Resumen Técnico: ActiveVital

Declaración del Problema

Los robots domésticos requieren un monitoreo de signos vitales confiable y sin contacto para garantizar la seguridad del usuario y permitir una interacción consciente de la salud. Si bien el radar de onda milimétrica (mmWave) es una solución prometedora debido a su sensibilidad a los movimientos torácicos submilimétricos, su efectividad está fundamentalmente limitada por la geometría de observación. El radar mmWave solo mide la componente radial del movimiento a lo largo de la línea de visión. En entornos domésticos no restringidos, las orientaciones arbitrarias entre el robot y el humano suelen resultar en una desalineación angular, lo que atenúa la señal medible, particularmente para los componentes del latido cardíaco que poseen amplitudes extremadamente pequeñas.

Los enfoques existentes sufren dos limitaciones principales:

1. Detección Estática: Depende de que los usuarios mantengan manualmente la alineación con un sensor fijo, lo cual es poco práctico para un monitoreo a largo plazo y no intrusivo.
2. Detección Corporeizada por Proximidad: Los robots móviles reducen la distancia al sujeto para mejorar la intensidad de la señal, pero no logran regular la alineación anatómica (ángulo de observación). En consecuencia, estos métodos carecen de un mecanismo de bucle cerrado para optimizar la observabilidad de los signos vitales, lo que conduce a una estimación inestable del latido cardíaco cuando el robot y el humano no están perfectamente alineados.

Metodología: ActiveVital

Los autores proponen ActiveVital, un marco de detección corporeizada guiado por visión que trata la geometría de detección como una variable de control explícita. El sistema reformula el monitoreo de los signos vitales de una recuperación pasiva de la señal a una regulación geométrica activa. El proceso consta de tres etapas:

1. Localización del Pecho Guiada por Visión

Para establecer una referencia geométrica sin la cooperación del usuario, el sistema emplea ViTPose para detectar puntos clave del esqueleto humano (hombros y caderas).

• Construcción de la Referencia del Pecho: Se interpola un punto de anclaje del pecho ($P_{ref}$) a lo largo del eje del torso entre los puntos medios de los hombros y las caderas.
• Sesgo Anatómico: La coordenada vertical se sesga hacia la parte superior del pecho ($\alpha = 0.75$), y se aplica un desplazamiento horizontal ($\beta = 0.1$) para desplazar la referencia hacia la región adyacente al corazón, compensando la asimetría anatómica lateral.

2. Regulación de Pose en Bucle Cerrado

El robot ajusta activamente la pose de su sensor para alinear la línea de visión del radar con la referencia del pecho.

• Control Basado en el Error: Las desviaciones de píxeles entre el eje óptico del radar y la referencia del pecho se convierten en comandos de movimiento.
• Mapeo Espacial: Utilizando información de profundidad y las intrínsecas de la cámara, los errores de píxeles se mapean a desplazamientos métricos ($\Delta L, \Delta H, \Delta D$).
• Ejecución: El brazo robótico dirige el radar hacia una incidencia casi normal respecto a la superficie torácica. Una vez alineado, el robot mantiene una pose fija durante una ventana corta para adquirir datos, asegurando la máxima observabilidad radial ($\theta \to 0$).

3. Procesamiento de Fase con Restricción Geométrica

Para asegurar una extracción de señal estable bajo variaciones de pose residuales, el sistema emplea un módulo de mejora de fase diferencial:

• Desenrollado y Diferenciación de Fase: Las secuencias de fase crudas son desenrolladas y sometidas a una diferenciación temporal de primer orden para suprimir la deriva de baja frecuencia y mejorar el micromovimiento periódico.
• Supresión de Valores Atípicos Robusta: Se aplica un filtro Hampel para mitigar el ruido impulsivo mediante la sustitución de valores atípicos por medianas locales.
• Desacoplo Espectral: La secuencia de fase refinada se somete a una FFT, seguida de un suavizado Gaussiano y un filtrado de paso de banda FIR para separar los componentes de respiración y latido cardíaco. La frecuencia cardíaca se estima mediante un promedio ponderado por energía dentro de la banda cardíaca.

Contribuciones Clave

1. Detección Corporeizada Regulada por la Geometría: El artículo introduce un paradigma donde la geometría de observación del radar se regula activamente mediante la alineación de pose basada en retroalimentación, permitiendo una detección confiable bajo configuraciones no restringidas entre robot y humano.
2. Regulación de Pose Guiada por Visión con Extracción de Señal Robusta: Un flujo de trabajo que dirige el radar montado en el robot hacia una observación casi axial, integrando un módulo de mejora basado en fase para estabilizar la extracción bajo variaciones de pose.
3. Validación de Paradigma Cruzado: El sistema se evalúa contra tres modos de detección (Estática, Corporeizada por Proximidad y Consciente de la Geometría) y tres algoritmos de procesamiento de señal base, demostrando mejoras consistentes en la precisión.

Resultados Experimentales

El sistema se implementó en un robot móvil Galaxea R1 Lite equipado con un radar FMCW de 60 GHz y una cámara RGB-D. Los experimentos se realizaron en un entorno interior controlado con participantes sentados.

Métricas de Desempeño (Error Absoluto Medio - MAE):

• Intervalo Respiratorio (BI): ActiveVital redujo el error de 0.87 s (Corporeizado por Proximidad) a 0.14 s, logrando una precisión comparable a la Detección Estática (0.15 s).
• Frecuencia Cardíaca (HR): ActiveVital redujo el error de 13.59 bpm (Corporeizado por Proximidad) a 2.22 bpm. Aunque la Detección Estática logró el error más bajo (1.66 bpm), esta requería la alineación manual del usuario. ActiveVital logró un desempeño comparable sin requerir la cooperación del sujeto.

Análisis Comparativo:

• Vs. Detección por Proximidad: ActiveVital superó significativamente a los enfoques basados en proximidad, los cuales sufrieron errores elevados debido a que la desalineación atenuaba la señal cardíaca.
• Vs. Detección Estática: ActiveVital logró una precisión similar a la detección estática, pero con la ventaja crítica de la autonomía, eliminando la necesidad de que los usuarios mantengan posturas específicas.
• Robustez del Algoritmo: Al ser probado contra algoritmos base (DE de segundo orden, Filtro de Paso de Banda, Modelo de Dispersión), el enfoque de ActiveVital, consciente de la geometría, mantuvo una estabilidad superior a medida que las condiciones geométricas se deterioraban, mostrando la menor degradación de desempeño en la estimación de la Frecuencia Cardíaca.

Significado y Reivindicaciones

El artículo sostiene que la pose de detección es una variable controlable para un monitoreo fisiológico sin contacto y robusto. Al regular activamente la pose del robot para lograr una alineación casi axial con la superficie torácica, ActiveVital maximiza la proyección radial del micromovimiento cardiopulmonar.

Los autores afirman que este enfoque:

• Permite el monitoreo sin contacto en entornos domésticos reales sin necesidad de dispositivos vestibles o infraestructura preinstalada.
• Proporciona una estimación de signos vitales autónoma que es robusta a las variaciones de postura del usuario, a diferencia de los sistemas estáticos que dependen de la cooperación del usuario.
• Demuestra que la detección corporeizada consciente de la geometría es esencial para capturar señales cardíacas débiles, ofreciendo una solución donde la detección móvil tradicional por proximidad falla.

El trabajo posiciona a ActiveVital como una función oportunista para robots domésticos multipropósito, cerrando la brecha entre la ejecución de tareas y el monitoreo continuo de la salud.