Sensor-Stack Limits on Contactless In-Bed Body Position: A 20-Subject Multimodal Radar + Thermal LOSO Characterization

Resumen Técnico: Límites del Stack de Sensores en la Posición Corporal In-Bed Sin Contacto

Planteamiento del Problema
La inferencia de la posición corporal sin contacto en la cama se ve frecuentemente limitada por la representación de sensores disponible para el clasificador, más que por la elección del algoritmo de clasificación en sí. El monitoreo de la posición prona (boca abajo) está motivado clínicamente por su asociación con la Muerte Súbita e Inesperada en la Epilepsia (SUDEP); sin embargo, los enfoques sin contacto existentes enfrentan obstáculos significativos. Gran parte del trabajo previo con radar FMCW depende de datos de RF crudos en lugar de detecciones CFAR (Tasa de Falsa Alarma Constante) integradas en el dispositivo, y las matrices térmicas de baja resolución tienen dificultades para resolver las firmas de cara frente a la parte posterior de la cabeza. Este artículo investiga los límites de rendimiento de un stack de sensores específico y comercialmente disponible: un radar FMCW de 60 GHz colocado junto a la cama con salida de nube de puntos CFAR visible para el host, fusionado con una matriz térmica de baja resolución (nominalmente 24 × 32). La pregunta central es si esta configuración de hardware específica, bajo un protocolo de dejar a un sujeto fuera (LOSO - leave-one-subject-out) con cero datos etiquetados del sujeto de prueba, puede distinguir de manera confiable las posturas en la cama, particularmente la posición prona.

Metodología
El estudio utilizó una cohorte de 20 sujetos (edades entre 5 y 68 años, incluyendo 13 menores) en 8 residencias, representando una muestra de conveniencia en lugar de un ensayo clínico de nivel poblacional. La recolección de datos involucró 273 periodos de mantenimiento de postura supervisados en cama, sumando aproximadamente 149 minutos, junto con una línea de tiempo de auditoría de presencia en cama de más de 35,000 segundos.

• Hardware:
  • Radar: Texas Instruments IWR6843AOP (60 GHz FMCW) montado en la cabecera de la cama. Opera a ~10 Hz con detección CFAR en el dispositivo (Rango: CFAR-CASO; Doppler: CFAR-CA), emitiendo nubes de puntos dispersas (rango, velocidad, SNR, azimut, elevación) en lugar de datos de RF crudos o de FFT de rango.
  • Térmico: Matriz térmica Melexis MLX90640-D110 (nominalmente 24 × 32). Debido a subpáginas no fusionadas en los datos almacenados en caché, la resolución efectiva fue de 24 × 16 píxeles.
  • Referencia: Las etiquetas de verdad de campo (ground truth) se derivaron de etiquetas de operador (para supino/prono) y un IMU montado en el pecho (para la distinción lateral izquierda/derecha).
• Protocolo y Validación:
  • Tareas: Presencia en cama binaria (en cama vs. fuera de la cama) y clasificación de postura de cuatro clases (supino, lateral izquierdo, lateral derecho, prono).
  • Validación: Validación cruzada de dejar a un sujeto fuera (LOSO). Para cada iteración, el modelo se entrenó con 19 sujetos y se probó con el sujeto excluido.
  • Características (Features): Las características del radar incluyeron conteos de puntos, estadísticas de rango/velocidad/SNR y centroides espaciales. Las características térmicas incluyeron la geometría de la región caliente y centroides laterales. Las características cross-modales normalizaron los centroides térmicos contra los centroides del radar.
  • Clasificadores: El análisis primario utilizó regresión logística con regularización L2. Se incluyeron experimentos adicionales con Árboles de Clasificación Potenciados (Gradient Boosted Trees), Bosques Aleatorios (Random Forests) y un ensamble apilado (stacked ensemble) de estos modelos.

Contribuciones Clave

1. Caracterización del Stack de Sensores: Una evaluación rigurosa de LOSO de un stack específico de radar + térmico sobre una cohorte de 20 sujetos, distinguiendo entre "presencia en cama" (un resultado fuerte) y "clasificación de postura" (un resultado limitado).
2. Análisis de Error por Modalidad: Identificación de que la detección térmica es crítica para resolver la discriminación lateral izquierda-derecha (reduciendo las tasas de error de intercambio de ~35–42% en radar solo a ~8%), mientras que la representación de puntos CFAR del radar no logra exponer de manera confiable la señal de respiración supino-prono esperada por cada periodo de mantenimiento (hold).
3. Identificación de Limitaciones de Hardware: El artículo demuestra que la "brecha de la posición prona" es un problema de representación de datos del sistema de sensores, no un problema de ajuste del clasificador. La salida de nube de puntos CFAR del radar oscurece la amplitud de la respiración necesaria para distinguir entre prono y supino, lo cual solo es visible en las distribuciones de clase agregadas (Cohen's d = 0.61) pero no en el 8.4% de los periodos individuales.

Result Resultados

• Presencia en Cama: El modelo fusionado de radar + térmico logró una precisión balanceada mediana de LOSO de 0.871 (IQR 0.760–0.922). La recuperación de "presencia real" (true-in recall) fue del 95.2%, y las tasas de falsas salidas fueron del 4.8%.
• Postura de Cuatro Clases: El mejor pipeline (un ensamble apilado de características completas) logró una precisión balanceada agregada de 0.674.
  • Recuperación por clase (Recall): Supino (0.80), Lateral izquierdo (0.69), Lateral derecho (0.70), Prono (0.50).
  • Ablación de Modalidad: El modelo solo térmico logró una precisión de 0.591, mientras que el de solo radar alcanzó 0.440. La fusión directa ofreció una mejora marginal (+0.011), mientras que el ensamble apilado proporcionó una mejora mayor (+0.083) atribuida al conjunto más amplio de características más que a una interacción sinérgica.
• La Brecha de la Posición Prona: La recuperación de la posición prona se mantuvo en 0.50 en todas las configuraciones, incluyendo el ensamble apilado. La precisión de la posición prona fue de 0.41, lo que significa que el 59% de las alarmas de posición prona fueron falsos positivos. La señal de respiración del radar, que se esperaba diferenciara la posición supina de la prona, fue poco confiable por cada periodo (solo el 8.4% de los periodos mostraron un pico de respiración limpio en el flujo CFAR).
• Sesgo por Tamaño Corporal: Se observó una correlación positiva (r = +0.41) entre la altura del sujeto y la precisión balanceada, siendo el modelo menos efectivo con los sujetos más pequeños (pediátricos), aunque esto no alcanzó significancia estadística (p = 0.075) con n=20.

Significancia y Reivindicaciones
El artículo se enmarca explícitamente como una caracterización de stack de sensores en lugar de una "solución óptima" o una solución lista para despliegue.

• No es apto para detección de posición prona: Los autores declaran claramente que los resultados actuales "no son una detección de posición prona desplegable". La recuperación de la posición prona de 0.50 está al nivel del azar para una decisión binaria, y la alta tasa de falsos positivos la hace inadecuada para sistemas de alarma clínica.
• Límite del Hardware Actual: El estudio concluye que el cuello de botella es la representación CFAR. El procesamiento de detección CFF en el dispositivo descarta los datos de FFT de rango crudos necesarios para extraer de manera confiable la amplitud de la respiración del pecho requerida para distinguir entre supino y prono en cada periodo individual.
• Próximos Pasos: El artículo no afirma que el ajuste del clasificador resolverá el problema. En su lugar, identifica el acceso a la FFT de rango cruda (mediante un cambio de hardware/firmware para exponer las señales de respiración por bin) como el experimento necesario a continuación.
• Límites del Alcance: Los autores enfatizan que estas son cifras de caracterización sobre una cohorte de conveniencia bajo protocolos dirigidos por operadores, no datos de sueño natural nocturno. No se hacen afirmaciones sobre la detección de convulsiones, el rendimiento nocturno o la generalizabilidad más allá del stack de hardware probado.

En resumen, el artículo demuestra que, si bien la fusión de radar sin contacto y térmica puede detectar robustamente si alguien está en la cama, la generación actual de datos de radar CFAR visibles para el host, combinada con matrices térmicas de baja resolución, no puede distinguir de manera confiable las posiciones prona de supina sin acceso a los datos de la FFT de rango de RF crudos.