机器学习辅助非接触性新生儿人类学使用FMCW雷达
Jun Byung Park1, Jae Yoon Na2, Seung Hyun Kim2,3
1Department of Electronic Engineering, Hanyang University, Seoul, 04763, Republic of Korea.
Scientific reports
|May 9, 2025
概括
这项研究引入了一种使用卷积神经网络和频率调制连续波 (FMCW) 雷达来准确测量新生儿身高和体重的新方法. 基于雷达的方法为持续监测婴儿生长和健康提供了方便和安全的解决方案.
科学领域:
- 生物医学工程 生物医学工程
- 新生儿护理 新生儿护理
- 机器学习 机器学习
背景情况:
- 准确测量新生儿人体测量对于监测生长和健康至关重要.
- 传统的方法可能很麻烦,可能会给新生儿带来痛苦.
- 传感器技术和人工智能的进步为非侵入性监控解决方案提供了潜力.
研究的目的:
- 开发和验证一种方便,安全和准确的新生儿身高和体重测量方法.
- 将卷积神经网络 (CNN) 应用于频率调制连续波 (FMCW) 雷达数据以进行人体测量评估.
- 评估基于CNN的FMCW雷达系统在测量新生儿物理参数方面的性能.
主要方法:
- 使用频率调制连续波 (FMCW) 雷达传感器从新生儿收集数据.
- 应用了一个卷积神经网络 (CNN) 模型来处理雷达数据并估计身高和体重.
- 在15名新生儿的数据上训练并测试了CNN模型,分为训练/测试和单独的测试组.
主要成果:
- 在训练组中,该模型在高度测量中实现了高精度,平均绝对误差 (MAE) 为1.34厘米,课内相关系数 (ICC) 为0.78.
- 在训练组中,体重测量显示MAE为0.23公斤,ICC为0.85.
- 对单独组的验证显示了相似的结果,MAE为身高1.51厘米,体重0.20公斤,ICC分别为0.68和0.75.
结论:
- FMCW雷达与CNN相结合,提供了一种可行且准确的方法,用于进行非侵入性的新生儿人类测量.
- 这项技术具有持续监测新生儿生长和健康状况的潜力.
- 拟议的方法为新生儿护理中传统的测量技术提供了方便和实用的替代方案.
