空间时空特征学习用于日常生活中使用FMCW雷达检测咳
Saihu Lu1,2, Yuhan Liu1,2, Guangqiang He3,4
1Aerospace Information Research Institute, Chinese Academy of Sciences (AIRCAS), Beijing 100094, China.
Bioengineering (Basel, Switzerland)
|October 29, 2025
概括
使用人工智能的新雷达系统准确检测咳,提供一种非侵入性的方法来远程监测呼吸系统健康. 这项技术改善了咳识别,用于更好的医疗保健和远程医疗应用.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 咳检测对于呼吸系统健康监测和疾病管理至关重要.
- 由于模拟空间和时间咳数据的局限性,现有的系统缺乏稳定性.
- 需要客观,可靠和非侵入性的咳检测方法.
研究的目的:
- 开发一个强大的咳识别框架,使用频率调制连续波 (FMCW) 雷达.
- 整合深度学习模型,以增强空间和时间特征提取.
- 评估系统在各种现实条件下的性能.
主要方法:
- 使用频率调制连续波 (FMCW) 雷达系统进行数据采集.
- 开发了一个深度学习模型,将空间特征的卷积神经网络 (CNN) 和时间依赖的自我注意机制结合起来.
- 采用了数据增强技术,以改善跨不同职位和活动的模型概括性.
主要成果:
- 在受试者独立的交叉验证下,获得了0.974±0.016的高平均F1得分和99.05±0.55%的准确性.
- 在精度 (98.77±1.05%),回忆 (96.07±2.16%) 和特异性 (99.73±0.23%) 方面表现出强的性能.
- 在现实场景中验证模型的稳定性,使用大规模数据集.
结论:
- 拟议的FMCW基于雷达的咳识别框架非常准确和强大.
- 这项技术为持续的,非侵入性的,保护隐私的呼吸系统健康监测提供了实用解决方案.
- 该系统在临床应用和远程医疗服务方面都有很大的潜力.


