppo oi gruppi che differiscono l'uno dall'altro, ? stato utilizzato il t-test di Bonferroni come procedura di confronto multiplo. Sono stati analizzati i p-value ottenuti con questi confronti. Le attivit? ?camminare lentamente?, ?camminare velocemente?, ?corsa? e ?andare in bicicletta? presentano una differenza statisticamente significativa rispetto alle posture statiche (p<0.05 in tutti i casi), ma non sempre l'una rispetto all'altra. ?Camminare lentamente? e ?camminare velocemente? non differiscono significativamente da ?pedalata? (p = 1.000) e tra loro (p = 1.000). Questo risultato conferma che durante l'attivit? fisica la frequenza respiratoria aumenta e questo fenomeno ? pi? evidente quando l'attivit? ? pi? impegnativa (durante la ?corsa?). Inoltre, c'? una differenza statisticamente significativa tra la posizione "supina" e quella "prona" (p = 0,045) e tra la posizione "sdraiata a destra" e quella "prona" (p = 0,049). Ci? ? probabilmente dovuto al fatto che l'algoritmo di elaborazione ? progettato per analizzare il movimento delle due unit? anteriori rispetto all'unit? di riferimento, mentre in posizione prona anche il movimento dorsale contribuisce alla ventilazione.

B. Algoritmo di riconoscimento dell'attivit? umana

Tutti i metodi con tre unit? hanno prestazioni migliori rispetto al caso con una sola unit?. La pi? performante ? la Rete Neurale Convoluzionale 1D (1DCNN) con tre unit?. Va inoltre considerato che le caratteristiche estratte per le tre unit? riguardano solo il tempo, il che suggerisce che l'inclusione delle caratteristiche di frequenza potrebbe migliorare ulteriormente l'accuratezza.

Uno schema a blocchi di un algoritmo per la stima dei parametri respiratori di una persona ? schematicamente illustrato in figura 9 ed ? discusso in dettaglio in [

?Assessment of breathing parameters using an inertial measurement unit (IMU)-based system,? Sensors (Switzerland), vol.19, no.1, pp.1?24, 2019, doi: 10.3390/s19010088]. Questo algoritmo noto si basava sull'analisi della prima componente principale dei quaternioni rappresentanti i segnali dei sensori inerziali installati sul torace e sull'addome riferiti al quaternione di riferimento fornito dal sensore inerziale di riferimento.

I passaggi necessari per calcolare le componenti principali sono i seguenti:

- standardizzare i dati di input, perch? tutti i valori devono avere lo stesso intervallo di variazione. Nel caso dei quaternioni, sono gi? compresi tra -1 e 1 quindi non ? necessaria alcuna standardizzazione;

- calcolare la matrice di covarianza per capire come le variabili del set di dati di input variano dalla media l'una rispetto all'altra;

- calcolare autovettori e autovalori della matrice di covarianza. Gli autovettori sono le direzioni degli assi dove c'? pi? varianza (pi? informazione), quindi sono i componenti principali. Gli autovalori sono i coefficienti associati agli autovettori, che danno l'ammontare della varianza trasportata in ogni componente principale. Ordinando gli autovettori in ordine dei loro autovalori, dal pi? alto al pi? basso, si ottengono i componenti principali in ordine di significativit?.

Per le attivit? statiche si prende il primo componente principale dei sensori inerziali installati su torace e addome (riferito al sensore di riferimento) perch? si pensa che in esso risieda il segnale respiratorio. Per attivit? dinamiche come camminare o correre, si osserva che le prime componenti principali contengono informazioni sul movimento (come la cadenza) e, per recuperare il segnale respiratorio, possono essere considerate componenti principali di ordine superiore. ? stato notato che la prima componente principale contiene informazioni sul movimento e la seconda componente principale contiene informazioni sul segnale respiratorio, ma in generale la componente respiratoria durante le attivit? dinamiche pu? trovarsi in componenti principali di ordine superiore rispetto alla prima componente principale.

Secondo questa descrizione, si ? cercato di applicare l'algoritmo mostrato in figura 8 per stimare i parametri respiratori utilizzando la prima componente principale, ed ? stato ripetuto utilizzando la seconda componente principale per valutare se si possano ottenere stime pi? affidabili utilizzando l'analisi della seconda componente principale.

La seguente Tabella 1 confronta i valori stimati da un dispositivo (K5), utilizzato come gold standard per la stima dei parametri respiratori, e i valori stimati utilizzando l'algoritmo di figura 8 utilizzando l'analisi della prima componente principale e l'analisi della seconda componente principale:

Tabella 1

? stato osservato che, nelle posture statiche, si possono ottenere stime attendibili elaborando la prima componente principale. Al contrario, per attivit? dinamiche come camminare e correre, si possono ottenere stime pi? accurate elaborando la seconda componente principale, mentre la prima componente principale contiene informazioni sulla cadenza dell'attivit? dinamica. Inoltre, ? stato riscontrato che ? possibile ottenere stime accurate utilizzando solo due sensori inerziali, ovvero un singolo sensore inerziale (preferibilmente installato sul torace o sull'addome) e il sensore inerziale di riferimento. Preferibilmente, dopo aver determinato il tipo (statico/dinamico) di un'attivit? umana in corso, la fase di stima dei parametri respiratori pu? essere effettuata con un sensore inerziale installato sul torace e con il sensore inerziale di riferimento. In alternativa, la fase di stima dei parametri respiratori viene eseguita con un sensore inerziale installato sull'addome e con il sensore inerziale di riferimento.

Pertanto, come mostrato in figura 8, ? possibile ottenere stime accurate dei parametri respiratori determinando prima se la persona sta svolgendo un'attivit? statica o un'attivit? dinamica, quindi eseguendo l'algoritmo di figura 9 sulla prima componente principale oppure il secondo componente principale a seconda che sia in corso un'attivit? statica o un'attivit? dinamica.

A puro titolo di esempio comparativo, le densit? spettrali di potenza delle prime componenti principali sono rappresentate in figura 10 nel caso di un'attivit? umana statica e le densit? spettrali di potenza della prima e delle seconde componenti principali sono confrontate nelle figure 11 e 12 in caso di un'attivit? umana dinamica. Pi? in dettaglio, la figura 10 ? un grafico della densit? spettrale di potenza della prima componente principale in posizione statica dei segnali dei sensori inerziali installati sul torace e sull'addome riferiti al sensore di riferimento, e la densit? spettrale di potenza della somma dei due segnali. I picchi mostrati sono concentrati a frequenze molto basse, evidenziando una bassa frequenza respiratoria che potrebbe essere misurata con precisione.

La figura 11 ? un grafico della densit? spettrale di potenza della prima componente principale durante l'attivit? di deambulazione dei segnali dei sensori inerziali installati sul torace e sull'addome riferiti al sensore di riferimento, e la densit? spettrale di potenza della somma dei due segnali. I picchi sono tutti intorno a 1Hz perch? la cadenza di camminata era di circa 120 passi/min e i sensori inerziali rilevano solo la met? della cadenza effettiva, cio? la cadenza determinata ogni volta che la persona inizia un passo con lo stesso piede. ? chiaro da questi grafici esemplificativi che in questo caso la prima componente principale ? determinata principalmente dalla cadenza della camminata ed ? difficile ricavarne informazioni precise sui parametri respiratori della persona.

La Figura 12 ? un grafico della densit? spettrale di potenza della seconda componente principale dei segnali dei sensori inerziali installati sul torace e sull'addome riferiti al sensore di riferimento, e la densit? spettrale di potenza della somma dei due segnali, durante la stessa attivit? deambulatoria come da figura 11. I picchi delle densit? spettrali di potenza delle seconde componenti principali dei segnali generati dai sensori inerziali (riferiti al sensore di riferimento) installati sul torace e sull'addome sono concentrati ad una frequenza di circa 0,5 Hz perch? la frequenza respiratoria in questo esempio di test era di circa 30 respiri al minuto. L'attivit? di deambulazione considerata, cos? come altre attivit? dinamiche, ha richiesto una postura eretta della persona, pertanto il segnale toracico generato dal sensore inerziale installato sul torace dovrebbe essere pi? affidabile del segnale addominale generato dal sensore inerziale installato sull'addome, perch? quest'ultimo ? pi? soggetto a movimenti non legati alla respirazione.

Come schematicamente rappresentato in figura 8, le stime dei parametri respiratori di una persona possono essere migliorate integrando l'algoritmo di riconoscimento della postura e dell'attivit? sopra descritto. I quaternioni possono essere utilizzati per prevedere prima l'attivit? con un algoritmo di intelligenza artificiale. La previsione viene utilizzata per scegliere la componente principale appropriata da utilizzare nell'algoritmo mostrato in figura 9. Se un'attivit? umana statica viene riconosciuta come in corso, allora ci si aspetta che le informazioni pi? preziose sul segnale respiratorio siano contenute nella prima principale componente. Se invece si riconosce un'attivit? umana dinamica, allora l'informazione pi? preziosa sul segnale respiratorio non ? nella prima componente principale, ma nella seconda componente principale o, pi? in generale, in una componente principale di ordine superiore (seconda, terza, quarta ... componente principale). Nelle forme di realizzazione mostrate, sono state prese in considerazione solo le seconde componenti principali perch? hanno fornito i risultati migliori, sebbene i test abbiano dimostrato che ? possibile utilizzare anche altre componenti principali di ordine superiore, in sostituzione o in aggiunta alle seconde componenti principali di segnali generati dai sensori inerziali.

Claims (8)

RIVENDICAZIONI

1. Metodo per il monitoraggio continuo di una frequenza respiratoria di una persona, comprendente le fasi di: determinare un'attivit? di una persona, comprendente le fasi di: posizionare almeno un primo sensore inerziale (10; 11) o sull'addome (13) o sul torace (14);

posizionare un sensore inerziale di riferimento (12) su una parte del corpo (15) non soggetta a movimenti respiratori, fissata rispetto al torso;

in cui ciascun sensore inerziale (10, 12; 11) fornisce un segnale rappresentato da un quaternione che descrive l'orientamento di detto sensore inerziale rispetto al sistema di riferimento terrestre;

fornire almeno un quarto quaternione, riferendo l'orientamento di almeno un primo quaternione, rappresentante l'orientamento spaziale di detto almeno un primo sensore (10; 11), ad un quaternione di riferimento, rappresentante l'orientamento spaziale di detto sensore di riferimento (12);

caratterizzato dal fatto di comprendere inoltre le fasi di:

determinare se un'attivit? in corso di una persona ? un'attivit? statica o un'attivit? dinamica mediante un algoritmo di riconoscimento di attivit? pre-addestrato ricevendo come ingresso almeno detto quaternione di riferimento;

se si determina che detta attivit? in corso ? un'attivit? statica, allora determinare una frequenza respiratoria da una prima replica filtrata di una prima componente principale di detto almeno un quarto quaternione ottenuto filtrando detta prima componente principale con un primo filtro;

se si determina che detta attivit? in corso ? un'attivit? dinamica, determinare una frequenza respiratoria o da:

- una seconda replica filtrata di detta prima componente principale di detto almeno un quarto quaternione ottenuta filtrando detta prima componente principale con un secondo filtro diverso da detto primo filtro, oppure

- una terza replica filtrata di una componente principale di ordine superiore di detto almeno un quarto quaternione, in cui detta terza replica filtrata ? ottenuta da una componente principale di ordine superiore a detta prima componente principale di detto almeno un quarto quaternione filtrando con detto primo filtro detta componente principale di ordine superiore di detto almeno un quarto quaternione.

2. Metodo secondo la rivendicazione 1, in cui ciascun sensore inerziale (10, 12; 11) comprende un accelerometro, un magnetometro, un giroscopio e un microprocessore che riceve i segnali da detto accelerometro, magnetometro e giroscopio e dove ciascuno di detti microprocessori elabora detti segnali e fornisce detto segnale rappresentato da detto quaternione che descrive l'orientamento di detto sensore inerziale rispetto al sistema di riferimento terrestre, il metodo comprendendo inoltre le fasi di:

inviare detto almeno un primo quaternione rappresentante l'orientamento spaziale di detto almeno un primo sensore (10; 11) ad un centro di controllo;

inviare detto quaternione di riferimento rappresentativo dell'orientamento spaziale di detto sensore di riferimento (12) a detto centro di controllo;

riferire l'orientamento di detto almeno un primo quaternione a detto quaternione di riferimento, per fornire detto almeno un quarto quaternione.

3. Metodo secondo la rivendicazione 1 o 2, comprendente inoltre la fase di determinare se un'attivit? in corso di una persona ? un'attivit? statica o un'attivit? dinamica mediante una macchina di apprendimento pre-addestrata ricevendo come ingresso anche detto primo quaternione.

4. Metodo secondo una delle rivendicazioni da 1 a 3, comprendente inoltre le seguenti fasi:

posizionare un secondo sensore inerziale (11) o sul torace (14) o sull'addome (13);

inviare un secondo quaternione rappresentante l'orientamento spaziale di detto secondo sensore (11) ad un centro di controllo;

riferire l'orientamento di detto secondo quaternione a detto quaternione di riferimento, per fornire un quinto quaternione;

determinare una prima componente principale di detto quinto quaternione;

se si determina che detta attivit? in corso ? un'attivit? statica, allora determinare una frequenza respiratoria anche da una quarta replica filtrata di detta prima componente principale di detto quinto quaternione ottenuta filtrando detta prima componente principale di detto quinto quaternione con un terzo filtro;

se si determina che detta attivit? in corso ? un'attivit? dinamica, allora determinare una frequenza respiratoria anche da:

- una quinta replica filtrata di detta prima componente principale di detto quinto quaternione ottenuta filtrando detta prima componente principale di detto quinto quaternione con un quarto filtro diverso da detto terzo filtro, oppure

- una sesta replica filtrata di una componente principale di ordine superiore di detto quinto quaternione, in cui detta sesta replica filtrata ? ottenuta da una componente principale di ordine superiore a detta prima componente principale di detto quinto quaternione filtrando con detto terzo filtro detta componente principale di ordine superiore di detto quinto quaternione.

5. Metodo secondo la rivendicazione 4, comprendente inoltre la fase di determinare se un'attivit? in corso di una persona ? un'attivit? statica o un'attivit? dinamica mediante una macchina di apprendimento pre-addestrata ricevendo come ingresso anche detto secondo quaternione.

6. Metodo secondo una delle rivendicazioni precedenti, in cui detto componente principale di ordine superiore ? il secondo componente principale.

7. Metodo secondo una delle rivendicazioni precedenti, in cui detta fase di determinare un'attivit? in corso di detta persona, ? eseguita da un algoritmo di riconoscimento dell'attivit? pre-addestrato che determina su detti ingressi l'attivit? in corso scegliendo l'attivit? in corso in un set composto almeno dalle seguenti attivit? statiche: seduto, sdraiato supino, stare prono, sdraiato su un fianco, in piedi; e composto almeno dalle seguenti attivit? dinamiche: camminare lentamente, camminare velocemente, correre, andare in bicicletta.

8. Metodo secondo la rivendicazione 7, in cui detta macchina di apprendimento preaddestrata ? una rete di apprendimento profondo scelta nell'insieme composto da: rete neurale convoluzionale 1D, rete neurale convoluzionale 2D, memoria a lungo termine a strato singolo, memoria a lungo termine multistrato a breve termine, gated recurrent unit.