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

Résumé technique : Limites de la pile de capteurs pour la position corporelle sans contact en position allongée

Énoncé du problème
L'inférence de la position corporelle sans contact en position allongée est souvent limitée par la représentation sensorielle disponible pour le classificateur plutôt que par le choix de l'algorithme de classification lui-même. La surveillance de la position ventrale (prone) est cliniquement motivée par son association avec la mort subite inattendue de l'épilepsie (SUDEP), mais les approches sans contact existantes se heurtent à des obstacles importants. Les travaux antérieurs sur la technologie FMCW radar reposent souvent sur des données RF brutes plutôt que sur des détections CFAR (Constant False Alarm Rate) effectuées sur l'appareil, et les réseaux thermiques à faible résolution peinent à distinguer les signatures « visage » versus « arrière de la tête ». Cette étude examine les limites de performance d'une pile de capteurs spécifique, disponible dans le commerce : un radar FMCW 60 GHz installé au chevet du lit, fournissant une sortie de nuage de points CFAR visible par l'hôte, fusionné avec un réseau thermique à faible résolution (nominalement 24 × 32). La question centrale est de savoir si cette configuration matérielle spécifique, sous un protocole de validation croisée de type « leave-one-subject-out » (LOSO) avec zéro donnée étiquetée pour le sujet testé, peut distinguer de manière fiable les postures en position allongée, en particulier la position ventrale.

Méthodologie
L'étude a utilisé une cohorte de 20 sujets (âges de 5 à 68 ans, incluant 13 mineurs) répartis dans 8 résidences, représentant un échantillon de convenance plutôt qu'un essai clinique à l'échelle de la population. La collecte de données a impliqué 273 maintien de postures supervisées en lit, totalisant environ 149 minutes, ainsi qu'une chronologie distincte d'audit de présence au lit de plus de 35 000 secondes.

• Matériel :
  • Radar : Texas Instruments IWR6843AOP (60 GHz FMCW) monté à la tête du lit. Il fonctionne à environ 10 Hz avec une détection CFAR embarquée (Range : CFAR-CASO ; Doppler : CFAR-CA), produisant des nuages de points épars (distance, vitesse, SNR, azimut, élévation) plutôt que des données RF brutes ou des données FFT de distance.
  • Thermique : Réseau thermique Melexis MLX90640-D110 (nominalement 24 × 32). En raison de sous-pages non fusionnées dans les données mises en cache, la résolution effective était de 24 × 16 pixels.
  • Référence : Les étiquettes de vérité terrain ont été dérivées de marqueurs opérateurs (pour supine/prone) et d'un IMU fixé sur la poitrine (pour la distinction latéral gauche/droite).
• Protocole et validation :
  • Tâches : Présence au lit binaire (dans le lit vs hors du lit) et classification de posture à quatre classes (supine, latérale gauche, latérale droite, prone).
  • Validation : Validation croisée de type Leave-One-Subject-Out (LOSO). Pour chaque itération, le modèle est entraîné sur 19 sujets et testé sur le sujet exclu.
  • Caractéristiques (Features) : Les caractéristiques radar incluaient les comptes de points, les statistiques de distance/vitesse/SNR, et les centroïdes spatiaux. Les caractéristiques thermiques incluaient la géométrie des zones chaudes et les centroïdes latéraux. Les caractéristiques cross-modales normalisaient les centroïdes thermiques par rapport aux centroïdes radar.
  • Classificateurs : L'analyse primaire a utilisé une régression logistique avec régularisation L2. Des expériences supplémentaires ont inclus des arbres de décision boostés (Gradient Boosted Trees), des forêts aléatoires (Random Forests) et un ensemble empilé (stacked ensemble) de ces modèles.

Contributions clés

1. Caractérisation de la pile de capteurs : Une évaluation rigoureuse LOSO d'une pile spécifique radar + thermique sur une cohorte de 20 sujets, distinguant la « présence au lit » (un résultat fort) de la « classification de la posture » (un résultat limité).
2. Analyse d'erreur par modalité : Identification du fait que la détection thermique est critique pour résoudre la distinction latéral gauche vs droit (réduisant les taux d'inversion de ~35–42 % avec le radar seul à ~8 %), tandis que la représentation CFAR du radar ne parvient pas à exposer de manière fiable le signal de respiration attendu entre supine et prone sur une base par maintien (hold).
3. Identification des limitations matérielles : L'article démontre que le « fossé de la position ventrale » (prone gap) est un problème de représentation de données du système de capteurs, et non un problème de réglage du classificateur. La sortie en nuage de points CFAR du radar occulte le signal d'amplitude de respiration nécessaire pour distinguer la position ventrale de la position dorsale (supine), ce qui n'est visible que de manière agrégée dans les distributions de classes (Cohen's d = 0,61) mais pas dans 8,4 % des cas individuels.

Résultats

• Présence au lit : Le modèle fusionné radar + thermique a atteint une précision équilibrée médiane LOSO de 0,871 (IQR 0,760–0,922). Le rappel de présence réelle était de 95,2 %, et les taux de fausse sortie étaient de 4,8 %.
• Posture à quatre classes : Le pipeline le plus performant (un ensemble empilé de toutes les caractéristiques) a obtenu une précision équilibrée globale de 0,674.
  • Rappel par classe : Supine (0,80), Latérale gauche (0,69), Latérale droite (0,70), Prone (0,50).
  • Ablation des modalités : Le mode thermique seul a atteint une précision de 0,591, tandis que le mode radar seul a atteint 0,440. La fusion directe a offert un gain marginal (+0,011), tandis que l'ensemble empilé a fourni un gain plus important (+0,083) attribué à l'élargissement du pool de caractéristiques plutôt qu'à une interaction synergique.
• Le fossé de la position ventrale (Prone Gap) : Le rappel pour la position prone est resté à 0,50 dans toutes les configurations, y compris l'ensemble empilé. La précision de la position prone était de 0,41, ce qui signifie que 59 % des alertes de position ventrale étaient des faux positifs. Le signal de respiration radar, censé différencier la position supine de la position prone, était peu fiable par maintien (seulement 8,4 % des cas présentaient un pic de respiration net dans le flux CFAR).
• Biais de taille corporelle : Une corrélation positive (r = +0,41) a été observée entre la taille du sujet et la précision équilibrée, le modèle étant moins performant sur les sujets les plus petits (pédiatriques), bien que cela n'ait pas atteint la signification statistique (p = 0,075) pour n=20.

Signification et affirmations
L'article se présente explicitement comme une caractérisation de la pile de capteurs plutôt que comme une solution optimale ou prête pour le déploiement.

• Non déployable pour la détection de la position ventrale : Les auteurs déclarent clairement que les résultats actuels ne permettent pas une « détection de la position ventale déployable ». Le rappel de 0,50 pour la position prone correspond au taux de chance pour une décision binaire, et le taux élevé de faux positifs la rend incompatible avec des systèmes d'alarme cliniques.
• Limite de l'équipement actuel : L'étude conclut que le goulot d'étranglement est la représentation CFAR. Le traitement CFAR sur l'appareil élimine les données brutes de la FFT de distance nécessaires pour extraire de manière fiable l'amplitude de la respiration de la poitrine, indispensable pour distinguer la position supine de la position prone sur une base par maintien.
• Prochaines étapes : L'article ne prétend pas que le réglage du classificateur résoudra le problème. Il identifie plutôt l'accès à la FFT de distance brute (via un changement matériel/logiciel pour exposer les indices de respiration par bin) comme la prochaine expérience nécessaire.
• Limites du champ d'application : Les auteurs soulignent que ces chiffres de caractérisation concernent une cohorte de convenance sous protocoles dirigés par un opérateur, et non des données de sommeil naturel nocturne. Auc\un claim n'est fait concernant la détection de crises, la performance nocturne ou la généralisabilité au-delà de cette pile de capteurs spécifique.

En résumé, l'article démontre que si la fusion radar et thermique sans contact peut détecter de manière robuste si une personne est dans son lit, la génération actuelle de données radar CFK visibles par l'hôte, combinée à des réseaux thermiques à faible résolution, ne peut pas distinguer de manière fiable la position ventrale (prone) de la position dorsale (supine) sans l'accès aux données brutes de la FFT de distance RF.