在心肺复苏过程中估计压缩深度使用FMCW雷达与深度卷积神经网络
Insoo Choi1, Stephen Gyung Won Lee2, Hyoun-Joong Kong2
1Department of Electronic Engineering, Sogang University, Seoul 04107, Republic of Korea.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
这项研究引入了频率调制连续波 (FMCW) 雷达,用于在心肺复苏 (CPR) 期间准确,远程监测胸部压缩深度. 一个基于Wigner-Ville分布的深度学习模型实现了最高的准确性,改善了紧急医疗响应.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 有效的心肺复苏 (CPR) 需要精确的胸部压缩深度.
- 目前的医院外心肺复苏监测技术缺乏准确性,并存在局限性.
- 准确,实时测量胸部压缩深度对于改善心肺复苏结果至关重要.
研究的目的:
- 使用FMCW雷达开发和评估一种非接触式方法,用于准确地测量心肺复苏期间的胸部压缩深度.
- 为了比较不同信号处理和深度学习技术的性能,用于分析雷达数据.
- 展示FMCW雷达和AI在提高紧急医疗响应方面的潜力.
主要方法:
- 使用频率调制连续波 (FMCW) 雷达来捕获胸部运动的距离,多普勒和角度数据.
- 采用微多普勒特征和集成多普勒转移来估计胸部位移.
- 将回归模型与在STFT和WVD的光谱图上训练的深卷积神经网络 (DCNNs) 进行了比较.
主要成果:
- 回归模型实现了0.535厘米的根平均平方误差 (RMSE).
- 基于STFT的DCNN提高了精度,RMSE为0.505厘米.
- 基于WVD的DCNN以0.447厘米的RMSE实现了最佳性能,比基于STFT的DCNN提高11.5%.
结论:
- FMCW雷达与深度学习相结合,特别是使用WVD,为准确的,非接触的胸部压缩深度测量提供了有希望的方法.
- 这项技术有可能显著提高心肺复苏质量和患者在非医院环境中的治疗结果.
- 该研究支持为紧急医疗服务开发先进的实时监控系统.
