Radar sans contact - Le lac des cygnes de Shijiazhuang Co., Ltd

Rapports scientifiques volume 12, Numéro d'article : 5150 (2022) Citer cet article

6734 Accès

11 Citations

9 Altmétrique

Détails des métriques

Les systèmes de surveillance des signes vitaux sont essentiels dans la prise en charge des nouveau-nés hospitalisés. En raison de l'immaturité de leurs organes et de leur système immunitaire, les prématurés nécessitent une surveillance continue de leurs paramètres vitaux et des capteurs doivent être directement fixés sur leur peau fragile. Outre les restrictions de mobilité et le stress, ces capteurs provoquent souvent une irritation cutanée et peuvent entraîner une nécrose de pression. Dans ce travail, nous montrons qu'une approche basée sur un radar sans contact est viable pour la surveillance respiratoire dans l'unité de soins intensifs néonatals (USIN). Pour la première fois, différents scénarios communs à la routine quotidienne de l'USIN sont étudiés, et les défis de la surveillance dans une configuration clinique réelle sont abordés à travers différentes contributions dans le cadre du traitement du signal. Plutôt que de simplement rejeter les mesures sous forte interférence, nous présentons une nouvelle technique d'atténuation des mouvements corporels aléatoires basée sur la décomposition temps-fréquence du signal récupéré. De plus, nous proposons un estimateur de fréquence simple et précis qui explore la structure harmonique du signal respiratoire. En conséquence, la solution basée sur le radar proposée est capable de fournir une estimation fiable de la fréquence respiratoire, qui est la plupart du temps proche des valeurs de référence de l'appareil câblé. Nos résultats mettent en lumière les forces et les limites de cette technologie et jettent les bases d'études futures vers une solution entièrement sans contact pour la surveillance des signes vitaux.

Près de 15 millions de nourrissons naissent chaque année avant la 37e semaine de grossesse, ce qui signifie qu'environ 10 % de toutes les naissances dans le monde sont prématurées1. En raison de leurs systèmes organiques immatures et des fonctions associées, ainsi que de leur système immunitaire, ces nourrissons sont plus à risque d'infections, de maladies chroniques et de problèmes respiratoires. L'immaturité de la régulation respiratoire et pulmonaire entraîne souvent des syndromes d'apnée-bradycardie et de détresse respiratoire. Ceci est couramment suivi d'une dysplasie bronchopulmonaire chez 27 % des nourrissons nés à moins de 30 semaines de gestation2,3,4,5. Par conséquent, le développement ultérieur de ces prématurés doit se poursuivre ex-utero et ils doivent généralement passer plusieurs semaines dans une unité néonatale de soins intensifs (UNSI).

Pendant cette période, une surveillance continue de leurs organes sous-développés est nécessaire. Souvent, les nouveau-nés dépendent de la nutrition parentérale, de l'assistance respiratoire et d'interventions diagnostiques invasives qui, bien qu'essentielles pour la survie, peuvent causer du stress à l'enfant. Les paramètres vitaux de base tels que la respiration, la fréquence cardiaque et la saturation en oxygène doivent également être surveillés. Pour cela, plusieurs capteurs sont directement fixés sur leur peau fragile et reliés aux systèmes de surveillance par des câbles. Outre les restrictions de mobilité, ces capteurs provoquent souvent une irritation cutanée et peuvent éventuellement entraîner une nécrose de pression6,7,8,9,10,11.

Afin de favoriser le développement des bébés prématurés, un certain nombre d'efforts ont été faits vers des solutions de surveillance et de diagnostic non invasives. L'utilisation de capteurs capables de surveiller une variété de signes vitaux sans connexion par câble, mais liés à la peau, est à l'étude en12,13. Des études en cours étudient également le potentiel de différentes techniques sans contact pour le diagnostic non invasif chez les enfants. Des efforts sont en cours pour détecter les changements pathologiques dans les excrétions corporelles en analysant les composés organiques volatils14,15. Il existe des approches utilisant des méthodes optiques pour surveiller la fréquence du pouls et la saturation en oxygène sans contact direct avec la peau ni connexion par câble, basées par exemple sur la diffusion dynamique de la lumière16, la vidéo17 ou la photopléthysmographie18,19. Le diagnostic des pathologies respiratoires et la classification concernant la respiration périodique et les apnées sont également très pertinents pour les prématurés20,21. Cette tâche est abordée à l'aide de différentes techniques sans contact, qui nécessitent des mesures redondantes de divers signes vitaux, par exemple le mouvement respiratoire, la fréquence cardiaque, la saturation en oxygène ou la respiration nasale22,23,24.

La surveillance sans contact de l'activité cardiorespiratoire ne confine ni n'inhibe le patient, réduit les risques d'hygiène et ne provoque aucune gêne, irritation ou lésion cutanée25,26. Dans ce contexte, les radars se sont déjà avérés être une technologie prometteuse27,28,29, étant intrinsèquement à faible consommation d'énergie, à faible coût et préservant la vie privée. Contrairement aux systèmes basés sur des caméras30,31, les signaux radar peuvent pénétrer à travers différents matériaux (tels que le plexiglas, les vêtements, les matelas et les couvertures) et ne sont pas affectés par la pigmentation de la peau ou les niveaux de lumière ambiante. Cependant, en raison de la puissance transmise réduite, ces signaux peuvent être facilement enfouis dans le bruit de fond, ou masqués par des interférences externes plus fortes, notamment les mouvements du corps du patient surveillé32. Cette interférence est un défi majeur pour une estimation précise dans les solutions sans contact ainsi que pour les appareils câblés. Des techniques spécifiques de traitement du signal sont donc nécessaires pour assurer des mesures fiables et robustes.

Des travaux récents33,34 ont démontré qu'un radar ultra large bande peut fournir des estimations fiables de la fréquence respiratoire des nouveau-nés dans des conditions spécifiques. Cependant, ces investigations se sont limitées à un seul scénario, où les nouveau-nés étaient allongés sur un berceau à ciel ouvert, toujours en décubitus dorsal. De plus, les performances du radar n'ont été évaluées que lors de mouvements minimes des patients surveillés. Dans cet article, nous allons encore plus loin en utilisant un dispositif radar à onde continue (CW) plus simple et en enquêtant sur les prématurés dans différents scénarios communs à la routine NICU, quelle que soit la quantité de mouvement ou d'interférence externe. La spécificité des patients suivis dans une configuration clinique réelle crée plusieurs défis qui ont été relevés par différentes contributions dans le cadre de traitement du signal proposé. En particulier, plutôt que de simplement rejeter les mesures sous forte interférence33,34,35,36,37, nous présentons une nouvelle technique d'atténuation des mouvements corporels aléatoires basée sur la décomposition temps-fréquence du signal récupéré. De plus, nous proposons un estimateur de fréquence simple et précis, qui explore la structure harmonique du signal respiratoire.

L'activité des systèmes cardiovasculaire et respiratoire provoque des effets physiques et physiologiques sur le corps humain. La paroi thoracique bouge pendant le cycle inspiration/expiration en raison des mouvements du diaphragme et des muscles intercostaux. Ce petit déplacement périodique peut être détecté par radar, permettant une estimation précise des rythmes respiratoires dans certaines conditions. La figure 1a illustre le principe de fonctionnement de base d'un radar CW. Le signal transmis se propage à travers l'espace libre et atteint chaque objet dans le champ de vision du radar, étant réfléchi avec des informations de phase supplémentaires concernant la position de chaque objet. Le signal reçu peut ainsi être modélisé comme une version mise à l'échelle et décalée dans le temps du signal transmis, dans laquelle la variation de phase dans le temps contient des informations précieuses concernant le mouvement de la scène. Cette phase variable dans le temps \(\theta (t)\) peut généralement être récupérée comme

où \(\lambda\) est la longueur d'onde de fonctionnement du radar, et d(t) représente le signal de déplacement qui, idéalement, ne correspondrait qu'au mouvement de la paroi thoracique dû au mécanisme respiratoire. Vu par le radar, ce mouvement provient principalement des points réfléchis sur la surface mobile de la poitrine, mais il peut également inclure un mouvement résiduel du ventre, des côtés et du dos, en fonction de la position relative du patient. Chez les adultes en bonne santé, les amplitudes standard pour ce mouvement vont de 4 mm à 12 mm38, avec des rythmes respiratoires variant de 5 à 25 respirations par minute (bpm)39. Chez les prématurés, ces amplitudes peuvent être inférieures à 1 mm, alors que les fréquences respiratoires moyennes peuvent normalement atteindre 60 bpm40, et monter jusqu'à 80 bpm dans certaines conditions41.

Radar à ondes continues pour la surveillance respiratoire dans l'USIN. (a) Principe opérationnel de base. (b) Schéma fonctionnel de la chaîne de traitement du signal. Avant l'estimation, les signaux reçus du convertisseur analogique-numérique (ADC) sont démodulés en phase et traités ultérieurement dans l'unité d'atténuation des mouvements aléatoires du corps (RBM).

Une parfaite récupération du mouvement de la paroi thoracique d(t) permettrait une estimation précise de la fréquence respiratoire \(f_b\) par simple analyse de la périodicité des mouvements. Cependant, dans une configuration clinique réelle, outre les imperfections matérielles inévitables, le signal radar reçu est généralement mélangé à des réflexions supplémentaires de l'environnement externe, résultant non seulement des différents mouvements corporels du patient surveillé, mais également de chaque objet en mouvement dans la scène. Ces signaux parasites sont généralement beaucoup plus forts que ceux induits par le déplacement millimétrique de la paroi thoracique, ce qui rend la récupération précise et l'estimation ultérieure de la fréquence respiratoire une tâche difficile. De plus, lorsque l'on considère les nourrissons prématurés, les amplitudes réduites du mouvement de la paroi thoracique et la gamme plus large de fréquences respiratoires possibles posent un défi supplémentaire de traitement du signal par rapport aux recherches précédemment rapportées avec des adultes.

Configuration clinique. (a) Surveillance classique du nouveau-né prématuré : connexion par câbles à l'unité centrale de surveillance (fréquence cardiaque, saturation en oxygène, respiration), et un cathéter veineux périphérique supplémentaire. (b) Vue de la salle de l'USIN. Le radar et le dispositif câblé de référence étaient contrôlés à partir de l'ordinateur externe. (c) Fermez la vue de dessus. Le radar était fixé à un trépied à faibles vibrations, à 45 cm du nourrisson. (d) Vue latérale rapprochée avec des jumeaux partageant le même lit.

L'étude a été réalisée dans le département de pédiatrie du centre médical universitaire de la Sarre (Homburg, Allemagne). La figure 2a montre un nouveau-né prématuré surveillé avec la méthode conventionnelle. Outre les capteurs fixés au thorax et à l'abdomen et reliés par des câbles à l'unité centrale de surveillance (pour la saturation en oxygène, la fréquence cardiaque et la respiration), un cathéter veineux périphérique supplémentaire et une sonde gastrique sont également nécessaires à ce stade. La configuration clinique, y compris le lit néonatal, le dispositif radar et le système de surveillance de référence, est illustrée aux Fig. 2b–d. Le radar est certifié pour fonctionner dans la bande ISM 24 GHz (industrielle, scientifique et médicale) et il a été installé à l'extérieur du lit, fixé à un trépied à faible vibration. La distance relative au nourrisson surveillé était d'environ 45 cm à 50 cm. En raison des capacités inhérentes du radar, aucune modification de la structure du berceau n'était nécessaire et le couvercle en plastique pouvait rester fermé pendant les mesures. Sur la figure 2d, des jumeaux partagent le même lit, un seul étant surveillé avec la méthode sans contact. Le co-litage de jumeaux est une procédure courante à l'USIN, plusieurs études faisant état d'avantages physiologiques pour les nourrissons42,43.

Au total, 12 prématurés ont été inclus dans l'étude. Le tableau supplémentaire 1 présente un résumé des informations du patient. Ils ont été sélectionnés sur la base d'un avis médical et en tenant compte de la sécurité médicale de la participation à l'étude. Pour chaque nourrisson, les mesures ont été réalisées sur trois jours différents, à midi (après la tétée), sur une durée de 25 minutes chacune. Leur position naturelle n'a pas changé au cours de chaque mesure. Outre les positions couchée (avec la poitrine face au radar), sur le ventre (avec le dos face au radar) et sur le côté, nous avons également enquêté sur des cas de co-lit avec un seul nourrisson surveillé en utilisant la méthode sans contact. L'idée était d'étudier les différents effets lors de la collecte de données radar sur la poitrine/l'abdomen et le dos. De plus, si la surveillance des jumeaux est possible, et quelle serait une distance de sécurité (en termes d'interférence radar) entre eux. Le principe de base qui a guidé le protocole de collecte de données était d'assurer un fonctionnement transparent à l'USIN. Une description détaillée des protocoles du patient est présentée dans les tableaux supplémentaires 2a à d, y compris toutes les interventions et les transitoires supplémentaires annotés manuellement pendant les mesures.

La figure 1b montre le schéma fonctionnel de base de la chaîne de traitement du signal. L'étape initiale de traitement du signal pour les systèmes CW est communément appelée démodulation de phase. Il s'agit essentiellement du processus par lequel les signaux reçus en phase et en quadrature (I et Q) du convertisseur analogique-numérique (ADC) du radar sont combinés dans le but de récupérer le signal de déplacement d(t). Parmi plusieurs méthodes, les deux plus utilisées sont la démodulation arctangente (AD)44 et la démodulation de signal complexe (CSD)45. Bien que l'AD permette une récupération précise du mouvement de la paroi thoracique, il est très sensible à l'étalonnage du matériel et à la présence de décalages CC, de bruit et d'interférences externes. Le CSD est plus robuste à ces effets, mais il s'appuie sur de petits déplacements pour récupérer une approximation du mouvement respiratoire (veuillez vous référer aux méthodes).

La figure 3 montre des exemples du mouvement respiratoire récupéré à partir des données radar, par rapport au déplacement réel (de référence) acquis à partir de l'appareil câblé. Dans un premier temps, pour reconstituer précisément le déplacement de la paroi thoracique, nous avons sélectionné des segments de données "propres" (sans interférence externe), et la DA a été utilisée dans les deux cas. Alors que la Fig. 3a représente un schéma respiratoire normal obtenu en décubitus dorsal, la Fig. 3b montre une occurrence du schéma respiratoire de Cheyne-Stokes (périodique)46, avec le nourrisson en décubitus ventral. Cette forme particulière de respiration se retrouve physiologiquement chez les nouveau-nés et se définit par une variation cyclique entre l'hyperpnée et l'hypopnée47,48,49, c'est-à-dire des cycles courts répétitifs de pauses et de respirations. Malgré de petites différences entre les signaux radar récupérés et l'appareil de référence, le mouvement respiratoire périodique peut encore être clairement identifié dans les deux cas. Les petites amplitudes du mouvement de la paroi thoracique peuvent également être visualisées, avec des déplacements d'environ 2 mm en décubitus dorsal et de 0,5 mm en décubitus ventral. Ces amplitudes sont bien inférieures aux valeurs typiques pour les adultes rapportées dans des recherches antérieures50,51,52.

Mouvement de la paroi thoracique récupéré avec différents schémas respiratoires. (a) Schéma respiratoire normal, dans de bonnes conditions (pas d'interférence). (b) Schéma respiratoire périodique (Cheyne-Stokes). (c) Schéma respiratoire normal corrompu par des interférences externes et la saturation de l'ADC. (d–f) Approximation à l'aide du CSD. ( g – i ) Spectre comparant AD et CSD.

Le mouvement respiratoire approximatif, obtenu avec le CSD, est illustré à la Fig. 3d, e. Malgré des différences notables par rapport à l'AD, les Fig. 3g, h montrent que les deux techniques produisent des signaux avec la même fréquence fondamentale, correspondant à la fréquence respiratoire moyenne. Compte tenu des petits déplacements que nous visons à détecter et des conditions difficiles de cet environnement clinique réel, le CSD a été adopté dans notre solution de surveillance à long terme. La structure harmonique du signal respiratoire peut également être visualisée, la deuxième harmonique étant clairement distinguable. Cette structure harmonique peut être utilisée pour améliorer l'estimation, comme nous le montrerons plus tard. Cependant, comme le montrent les figures 3c, f, i, sous interférence externe et éventuelle saturation ADC, les deux méthodes de démodulation ne parviennent pas à reconstruire le mouvement de la paroi thoracique. Le spectre devient dominé par les composants d'interférence, ce qui empêchera alors une estimation précise de la fréquence respiratoire. Par conséquent, un traitement supplémentaire est nécessaire afin d'atténuer ces effets.

La plupart des recherches sur la surveillance des signes vitaux sans contact avec des capteurs radar se concentrent sur une configuration pour une seule personne dans des conditions d'immobilité idéales53. Dans des situations de surveillance pratiques, le sujet peut souvent bouger des parties du corps comme les mains, les jambes ou le torse, et même le corps entier. Ces mouvements indésirables mais inévitables sont généralement appelés mouvements corporels aléatoires (RBM). L'amplitude de leurs signaux réfléchis est souvent beaucoup plus forte que le mouvement respiratoire à l'échelle millimétrique, qui sera potentiellement masqué par cette interférence. Étant donné que les RBM spontanés sont inévitables, la résolution de ce problème est fondamentale pour une détection fiable des signes vitaux dans les applications pratiques.

Plusieurs méthodes d'atténuation de la RBM ont déjà été proposées54, et même si des types spécifiques de mouvements pourraient être efficacement annulés, ils nécessitent généralement des systèmes plus complexes. La plupart des solutions reposent sur du matériel supplémentaire ou dupliqué, souffrant ainsi de limitations pratiques telles que le désalignement, la synchronisation et le coût45,55,56. Une autre direction de recherche essaie essentiellement d'identifier des segments de données de signes vitaux avec RBM, et de simplement éliminer ces segments corrompus avant l'estimation33,34,35,36,37. Cependant, selon la durée de la fenêtre de traitement, même un RBM très court affectera plusieurs secondes de bon signal. Par conséquent, plutôt que de simplement rejeter des segments de données, une approche permettant une exploitation utile de ces épisodes avec une RBM modérée est souhaitée. Des travaux récents ont commencé à aborder la GAR à l'aide d'un seul capteur et dans le cadre de scénarios plus complexes32. Néanmoins, la validation expérimentale est toujours effectuée dans des situations contrôlées, la RBM étant émulée par un comportement prédéfini, ce qui entraîne une interférence limitée sur le signal souhaité.

Supposons tout d'abord que les RBM sont rares, c'est-à-dire qu'ils ne sont pas fréquents et, lorsqu'ils se produisent, leur durée est faible par rapport à la fenêtre temporelle observée. Cela contraste avec la nature constante et périodique du mouvement respiratoire. De plus, leurs amplitudes sont généralement beaucoup plus fortes que le signal respiratoire standard. Ces caractéristiques de temps et de fréquence spécifiques seront présentes dans le spectrogramme du signal récupéré, qui peut être analysé pour identifier et éventuellement supprimer cette interférence. Pour résoudre ce problème, nous utiliserons la factorisation matricielle non négative (NMF)57,58, une technique de décomposition matricielle généralement utilisée pour extraire des caractéristiques d'un ensemble de données non négatives. Si x(t) (Fig. 1b) est le signal récupéré contenant le mouvement de la paroi thoracique et l'éventuelle interférence RBM, son spectrogramme d'amplitude \(|{{\varvec{X}}}|\) peut être obtenu via la transformée de Fourier à court terme (STFT) de x(t). Le NMF décomposera alors \(|{{\varvec{X}}}|\) comme

où les matrices \({{\varvec{H}}}\) et \({{\varvec{W}}}\) contiennent, respectivement, les composantes de base de temps et de fréquence associées de \(|{{\varvec{X}}}|\), K étant un nombre prédéfini de base. En d'autres termes, \({{\varvec{W}}}\) peut être vu comme l'ensemble des modèles de fréquence de \(|{{\varvec{X}}}|\), tandis que \({{\varvec{H}}}\) contient les informations temporelles liées à l'activation de ces modèles. Si nous examinons la matrice d'activation temporelle \({{\varvec{H}}}\), les composants de base avec un comportement clairsemé et des amplitudes plus élevées indiqueront souvent les époques où l'interférence RBM est présente. Malgré le spectre de fréquences imprévisible, qui finira par se chevaucher avec les fréquences respiratoires, le comportement temporel distinct de la RBM peut être capturé par les bases d'activation temporelle NMF \({{\varvec{H}}}\), tandis que les bases correspondantes dans \({{\varvec{W}}}\) conserveront leur contenu fréquentiel. Cela permet une flexibilité supplémentaire pour filtrer les interférences RBM par rapport aux méthodes d'analyse spectrale standard. On peut ainsi reconstruire le spectrogramme filtré \(\hat{|{{\varvec{X}}}|}\), en rajoutant simplement toutes les matrices \({{\varvec{w}}}_i {{\varvec{h}}}^{\mathrm{T}}_i\) sauf celles contenant les composantes interférentes.

NMF pour l'atténuation des mouvements corporels aléatoires. (a) Échantillons I et Q du signal de déplacement x(t), corrompus par RBM. (b) Spectrogramme normalisé \(|{{\varvec{X}}}|\). L'interférence RBM domine clairement le spectre et compromettrait l'estimation. ( c ) Décomposition NMF en composantes de base de fréquence dans \ ({{\ varvec {W}}} \). (d) Décomposition NMF en composantes de base temporelle dans \({{\varvec{H}}}\). (e) Spectrogramme filtré RBM \(\hat{|{{\varvec{X}}}|}\). (f) Échantillons I et Q du signal temporel filtré RBM \({\hat{x}}(t)\). ( g ) Spectre passe-bande des signaux d'origine et filtrés RBM.

La figure 4a montre une fenêtre de traitement de 60 s à des fins d'illustration, où le signal récupéré x(t) (après CSD) est corrompu par des segments de RBM, avec son spectrogramme normalisé \(|{{\varvec{X}}}|\) sur la figure 4b. Dans le cas du CSD, le spectrogramme est calculé à partir des échantillons complexes du signal récupéré x(t), et considère donc simultanément les deux canaux I et Q. La décomposition du NMF en \(K=11\) fréquences (\({{\varvec{W}}}\)) et composantes temporelles (\({{\varvec{H}}}\)) est représentée sur les Fig. 4c, d, où chaque couleur représente une paire de composantes de base, avec le contenu fréquentiel sur la Fig. 4c et l'activation temporelle correspondante sur la Fig. 4d. On peut voir que (veuillez vous référer aux bases verte et bleue par exemple), en raison de sa nature aléatoire, l'interférence RBM a des composantes de fréquence réparties sur tout le spectre, se chevauchant avec la région de fréquence respiratoire. Alors qu'une variété de fréquences peut être visualisée dans \({{\varvec{W}}}\), les bases clairsemées et fortes correspondant à RBM peuvent être clairement identifiées dans \({{\varvec{H}}}\) (veuillez vous référer aux méthodes). La suppression des bases sélectionnées permet la reconstruction du spectrogramme filtré sur la figure 4e, où la variation de la fréquence respiratoire dans le temps (environ 45 bpm) est maintenant évidente. Après le STFT inverse, le signal temporel filtré RBM est représenté sur la figure 4f. Enfin, la figure 4g montre le spectre passe-bande des signaux d'origine et filtrés RBM. Les valeurs détectées correspondantes sont mises en évidence respectivement avec les marqueurs bleu et rouge. La ligne noire en pointillés montre la valeur de référence pour la fréquence respiratoire moyenne associée à cette fenêtre de traitement. En raison de la forte interférence RBM, la valeur maximale du spectre d'origine indiquerait une fréquence respiratoire erronée de 52,1 bpm, très éloignée de la vraie valeur de 42 bpm. Après filtrage RBM avec le NMF, le spectre modifié indique une valeur plus proche de 42,4 bpm, où l'erreur d'estimation ne serait que de 0,4 bpm.

Différents modèles ont déjà été proposés pour représenter le mouvement respiratoire de va-et-vient d(t), depuis de simples approximations sinusoïdales59,60, jusqu'à des schémas plus compliqués comme décrit dans38,61. Le mouvement respiratoire est un phénomène complexe qui implique différents schémas de mouvement, non seulement de la surface de la paroi thoracique, mais aussi du ventre, des épaules et du dos62,63. Par conséquent, il est difficile d'identifier des modèles temporels qui la caractérisent pleinement de manière robuste, pour chaque sujet et scénario de surveillance. Cependant, en raison de la nature périodique inhérente à la respiration, toute fonction représentant ce mouvement peut éventuellement être décomposée en termes de Fourier, contenant la fréquence fondamentale et les harmoniques qui correspondent aux rythmes respiratoires que nous cherchons à estimer. Par conséquent, le signal de déplacement peut être modélisé comme une somme de sinusoïdes complexes harmoniquement liées, ayant des fréquences qui sont des multiples entiers de la fréquence respiratoire fondamentale. Pour mieux exploiter cette structure harmonique, nous proposons dans cette section un estimateur des moindres carrés non linéaires (NLS) simple et précis, qui est asymptotiquement efficace pour les grandes fenêtres de traitement, même dans des scénarios de bruit coloré65.

Initialement, pour supprimer toutes les valeurs DC résiduelles et les éventuelles composantes de bruit haute fréquence, le signal de déplacement filtré RBM \({\hat{x}}(t)\) est encore filtré à l'aide d'une fenêtre de Kaiser passe-bande (\(\beta =6,5\)), de 0,3 Hz à 3 Hz (\(18-180\) bpm). Cela correspond à la gamme physiologique des fréquences respiratoires, y compris également les harmoniques possibles. Le signal filtré passe-bande \({\hat{d}}(t)\) sera idéalement une approximation précise du vrai mouvement de la paroi thoracique d(t) (Fig. 1), et peut enfin être utilisé pour l'estimation de la fréquence respiratoire.

Avant l'estimation, pour améliorer le rapport signal sur bruit (SNR)66,67,68, nous calculons la fonction d'autocorrélation r(t) du signal filtré passe-bande. L'estimation est d'abord effectuée dans le domaine temporel, directement sur le signal autocorrélé. Une estimation initiale (grossière) est obtenue grâce à un algorithme de détection de pic, où la distance temporelle entre les pics fournit une estimation du temps entre chaque respiration. A terme, les pics détectés peuvent être exclus si la distance à ses voisins correspond à une fréquence hors de la plage physiologique attendue. La fréquence respiratoire initiale est ainsi calculée comme l'inverse du temps entre les pics sélectionnés, en moyenne sur toute la fenêtre de traitement. Cette estimation initiale sera utilisée pour simplifier l'algorithme NLS.

L'étape suivante consiste à calculer les estimations de fréquence NLS \({\hat{\omega }}\), qui sont obtenues en maximisant la similarité entre \({\hat{d}}(t)\) et le modèle de signal de déplacement dans (12). Sous certaines conditions (veuillez vous référer aux méthodes), la solution à ce problème (la fonction de coût résultante dans (17)) peut être efficacement mise en œuvre à l'aide d'une transformée de Fourier rapide (FFT) et d'un algorithme de recherche de grille linéaire69, où l'estimateur se réduit à une sommation des harmoniques respiratoires sur la densité spectrale de puissance de \({\hat{d}}(t)\). L'estimation initiale dans le domaine temporel est utilisée pour limiter la plage de recherche, évitant ainsi des composantes basse fréquence plus fortes qui peuvent encore être présentes dans les données réelles. Cette stratégie réduit également l'effort de calcul pour effectuer la recherche de grille.

Les mesures initiales ont été utilisées pour établir la distance idéale entre le radar et le nourrisson surveillé (Fig. 1 supplémentaire). Sur un total de 30 mesures à la position ajustée (environ 45 cm), 3 ont été exclues en raison de problèmes d'enregistrement avec les appareils. Les séquences restantes ont été traitées à l'aide de fenêtres glissantes de 30 s, avec 28 s de chevauchement, conduisant à des estimations de fréquence respiratoire mises à jour toutes les 2 s. Cela a abouti à environ 20 250 estimations, à partir de 675 minutes de données analysées. Les mesures se sont déroulées indépendamment de la quantité de mouvement ou d'interférence externe. Les séquences incluent des moments avec hoquet, bâillement, cri, grognement, respiration périodique, ainsi que des mouvements supplémentaires depuis la salle de l'USIN, par exemple des interventions médicales et des visiteurs (fichier supplémentaire 3). Tout le traitement des données a été effectué sous Matlab70.

La figure 5 montre des exemples d'échantillons I et Q de l'ADC du radar, les valeurs de fréquence respiratoire estimées et les valeurs de référence de l'appareil câblé. Sur la Fig. 5a, le nourrisson surveillé dormait calmement, en décubitus dorsal, et une infirmière était présente dans la salle de l'USIN pendant toute la durée de la mesure, à 2,5 mètres du bébé. Ces conditions ont permis d'obtenir de bonnes mesures radar avec un faible niveau d'interférence. D'autre part, la figure 5b montre un exemple où le nourrisson était allongé en position ventrale. Dans ce cas, plusieurs segments de forte interférence peuvent être visualisés dans les données d'entrée I/Q. Outre le nourrisson se déplaçant librement et grognant, une infirmière était également présente lors de cette mesure, à partir de la 9e minute. La figure 5c correspond à l'un des cas jumeaux. Une intervention directe sur le nourrisson surveillé a été enregistrée vers la troisième minute, pour fixer le capteur de saturation en oxygène. Le deuxième jumeau dormait calmement pendant toute la mesure. La distance entre eux était d'environ 20 cm. La figure 5d montre un autre exemple de séquence fortement interférée, où le nourrisson surveillé était constamment en mouvement et accompagné de la mère, à seulement 1 mètre de distance. Dans ce cas, de longs segments d'interférences fortes (et une éventuelle saturation ADC) peuvent être visualisés.

Données d'entrée radar et fréquence respiratoire estimée. Toutes les séquences ont été traitées avec la solution complète proposée (NLS+NMF), et chacune représente un scénario de surveillance différent. (a) Enfant unique en décubitus dorsal (poitrine face au radar). (b) Bébé seul en position couchée (dos face au radar). (c) Jumeaux dans le même lit, espacés de 20 cm, avec le nourrisson surveillé en position ventrale. (d) Séquence fortement interférée.

Il est important de noter que lorsque les bébés bougeaient, un niveau élevé de saturation a également été observé dans les données d'entrée de l'appareil de référence. Pendant la saturation, l'ADC écrête le signal d'entrée à l'amplitude maximale autorisée, générant des segments d'amplitude constante qui augmentent le contenu basse fréquence de la fenêtre de traitement actuelle. Cette limitation entraîne une diminution rapide des valeurs de fréquence respiratoire de référence (vallées), suivie d'une récupération immédiate aux valeurs correctes juste après la fin de la saturation (ces vallées sont mises en évidence sur les Fig. 5b, d). Ce comportement anormal n'est lié à aucun schéma physiologique et indique que l'appareil de référence n'est pas fiable à ces moments-là. Par conséquent, pour le calcul des métriques de performance, nous n'avons considéré que les fenêtres de traitement correspondant à des segments de données non saturés du dispositif de référence. Il en est résulté 18 mesures valides et environ 4 964 estimations valides de la fréquence respiratoire. Les mesures de la position latérale ont entraîné un faible SNR et des estimations peu fiables qui ont également été rejetées. D'autre part, la saturation radar est considérée comme inhérente à la configuration de mesure. Par conséquent, les segments de données radar avec des échantillons I et/ou Q saturés sont considérés comme valides et traités.

Un résumé des résultats obtenus est présenté à la Fig. 6. La figure 6a–d montre la précision moyenne finale (3, 6 et 10 bpm), dans chacun des scénarios étudiés, à savoir : (a) position couchée (11 mesures), (b) position couchée (7 mesures), (c) nourrisson unique dans le lit chauffant (14 mesures) et (d) jumeaux partageant le même lit (4 mesures). Ces scénarios ne sont pas exclusifs. Les scénarios couchés et couchés incluent les cas simples/jumeaux et vice-versa. Les barres comparent les performances de trois algorithmes différents : (1) estimation conventionnelle utilisant la transformée de Fourier discrète (DFT)71,72,73, représentant la référence ; (2) l'estimation NLS proposée (NLS); et (3) la solution complète proposée (NLS+NMF), y compris l'algorithme d'atténuation RBM basé sur NMF. Les mêmes étapes de prétraitement (démodulation de phase et filtrage passe-bande) ont été utilisées dans tous les cas. La précision est calculée comme le pourcentage de temps (en termes de fenêtres traitées valides) pendant lequel l'estimation finale du radar se situe dans un intervalle d'erreur prédéfini. Pour chaque cas, les précisions de 3, 6 et 10 bpm ont été prises en compte. Par exemple, une précision de 6 bpm de 80 % signifie que l'amplitude de l'erreur entre l'estimation radar et l'appareil de référence était inférieure à 6 bpm pendant 80 % du temps.

Résumé des résultats, en considérant toutes les séquences traitées pour chaque scénario, et en comparant différentes techniques : l'estimation DFT standard (DFT), l'estimation NLS proposée (NLS) et la solution complète proposée, avec atténuation RBM (NLS + NMF). Précision moyenne pour différentes techniques. (a) Position couchée. (b) Position couchée. (c) Bébé seul dans le lit. (d) Jumeaux partageant le lit. (e) Précision moyenne pour différents scénarios, compte tenu de la solution complète proposée (NLS+NMF). (f) RMSE moyen pour différents scénarios et différentes techniques.

On peut voir que les techniques proposées ont apporté une amélioration substantielle dans tous les cas, avec jusqu'à 17% d'amélioration, et atteignant une précision maximale de 6 et 10 bpm de 79,3% et 93,1% respectivement, en position couchée. La figure 6e compare directement les performances de la solution complète proposée dans chaque scénario, y compris également le résultat moyen de toutes les séquences traitées. Un résultat intéressant est lié au fait que la position ventrale produisait en moyenne les meilleurs résultats, même si les déplacements vérifiés depuis le dos étaient plus petits que ceux depuis la région thoracique/abdominale. Cela pourrait être le résultat du mouvement respiratoire plus uniforme de la paroi thoracique postérieure, puisque l'ossification des côtes commence à l'arrière. En raison de la plus grande flexibilité de la paroi thoracique antérieure, les mouvements abdominaux et thoraciques produisent un mouvement plus hétérogène, rendant ainsi l'estimation radar plus difficile. De plus, la position couchée peut entraîner une réduction des mouvements du corps, réduisant ainsi les interférences. Enfin, les cas simples et jumeaux ont fourni en moyenne des résultats similaires, indiquant ainsi qu'un deuxième bébé dans le lit peut ne pas avoir d'impact direct sur les performances du radar.

L'erreur quadratique moyenne (RMSE) de chaque séquence a également été calculée, et les valeurs moyennes pour chaque scénario sont présentées à la Fig. 6f, en comparant les techniques proposées avec l'estimation DFT conventionnelle. Le RMSE est défini comme

où \(B_n\) et \(\hat{B_n}\) représentent respectivement les fréquences respiratoires de référence et estimées (en bpm), dans la fenêtre de traitement \(n^{\mathrm{th}}\). On peut voir comment la solution proposée surpasse l'approche standard, offrant une amélioration significative et robuste par rapport aux différents scénarios et réduisant la RMSE dans tous les cas. La RMSE globale compte tenu de toutes les mesures valides était de 6,38 bpm. Les mesures en décubitus ventral ont donné les meilleures performances, avec une RMSE proche de 5 bpm. Le fichier supplémentaire 4 montre l'analyse de Bland-Altman prenant en compte tous les scénarios et comparant également l'estimation DFT standard et la solution complète proposée.

Les performances peuvent également être analysées en considérant uniquement les moments sans RBM ou, au moins, avec des interférences externes réduites. Pour identifier ces moments, nous pouvons utiliser l'algorithme d'atténuation RBM et rechercher les fenêtres de traitement où aucune composante interférente n'a été capturée par les bases d'activation temporelle \({{\varvec{H}}}\). Étant donné que des bruits parasites ou des composantes de fréquence supplémentaires peuvent éventuellement être identifiés et filtrés comme RBM, nous avons accepté comme "fenêtres de mouvement minimales" celles dans lesquelles un maximum de 2 bases ont été exclues par l'algorithme. La figure 7 montre les performances obtenues en ne considérant que ces moments. La précision moyenne à 10 bpm pour toutes les mesures était supérieure à 97 %, la précision à 6 bpm étant supérieure à 80 % dans tous les scénarios. Le RMSE moyen était de 4,3 bpm, avec le meilleur résultat proche de 4 bpm en position couchée. Dans ce cas, tous les scénarios présentaient des performances très similaires, à la fois en termes de précision et de RMSE. Le pourcentage de fenêtres de mouvement minimal en position couchée était presque le double du nombre en position couchée. Cette différence peut confirmer que la position couchée entraîne une réduction des mouvements corporels aléatoires et c'est l'une des raisons des meilleurs résultats dans ce scénario.

Ce RMSE restant est attendu et peut s'expliquer si l'on prend en considération les conditions prématurées des nourrissons surveillés (tableau supplémentaire 1), où l'immaturité de leur système respiratoire et les conditions diagnostiquées peuvent entraîner des schémas respiratoires irréguliers et ainsi entraver l'estimation. De plus, certains transitoires peuvent ne pas être détectés comme RBM en raison de leurs caractéristiques spécifiques, ce qui peut ne pas correspondre à notre hypothèse de force et de parcimonie (par exemple, des hoquets périodiques ou d'autres mouvements continus). Enfin, une certaine imprécision est également attendue de l'appareil de référence, car ces capteurs (veuillez vous référer aux méthodes) souffrent d'imprécision et d'interférences cardiaques, en particulier chez les nouveau-nés avec des fréquences respiratoires plus élevées et une aération pulmonaire limitée34,74.

Performances moyennes pendant les fenêtres de mouvement minimales. (a) Précision pour différents scénarios. (b) RMSE moyen pour différents scénarios.

La solution basée sur le radar proposée a pu récupérer avec précision le mouvement de la paroi thoracique, permettant une identification claire des différents schémas respiratoires. Cette capacité est la première étape vers l'estimation de la fréquence respiratoire et le diagnostic précoce non invasif des problèmes respiratoires néonataux. De plus, la plupart du temps, les algorithmes proposés fournissaient des estimations fiables de la fréquence respiratoire, réduisant efficacement les effets de l'interférence RBM. Les meilleures performances ont été obtenues lorsque les nourrissons étaient en position couchée, avec une précision de 6 et 10 bpm atteignant près de 80 % et 93 %, respectivement. Le RMSE global était inférieur à 7 bpm, avec le meilleur résultat proche de 5 bpm en position couchée. Lors de mouvements minimes, la précision globale de 10 bpm était supérieure à 97 %, la précision de 6 bpm étant supérieure à 80 % dans tous les scénarios. Le RMSE moyen était de 4,3 bpm, avec le meilleur résultat proche de 4 bpm en position couchée. Ces résultats peuvent être interprétés comme une preuve de principe que l'approche basée sur le radar proposée a le potentiel de surveiller la respiration sans contact dans l'USIN. Cependant, d'autres expériences sont en cours pour réduire davantage la vulnérabilité aux artefacts, par exemple en utilisant des algorithmes optimisés de traitement des données et des technologies redondantes.

Un étalonnage radar plus fin et un réglage de configuration plus précis amélioreraient la qualité des données brutes et réduiraient la saturation de l'ADC. Une amélioration supplémentaire des données d'entrée du radar peut encore être obtenue en passant des architectures CW aux architectures à entrées multiples et sorties multiples (MIMO) et à onde continue modulée en fréquence (FMCW). Ce changement permettrait non seulement d'isoler la portée des interférences externes, mais également de diriger le faisceau du radar (champ de vision) directement vers le patient surveillé. La robustesse du mouvement peut encore être améliorée en adaptant l'algorithme NMF en fonction des caractéristiques spécifiques du signal d'interférence de mouvement aléatoire du corps. Un cas particulier intéressant serait le NMF clairsemé.

Enfin, des études de suivi avec des enfants plus matures et en bonne santé d'âges différents permettraient d'identifier des pathologies, des caractéristiques spécifiques à l'âge ou des facteurs de confusion, et d'adapter la conception expérimentale en conséquence. Les meilleurs résultats moyens obtenus en position couchée indiquent la nécessité d'investigations supplémentaires sur différentes configurations cliniques, où le radar pourrait également être positionné sous le matelas. De plus, dans le but de développer une solution sans contact complète, une étude des capacités radar pour la surveillance de la fréquence cardiaque dans cet environnement difficile est nécessaire, ainsi que le passage au traitement en temps réel.

Notation. Nous adoptons la notation suivante : caractères gras minuscules pour les vecteurs \({{\varvec{x}}}\), et caractères gras majuscules pour les matrices \({{\varvec{X}}}\). La lettre \(\mathrm j\) représente l'unité imaginaire (c'est-à-dire, \({\mathrm{j}} = \sqrt{-1})\), avec la valeur absolue et les opérateurs d'angle donnés par les symboles \(|(\cdot )|\) et \(\angle (\cdot )\). Les opérateurs de transposition, de conjugaison et de transposition conjuguée sont désignés respectivement par les symboles \((\cdot )^{\mathrm{T}}\), \((\cdot )^*\) et \((\cdot )^{{\mathrm{H}}}\). Les ensembles de vecteurs à N dimensions de nombres complexes et réels sont représentés par \({\mathbb {C}}^N\) et \({\mathbb {R}}^N\). La norme euclidienne du vecteur \({{\varvec{x}}}\) est notée \(||{{\varvec{x}}}||\). Le produit d'Hadamard est noté \(\odot\).

Déclaration d'éthique. L'étude a été conçue conformément à la Déclaration d'Helsinki et approuvée par le comité d'éthique régional de la Sarre (Sarrebruck, Allemagne), sous le numéro de référence 276/17. Un consentement éclairé écrit a été obtenu des parents avant la collecte des données, et toute la documentation et les données collectées ont été pseudonymisées.

Système radar. Le dispositif radar CW utilisé dans cette étude est une variante prototype du capteur VitaSense\(^\text{\textregistered }\) de l'IEE75, fonctionnant dans la bande ISM 24 GHz, avec une zone d'éclairage de \(76,5^{\circ }\) en azimut et de \(35,5^{\circ }\) en élévation. Aux distances surveillées, la faible puissance émise conduit à des taux d'absorption d'énergie 20 fois inférieurs à ceux d'un téléphone portable76. Le taux d'échantillonnage ADC était de 16 Hz et l'acquisition des données était contrôlée par un logiciel propriétaire sur l'ordinateur externe.

Appareil câblé de référence. Tout au long de toutes les mesures, les nourrissons ont été connectés à un moniteur de référence couramment utilisé à l'USIN. De plus, les signaux de respiration, de fréquence cardiaque et de saturation en oxygène ont été enregistrés à l'aide de l'appareil VitaGuard\(^\text{\textregistered }\) 310077, connecté par câble à l'aide de 3 électrodes néonatales 4203 Kendall\(^\text{\textregistered }\)78. Cet appareil mesure le mouvement respiratoire à travers les électrodes attachées à la poitrine du nourrisson (pneumographie par impédance) et fournit le rythme respiratoire avec une résolution de 1 bpm et un taux de mise à jour de 1 s. La synchronisation entre les valeurs de fréquence de référence et estimée a été effectuée hors ligne, sur la base de la corrélation entre ces signaux. Après avoir traité une mesure entière (25 minutes), le tableau résultant avec des valeurs de fréquence estimées radar est comparé au tableau plus long avec des valeurs de référence, dans une approche de fenêtre glissante. L'indice de synchronisation a été sélectionné afin de maximiser la corrélation entre ces tableaux. Cette procédure a été effectuée automatiquement, à l'aide d'une routine Matlab.

Principe de fonctionnement du radar CW. Le signal CW transmis peut être écrit comme

où \(A_{\mathrm{T}}\) et \(f_{\mathrm{c}}\) sont, respectivement, la puissance du signal transmis et la fréquence de fonctionnement, et \(\phi (t)\) est le bruit de phase de l'émetteur (oscillateur local). Ce signal est modulé en phase par le mouvement de la cible et réfléchi vers le radar pour traitement. Le signal reçu d'une cible à distance nominale \(d_0\) peut être écrit comme

avec \(A_{\mathrm{R}}\) étant la puissance reçue, \(\lambda\) la longueur d'onde de fonctionnement et d(t) représentant le mouvement cible. Après démodulation et conversion analogique-numérique, et en supposant une compensation de déséquilibre I/Q correcte, les signaux I et Q en bande de base peuvent être représentés comme79

où \(\theta _0=4\pi d_0/\lambda\) est le déphasage constant, et \(B_{\mathrm{I}}\) et \(B_{\mathrm{Q}}\) sont des décalages DC.

Dans des conditions idéales, l'AD peut être utilisé pour une récupération de phase précise. Dans ce cas, le signal de déplacement est reconstruit comme44

où l'opération de déroulage est nécessaire pour supprimer les éventuelles discontinuités de phase, causées par la plage restreinte de la fonction arctangente (des phases enroulées autour de \((-\pi , \pi ]\) sont attendues lorsque les déplacements sont supérieurs à \(\lambda /4\)). Avant d'extraire les informations de phase souhaitées, les composantes DC (\(B_{\mathrm{I}}\) et \(B_{\mathrm{Q}}\)) (va-et-vient) décrit un arc dans le plan I/Q, cette compensation est généralement effectuée à l'aide d'un algorithme d'ajustement d'ellipse. Cependant, de petits déplacements (petits arcs), du bruit et/ou des interférences externes, compromettent généralement le processus d'ajustement et conduisent à une compensation CC imprécise. De plus, l'opération de déballage est également très sensible au bruit et aux interférences, et peut éventuellement accumuler des erreurs, entraînant de grandes distorsions sur le signal de déplacement récupéré.

En utilisant le CSD, le signal de déplacement peut être reconstruit comme45

où \({\overline{x}} = B_{\mathrm{I}} + {\mathrm{j}} B_{\mathrm{Q}}\) représente le décalage CC combiné. Cependant, dans ce cas, ce terme DC n'affecte pas les composantes pertinentes du signal récupéré, et, en pratique, il peut être facilement extrait en soustrayant la moyenne de la fenêtre de traitement dans le domaine temporel. Malgré des harmoniques supplémentaires d'ordre supérieur, pour les petits déplacements (par rapport à la longueur d'onde de fonctionnement), le signal récupéré x(t) se rapproche du vrai mouvement de la paroi thoracique d(t), et le contenu fréquentiel pertinent est conservé. Par conséquent, en plus d'être plus robuste aux décalages DC et aux interférences externes, le CSD simplifie la procédure de démodulation. Une description détaillée des méthodes AD et CSD peut être trouvée dans44 et80.

Factorisation matricielle non négative. Le spectrogramme de magnitude \(|{{\varvec{X}}}| \in {\mathbb {R}}^{F\times T}\) du signal de déplacement récupéré est obtenu par le STFT de x(t), où F et T sont, respectivement, le nombre de cases de fréquence et de temps utilisées dans l'opération STFT. Étant donné que nous visons à reconstruire la version temporelle du signal filtré par RBM, la fenêtre de pondération STFT doit respecter la propriété de chevauchement-ajout constant81.

Le NMF est ainsi appliqué à l'amplitude de \({{\varvec{X}}}\), et la factorisation peut être réalisée grâce à un problème d'optimisation donné par

avec \({{\varvec{H}}}\in {\mathbb {R}}^{K\times T}\) et \({{\varvec{W}}}\in {\mathbb {R}}^{F\times K}\). Le symbole « \(\succeq\) » indique la non-négalité d'entrée et \({\mathcal {L}}(\cdot ,\cdot )\) représente une métrique de similarité générique entre \(|{{\varvec{X}}}|\) et \({{\varvec{W}}}{{\varvec{H}}}\). La distance euclidienne (Frobenius) est couramment utilisée et, ce faisant, une simple descente de gradient peut être utilisée pour minimiser la fonction objectif58. Le nombre prédéfini de composantes de base K doit être sélectionné en tenant compte des différentes composantes de fréquence qui peuvent être présentes dans le spectrogramme calculé, y compris la fréquence respiratoire et l'éventuelle interférence RBM. Pour le suivi à long terme, nous avons retenu empiriquement \(K=11\).

L'identification de la base temporelle d'activation correspondant au RBM est basée sur un seuil d'amplitude adaptatif. Le schéma respiratoire est affecté par plusieurs facteurs (sujet, sexe, âge, état de santé, posture) et une détection efficace des interférences nécessite une stratégie adaptative. L'interférence RBM peut être caractérisée par son comportement distinct qui contraste avec la nature constante et périodique de la respiration. Par conséquent, suite à la décomposition du NMF, nous recherchons une base d'activation temporelle forte (plus forte que la moyenne) et clairsemée (courte durée par rapport à la fenêtre de traitement) \({{\varvec{h}}}_i\) dans \({{\varvec{H}}}\). Cela peut être accompli simplement en comparant l'énergie locale dans chaque composante temporelle de \({{\varvec{h}}}_i\), avec l'énergie moyenne dans \({{\varvec{H}}}\) pour la fenêtre de traitement actuelle (dans des conditions normales, cela correspondrait à l'énergie respiratoire moyenne). Cette énergie moyenne sert de seuil et, de par la nature de son calcul, elle change pour chaque fenêtre et reflète l'intensité du signal dans celle-ci. Par conséquent, le seuil sera automatiquement ajusté pour chaque fenêtre de traitement en conséquence. De plus, la parcimonie est vérifiée en vérifiant si les composants restants de la base sélectionnée ont une amplitude négligeable.

L'amplitude du spectrogramme filtré RBM peut être reconstruite comme

où \(s_i\) indique si la base \(i^{\mathrm{th}}\) correspond à RBM ou non, c'est-à-dire \(s_i = 0\) lorsque RBM est présent dans la base \({{\varvec{h}}}_i\), ou \(s_i = 1\) sinon. Afin de synthétiser le signal filtré dans le domaine temporel \({\hat{x}}(t)\), il est d'abord nécessaire d'obtenir la phase du spectrogramme filtré. Une pratique courante consiste à utiliser une approche de filtrage de type Wiener, qui se traduit par la réutilisation de la phase du spectrogramme mixte original \({{\varvec{X}}}\)82. Le STFT inverse est finalement appliqué à \({\hat{{{\varvec{X}}}}} = |{\hat{{{\varvec{X}}}}}| \odot \angle {{{\varvec{X}}}}\), reproduisant la même configuration de fenêtre (durée, poids et chevauchement) que dans le STFT initial. Dans ce travail, nous utilisons des fenêtres rectangulaires standard avec une durée de 3 s, 2 s de chevauchement et un remplissage nul à 256 échantillons.

La méthode RBM est appliquée à chaque fenêtre de traitement. Le procédé est capable de détecter et de supprimer automatiquement l'interférence RBM, sur la base du seuil d'amplitude adaptatif et du contrôle de parcimonie. Aucune annotation manuelle n'est nécessaire. En l'absence de RBM ou d'autres effets interférents, le signal récupéré ne contiendra que le mouvement constant et périodique de la paroi thoracique, et les bases d'activation temporelle résultantes \({{\varvec{H}}}\) le refléteront. Dans ce cas, le seuil d'amplitude adaptatif n'identifiera aucune base candidate contenant RBM, et le signal filtré sera approximativement le même qu'à l'entrée du bloc RBM.

Estimation NLS. Le signal de déplacement respiratoire d(t) peut être modélisé comme une somme de sinusoïdes complexes \(L_k\) harmoniquement liées, ayant des fréquences qui sont des multiples entiers d'une fréquence fondamentale \(\omega _k>0\). Après échantillonnage pour \(n \in \{0, \cdots ,N-1\}\), un tel signal peut être écrit comme65

où \(a_{k,l} = A_{k,l} {\mathrm{e}}^{{\mathrm{j}} \phi _{k,l}}\) est l'amplitude complexe de la lième harmonique, \(L_k\) représente le nombre d'harmoniques (l'ordre du modèle) et K fait référence au nombre de composants (points dispersés).

Les estimations NLS sont obtenues en minimisant la norme euclidienne de la différence entre le signal de déplacement récupéré et filtré \({\hat{d}}(t)\) et le modèle de signal de déplacement dans (12). Considérons d'abord une seule source k et définissons \({{{\varvec{d}}}_k = [\; d_k(0) \; \cdots \; d_k(N-1) \;]^{\mathrm{T}} \in {\mathbb {C}}^N}\), le vecteur constitué de N échantillons consécutifs de \(d_k(n)\), qui peut être exprimé par

avec \({{\varvec{a}}}_k = [\; A_{k,1} {\mathrm{e}}^{{\mathrm{j}} \phi _{k,1}} \; ... \; A_{k,L_k} {\mathrm{e}}^{{\mathrm{j}} \phi _{k,L_k}} \;]^{\mathrm{T}}\) étant le vecteur contenant les amplitudes complexes des harmoniques, et la matrice \({{{\varvec{Z}}}_k \in {\mathbb {C}}^{N \times L_k}}\) ayant une structure de Vandermonde, étant construite à partir des vecteurs sinusoïdaux complexes \(L_k\) comme

avec \({{\varvec{z}}}(\omega) = [\;1\;{\mathrm{e}}^{{\mathrm{j}}\omega}\;...\;{\mathrm{e}}^{{\mathrm{j}}\omega(N-1)}\;]^{\mathrm{T}}\). En écrivant \({\hat{d}}(t)\) comme vecteur \({{\hat{{{\varvec{d}}}}} = [\;{\hat{d}}(0)\;\cdots\;{\hat{d}}(N-1)\;]^{\mathrm{T}}\in {\mathbb{C}}^N}\), le NLS estime \({\hat{\omega}} _k\) et \(\hat{{\varvec{a}}}_k\) sont finalement obtenus en résolvant le problème6

En minimisant d'abord (15) par rapport aux amplitudes complexes \({{\varvec{a}}}_k\) on obtient l'estimation \({\hat{{{\varvec{a}}}}}_k = ({{\varvec{Z}}}_k^{\mathrm{H}}{{\varvec{Z}}}_k)^{-1}{{\varvec{Z}}}_k^{{\mathrm{ H}}}{\hat{{{\varvec{d}}}}}\), qui lorsqu'il est branché sur (15) conduit à69

En supposant \(N \gg 1\), alors \({{\varvec{Z}}}_k^{{\mathrm{H}}} {{\varvec{Z}}}_k \approx N\cdot {{\varvec{I}}}_{L_k}\). Ainsi, en ne considérant qu'une seule diffusion respiratoire dominante (c'est-à-dire \ (K = 1 \), de sorte que nous pouvons supprimer l'indice k), nous avons

Le produit matriciel \({{\varvec{Z}}}^{{\mathrm{H}}} {\hat{{{\varvec{d}}}}}\) peut être implémenté efficacement à l'aide d'un algorithme FFT et d'une recherche de grille linéaire sur les fréquences candidates \(\left\{ 0, \frac{2\pi }{N},\cdots ,\frac{2\pi }{N}(N-1)\right\}\). L'estimateur se réduit ainsi à une sommation des harmoniques respiratoires sur la densité spectrale de puissance du signal de déplacement récupéré \({\hat{d}}(t)\). Habituellement, quelques harmoniques peuvent être présentes dans \({\hat{d}}(t)\). Cependant, les petites amplitudes de mouvement des patients surveillés impliquent un SNR réduit, où les harmoniques d'ordre supérieur seront souvent masquées par le bruit. Par conséquent, dans ce travail, nous avons adopté \(L_k=2\). De plus, l'intervalle de recherche était limité à \(\pm 5\) bpm autour de l'estimation initiale du domaine temporel.

L'ensemble de données original analysé au cours de l'étude en cours est disponible en téléchargement sur https://radarmimo.com/.

Les fonctions de lecture Matlab pour le radar et le dispositif de référence sont disponibles en téléchargement sur https://radarmimo.com/. Veuillez vous référer au fichier supplémentaire 1 pour une brève description des codes.

Howson, CP et al. Né trop tôt : la naissance prématurée est importante. Repr. Santé 10, S1 (2013).

Article PubMed PubMed Central Google Scholar

Bancalari, E. & Claure, N. Définitions et critères diagnostiques de la dysplasie bronchopulmonaire. Sémin. Périnatol. 30, 164-170 (2006).

Article PubMed Google Scholar

Verder, H. et al. CPAP nasal et surfactant pour le traitement du syndrome de détresse respiratoire et la prévention de la dysplasie bronchopulmonaire. Acta Paediatr. 98, 1400–1408 (2009).

Article PubMed Google Scholar

Zhao, J., Gonzalez, F. & Mu, D. Apnée du prématuré : de la cause au traitement. EUR. J. Pediatr. 170, 1097-1105 (2011).

Article PubMed PubMed Central Google Scholar

Nuytten, A. et al. Politique de corticothérapie postnatale pour les grands prématurés et la dysplasie broncho-pulmonaire. Néonatologie 117, 308–315 (2020).

Article CAS PubMed Google Scholar

Gaynes, RP et al. Comparaison des taux d'infections nosocomiales dans les unités néonatales de soins intensifs aux États-Unis. Suis. J. Med. 91, 192S-196S (2016).

Article Google Scholar

Barker, DP & Rutter, N. Exposition à des procédures invasives dans les admissions en unité de soins intensifs néonatals. Cambre. Dis. Enfance Foetale Néonatal Edn. 72, F47–F48 (1995).

Article CAS Google Scholar

Smith, PB et al. Une augmentation du temps de séjour d'un cathéter à insertion périphérique est-elle associée à un risque accru d'infection du sang chez les nourrissons ?. Infecter. Control Hospital Epidemiol. 29, 749–753 (2008).

Article Google Scholar

Anand, KJ Importance clinique de la douleur et du stress chez les nouveau-nés prématurés. Biol. Nouveau-né 73, 1–9 (1998).

Article MathSciNet CAS PubMed Google Scholar

Goedicke-Fritz, S. et al. La naissance prématurée affecte le risque de développer des maladies à médiation immunitaire. Devant. Immunol. 8, 1266 (2017).

Article PubMed PubMed Central Google Scholar

Cartlidge, P., Fox, P. & Rutter, N. Les cicatrices des soins intensifs néonatals. Développement humain précoce. 21, 1–10 (1990).

Article CAS Google Scholar

Chung, HU et al. Systèmes électroniques épidermiques binodaux sans fil avec analyse intégrée au capteur pour les soins intensifs néonatals. Sciences 363, 0780 (2019).

Article Google Scholar

Chung, HU et al. Biocapteurs à interface cutanée pour une surveillance physiologique sans fil avancée dans les unités de soins intensifs néonatals et pédiatriques. Nat. Méd. 3, 418–429 (2020).

Article Google Scholar

Steinbach, J. et al. Mesure au chevet des composés organiques volatils dans l'atmosphère des incubateurs néonatals à l'aide de la spectrométrie de mobilité ionique. Devant. Pédiatre 7, 248 (2019).

Article PubMed PubMed Central Google Scholar

Rogosch, T. et al. Détection des bactériémies et prédiction de la dysplasie broncho-pulmonaire chez les prématurés porteurs d'un nez électronique. J. Pediatr. 165, 622–624 (2014).

Article PubMed Google Scholar

Gangaram-Panday, NH et al. Diffusion dynamique de la lumière : une nouvelle technologie non invasive pour la surveillance de la fréquence cardiaque néonatale. Néonatologie 117, 279–286 (2020).

Article PubMed Google Scholar

Villarroel, M. et al. Suivi physiologique sans contact des prématurés en réanimation néonatale. npj Chiffre. Méd. 2, 1–18 (2019).

Article Google Scholar

Allen, J. Photoplethysmography et son application dans la mesure physiologique clinique. Physiol. Mes. 28, R1 (2007).

Article ADS PubMed Google Scholar

Cobos-Torres, J. et al. Surveillance néonatale simple et sans contact par photopléthysmographie. Capteurs 18, 4362 (2018).

Article ADS PubMed Central Google Scholar

Poets, CF Apnea of prematurity : Que peuvent nous dire les études observationnelles sur la physiopathologie ?. Sommeil Med. 11, 701–707 (2010).

Article PubMed Google Scholar

Poètes, CF et al. Association entre l'hypoxémie intermittente ou la bradycardie et la mort tardive ou l'invalidité chez les nourrissons extrêmement prématurés. JAMA 314, 595–603 (2015).

Article CAS PubMed Google Scholar

Pereira, CB et al. Surveillance sans contact de la fréquence respiratoire chez les nouveau-nés à l'aide de l'imagerie thermique. IEEE Trans. Biomédical. Ing. 66, 1105-1114 (2019).

Article PubMed Google Scholar

Abbas, AK et al. Surveillance respiratoire néonatale sans contact basée sur la thermographie infrarouge en temps réel. Biomédical. Ing. En ligne 10, 1–17 (2011).

Article Google Scholar

Pullano, SA et al. Dispositifs médicaux pour la surveillance et la thérapie de l'apnée pédiatrique : tendances passées et nouvelles. IEEE Rev. Biomed. Ing. 10, 199-212 (2017).

Article PubMed Google Scholar

Lin, JC Mesure micro-ondes non invasive de la respiration. Proc. IEEE 63, 1530 (1975).

Article Google Scholar

Kebe, M. et al. Méthodes de détection des signes vitaux humains et potentiel à l'aide de radars : un examen. Capteurs 20, 1454 (2020).

Article ADS PubMed Central Google Scholar

Le Kernec, J. et al. Traitement du signal radar pour la détection dans les résidences-services. Processus de signal IEEE. Mag. 36, 29-41 (2019).

Annonces d'article Google Scholar

Fioranelli, F., Le Kernec, J. & Shah, SA Radar pour les soins de santé : reconnaître les activités humaines et surveiller les signes vitaux. Potentiels IEEE 38, 16–23 (2019).

Article Google Scholar

Shah, SA & Fioranelli, F. Technologies de détection RF pour la vie quotidienne assistée dans les soins de santé : un examen complet. IEEE Aerosp. Électron. Syst. Mag. 34, 26–44 (2019).

Article Google Scholar

Harford, M. et al. Disponibilité et performances des méthodes sans contact basées sur l'image pour surveiller la fréquence cardiaque, la pression artérielle, la fréquence respiratoire et la saturation en oxygène : une revue systématique. Physiol. Mes. 40, 06TR01 (2019).

Article CAS PubMed Google Scholar

Lorato, I. et al. Vers une surveillance continue de la respiration par caméra chez les nourrissons. Capteurs 21, 1–18 (2021).

Article Google Scholar

Mercuri, M. et al. Surveillance des signes vitaux et suivi spatial de plusieurs personnes à l'aide d'un capteur radar sans contact. Nat. Électron. 2, 252–262 (2019).

Article Google Scholar

Kim, JD et al. Surveillance de la respiration sans contact à l'aide d'un radar ultralarge bande radio à impulsions chez les nouveau-nés. Roy. Soc. Ouvrez SCI. 6, 6 (2019).

Google Scholar

Lee, WH et al. Faisabilité de la surveillance cardiorespiratoire sans contact par radar ultra large bande radio impulsionnelle en unité de soins intensifs néonatals. PLoS ONE 15, 1–15 (2021).

Google Scholar

Park, J. et al. Évaluation préclinique de la surveillance des signes vitaux sans contact à l'aide d'un radar IR-UWB en temps réel et des facteurs affectant sa précision. Sci. Rép. 11, 1–12 (2021).

Article Google Scholar

Adib, F., Mao, H., Kabelac, Z., Katabi, D. & Miller, RC Maisons intelligentes qui surveillent la respiration et la fréquence cardiaque. Conf. Hum. Fait. Calcul. Syst. Proc. 1, 837–846 (2015).

Article Google Scholar

Khan, F. et al. Un algorithme détaillé pour la surveillance des signes vitaux d'un être humain stationnaire/non stationnaire via un radar IR-UWB. Capteurs 17, 4261–4270 (2017).

Article Google Scholar

De Groote, A. et al. Mouvement de la paroi thoracique pendant la respiration courante. J. Appl. Physiol. 83, 1531-1537 (1997).

Article PubMed Google Scholar

Fleming, S. et al. Plages normales de fréquence cardiaque et de fréquence respiratoire chez les enfants de la naissance à 18 ans : une revue systématique des études observationnelles. Lancette 377, 1011-1018 (2011).

Article PubMed PubMed Central Google Scholar

Gouna, G. et al. Effets du positionnement sur la fonction pulmonaire et le schéma respiratoire chez les nouveau-nés prématurés. J. Pediatr. 162, 1133-1137 (2013).

Article PubMed Google Scholar

te Pas, AB et al. Schémas respiratoires chez les prématurés et les nourrissons nés à terme immédiatement après la naissance. Pédiatre Rés. 65, 352-356 (2009).

Article Google Scholar

Hayward, KM et al. Effet des jumeaux cobedding sur la corégulation, l'état du nourrisson et la sécurité des jumeaux. J. Obstetr. Gynécol. Infirmières néonatales. 44, 193–202 (2015).

Article Google Scholar

Badiee, Z., Nassiri, Z. & Armanian, A. Cobedding of twin prématurés: effets calmants sur les réponses à la douleur. Pédiatre Néonatol. 55, 262–268 (2014).

Article PubMed Google Scholar

Park, BK, Boric-Lubecke, O. & Lubecke, VM Démodulation arctangente avec compensation de décalage CC dans les systèmes de récepteur radar Doppler en quadrature. IEEE Trans. Micro-onde. Théorie Tech. 55, 1073-1078 (2007).

Annonces d'article Google Scholar

Li, C. & Lin, J. Annulation aléatoire des mouvements corporels dans la détection des signes vitaux par radar doppler. IEEE Trans. Micro-onde. Théorie Tech. 56, 3143–3152 (2008).

Annonces d'article Google Scholar

Fenner, A. et al. Respiration périodique chez les bébés prématurés et nouveau-nés : incidence, schéma respiratoire, tensions des gaz respiratoires, réponse aux modifications de la composition de l'air ambiant. Pédiatre Rés. 7, 174–183 (1973).

Article CAS PubMed Google Scholar

Patel, M. et al. Associations cliniques avec la respiration immature chez les prématurés : Partie 2—respiration périodique. Pédiatre Rés. 80, 28–34 (2016).

Article PubMed PubMed Central Google Scholar

Mohr, MA et al. Quantification de la respiration périodique chez les prématurés. Physiol. Mes. 36, 1415 (2015).

Article PubMed PubMed Central Google Scholar

Weintraub, Z. et al. La morphologie de la respiration périodique chez les nourrissons et les adultes. Respir. Physiol. 127, 173–184 (2001).

Article CAS PubMed Google Scholar

Al-Naji, A., Gibson, K., Lee, SH et Chahl, J. Surveillance du signal cardiorespiratoire : principes des mesures à distance et revue des méthodes. Accès IEEE 5, 15776–15790 (2017).

Article Google Scholar

Kranjec, J. et al. Mesures sans contact de la fréquence cardiaque et de la variabilité de la fréquence cardiaque : un bilan. Biomédical. Processus de signalisation. Contrôle 13, 102–112 (2014).

Article Google Scholar

Shafiq, G. & Veluvolu, KC Décomposition des mouvements thoraciques de surface pour la surveillance cardiovasculaire. Sci. Rep. 4, 1–9 (2014).

Google Scholar

Li, C. Surveillance des signes vitaux en déplacement. Nat. Électron. 2, 219-220 (2019).

Article Google Scholar

Li, C., Cummings, J., Lam, J., Graves, E. & Wu, W. Surveillance à distance par radar des signes vitaux. IEEE Microw. Mag. 10, 47-56 (2009).

Article Google Scholar

Yu, X., Li, C. & Lin, J. Détection bidimensionnelle des signes vitaux sans contact à l'aide de l'approche radar Doppler. IEEE MTT-S Int. Micro-onde. Colloques. Creuser. 1, 1–4 (2011).

CAS Google Scholar

Munoz-Ferreras, JM et al. Atténuation des mouvements corporels aléatoires pour la surveillance des signes vitaux basée sur le radar FMCW. Haut IEEE. Conf. Biomédical. Wirel. Technol. Réseau Sens. Syst. 1, 22–24 (2016).

Google Scholar

Lee, DD & Seung, HS Apprentissage des parties d'objets par NNMF. Nature 401, 788-791 (1999).

Article ADS CAS MATH PubMed Google Scholar

Berry, MW et al. Algorithmes et applications pour la factorisation matricielle approchée non négative. Calcul. Statistique Analyse des données. 52, 155–173 (2007).

Article MathSciNet MATH Google Scholar

Tu, J., Hwang, T. & Lin, J. Mesure de la fréquence respiratoire sous un mouvement corporel 1-D à l'aide d'un système de détection des signes vitaux par radar Doppler à onde continue unique. IEEE Trans. Micro-onde. Théorie Tech. 64, 1937-1946 (2016).

Annonces d'article Google Scholar

Rong, Y. & Bliss, DW Télédétection pour les informations vitales basées sur les signatures harmoniques du domaine spectral. IEEE Trans. Aérosp. Électron. Syst. 55, 3454–3465 (2019).

Annonces d'article Google Scholar

Albanese, A., Cheng, L., Ursino, M. & Chbat, NW Un modèle mathématique intégré du système cardio-pulmonaire humain : développement de modèles. Suis. J. Physiol. Cœur Circulat. Physiol. 310, H899–H921 (2016).

Article Google Scholar

Frey, U. et al. Irrégularités et distributions de la loi de puissance dans le schéma respiratoire des prématurés et des nourrissons à terme. J. Appl. Physiol. 85, 789–797 (1998).

Article CAS PubMed Google Scholar

Karahasanovic, U. et al. Modélisation mathématique et simulations de schémas respiratoires complexes détectés par des capteurs radar. Proc. Int. Symposium Radars. 52, 1–10 (2018).

Google Scholar

Stoica, P. et al. Analyse spectrale des signaux Vol. 4 (Pearson Prentice Hall, Upper Saddle River, 2005).

MATH Google Scholar

Christensen, MG & Jakobsson, A. Estimation de pas multiples (Morgan & Claypool, New York, 2009).

Livre MATH Google Scholar

Lohman, B. et al. Un processeur de signal numérique pour la détection radar Doppler des signes vitaux. Proc. Anne. Int. Conf. IEEE Eng. Méd. Biol. Soc. 4, 3359–3362 (2001).

Google Scholar

Nosrati, M. & Tavassolian, N. Surveillance de haute précision de la variabilité de la fréquence cardiaque à l'aide d'un radar Doppler basé sur la modélisation gaussien du train d'impulsions et l'algorithme FTPR. IEEE Trans. Micro-onde. Théorie Tech. 66, 556–567 (2018).

Annonces d'article Google Scholar

Wei, J., Zhang, L. & Liu, H. Technique d'extraction et de reconstruction de signaux de vie sans contact basée sur MAE. Accès IEEE 7, 110826–110834 (2019).

Article Google Scholar

Christensen, MG, Stoica, P., Jakobsson, A. & Jensen, SH Estimation multi-pas. Processus de signalisation. 88, 972–983 (2008).

Article MATH Google Scholar

https://www.mathworks.com/products/matlab.html.

Bakhtiari, S. et al. Une analyse de la fréquence cardiaque en temps réel pour un capteur de QI à ondes millimétriques à distance. IEEE Trans. Biomédical. Ing. 58, 1839–1845 (2011).

Article PubMed Google Scholar

Nosrati, M. & Tavassolian, N. Détection cardiopulmonaire précise basée sur un radar doppler utilisant l'accélération de la paroi thoracique. IEEE J. Electromag. RF Microw. Méd. Biol. 3, 41–47 (2019).

Article Google Scholar

Alizadeh, M. et al. Surveillance à distance des signes vitaux humains à l'aide d'un radar FMCW à ondes millimétriques. Accès IEEE 7, 54958–54968 (2019).

Article Google Scholar

van Loon, K. et al. Précision des technologies de surveillance continue à distance de la fréquence respiratoire destinées aux milieux cliniques à faible niveau de soins : une étude observationnelle prospective. Peut. J. Anesth. 65, 1324-1332 (2018).

Article PubMed Google Scholar

Diewald, AR et al. Détection de l'occupation des enfants par RF dans l'habitacle du véhicule. Proc. Int. Symposium Radars. 1, 1–4 (2016).

Google Scholar

Larsen, P. & Mousel, T. Détection basée sur la radiofréquence des enfants sans surveillance pour réduire les décès par coup de chaleur dans le véhicule. Proc. IRCOBI Conf. 1, 220-233 (2017).

Google Scholar

https://www.getemed.de/en/monitoring.

https://www.cardinalhealth.co.uk/en_gb/medical-products/patient-care/electrocardiography/neonatal-ecg-electrodes.html.

Hu, W. et al. Mesure précise sans contact de l'activité cardio-pulmonaire à l'aide d'un capteur radar Doppler en quadrature compact. IEEE Trans. Biomédical. Ing. 61, 725–735 (2014).

Article ADS PubMed Google Scholar

Li, C. & Lin, J. Techniques de démodulation de signaux complexes et d'annulation de mouvements corporels aléatoires pour la détection des signes vitaux sans contact. IEEE MTT-S Int. Micro-onde. Colloques. Creuser. 1, 567-570 (2008).

Google Scholar

Verhelst, W. Overlap-add methodes pour la mise à l'échelle temporelle de la parole. Discours Commun. 30, 207-221 (2000).

Article Google Scholar

Magron, P., Badeau, R. & David, B. Récupération de phase STFT basée sur un modèle pour la séparation des sources audio. IEEE/ACM Trans. Langue de la parole audio. Processus. 26, 1091-1101 (2018).

Article Google Scholar

Télécharger les références

Ce travail a été soutenu par le Fonds National de la Recherche du Luxembourg (FNR), dans le cadre du FNR Industrial Fellowship Grant, projet MIDIA, Référence 14269859.

Ces auteurs ont contribué à parts égales : Gabriel Beltrão et Regine Stutz.

SnT - Centre interdisciplinaire pour la sécurité, la fiabilité et la confiance, Université du Luxembourg, Luxembourg, Luxembourg

Gabriel Beltrão, Wallace A. Martins, Mohammad Alaee-Kerahroodi et Bhavani Shankar MR

Département de pédiatrie générale et de néonatologie, Faculté de médecine de l'Université de la Sarre, Homburg, Allemagne

Regine Stutz, Franziska Hornberger, Ulrike Lindner, Lilly Stock, Elisabeth Kaiser, Sybelle Goedicke-Fritz & Michael Zemlin

IEE S/A, Bissen, Luxembourg

Dmitri Tatarinov & Udo Schroeder

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

GB a écrit l'article, développé les algorithmes, implémenté le logiciel, analysé et interprété les données. WAM a contribué à l'algorithme d'atténuation des mouvements corporels aléatoires, fourni des commentaires techniques et édité le manuscrit final. MA a fourni des commentaires techniques, édité le manuscrit final et co-supervisé la recherche. BSM a fourni des commentaires techniques, édité le manuscrit final et supervisé la recherche. DT a conçu et conçu le système radar, développé la configuration de mesure, surveillé les mesures, contribué à l'algorithme d'atténuation des mouvements corporels aléatoires, fourni des commentaires techniques et édité le manuscrit final. Les États-Unis ont contribué à l'algorithme d'atténuation des mouvements corporels aléatoires, fourni des commentaires techniques et édité le manuscrit final. RS a conçu l'étude et rédigé l'article. FH a conçu l'étude, effectué les mesures et l'évaluation des données initiales et cliniques. MZ a conçu l'étude et supervisé la recherche. UL et LS ont expliqué l'étude aux parents, ont obtenu leur consentement écrit pour participer et ont également supervisé les essais. EK a pris en charge les tâches d'organisation et supervisé les mesures. La SGF a pris en charge les tâches organisationnelles. Tous les auteurs ont contribué en examinant le manuscrit et ont approuvé la version soumise.

Correspondance à Gabriel Beltrão ou Regine Stutz.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Beltrão, G., Stutz, R., Hornberger, F. et al. Surveillance respiratoire sans contact par radar des prématurés dans l'unité de soins intensifs néonatals. Sci Rep 12, 5150 (2022). https://doi.org/10.1038/s41598-022-08836-3

Télécharger la citation

Reçu : 08 octobre 2021

Accepté : 03 mars 2022

Publié: 25 mars 2022

DOI : https://doi.org/10.1038/s41598-022-08836-3

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Rapports scientifiques (2022)

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.