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

Sintesi Tecnica: Limiti dello Stack di Sensori sulla Posizione Corporea Senza Contatto a Letto

Definizione del Problema
L'inferenza della posizione corporea senza contatto a letto è spesso limitata dalla rappresentazione del sensore disponibile per il classificatore piuttosto che dalla scelta dell'algoritmo di classificazione stesso. Il monitoraggio della posizione prona è clinicamente motivato dalla sua associazione con la Morte Improvvisa Inaspettata in Epilessia (SUDEP), ma gli approcci contactless esistenti affrontano ostacoli significativi. Molti lavori precedenti su radar FMCW si basano sui dati RF grezzi piuttosto che sulle rilevazioni CFAR (Constant False Alarm Rate) integrate nel dispositivo, e le matrici termiche a bassa risoluzione faticano a distinguere le firme tra viso e parte posteriore della testa. Questo articolo investiga i limiti prestazionali di uno specifico stack di sensori, disponibile commercialmente: un radar FMCW a 60 GHz posizionato a lato del letto con output di nuvola di punti CFAR visibile all'host, fuso con una matrice termica a bassa risoluzione (nominalmente 24 × 32). La domanda centrale è se questa specifica configurazione hardware, sotto un protocollo leave-one-subject-out (LOSO) con zero dati etichettati per il soggetto di test, possa distinguere in modo affidabile le posture a letto, in particolare la posizione prona.

Metodologia
Lo studio ha utilizzato una coorte di 20 soggetti (età 5–68 anni, inclusi 13 minori) in 8 residenze, rappresentando un campione di convenienza piuttosto che una sperimentazione clinica a livello di popolazione. La raccolta dei dati ha coinvolto 273 hold di postura controllata a letto, per un totale di circa 149 minuti, insieme a una linea temporale separata di audit della presenza a letto di oltre 35.000 secondi.

• Hardware:
  • Radar: Texas Instruments IWR6843AOP (60 GHz FMCW) montato alla testata del letto. Opera a circa 10 Hz con rilevamento CFAR integrato (Range: CFAR-CASO; Doppler: CFAR-CA), fornendo nuvole di punti sparse (range, velocità, SNR, azimut, elevazione) invece di dati RF grezzi o dati range-FFT.
  • Termico: Matrice termica Melexis MLX90640-D110 (nominalmente 24 × 32). A causa di subpage non unite nei dati memorizzati nella cache, la risoluzione effettiva era di 24 × 16 pixel.
  • Riferimento: Le etichette della verità fondamentale (ground truth) sono state derivate da tag dell'operatore (per supino/prono) e da un IMU montato sul torace (per la distinzione laterale sinistra/destra).
• Protocollo e Validazione:
  • Task: Classificazione binaria della presenza a letto (in letto vs fuori dal letto) e classificazione della postura a quattro classi (supino, laterale sinistro, laterale destro, prono).
  • Validazione: Cross-validazione Leave-One-Subject-Out (LOSO). Per ogni fold, il modello è stato addestrato su 19 soggetti e testato sul soggetto escluso.
  • Feature: Le feature del radar includevano conteggio dei punti, statistiche di range/velocità/SNR e centroidi spaziali. Le feature termiche includevano la geometria delle regioni calde e i centroidi laterali. Le feature cross-modali hanno normalizzato i centroidi termici rispetto ai centroidi radar.
  • Classificatori: L'analisi primaria ha utilizzato la regressione logistica con regolarizzazione L2. Sono stati eseguiti ulteriori esperimenti con Gradient Boosted Trees, Random Forests e un ensemble impilato (stacked ensemble) di questi modelli.

Contributi Chiave

1. Caratterizzazione dello Stack di Sensori: Una rigorosa valutazione LOSO di uno specifico stack radar + termico su una coorte di 20 soggetti, distinguendo tra "presenza a letto" (un risultato forte) e "classificazione della postura" (un risultato limitato).
2. Analisi dell'Errore a Livello di Modalità: Identificazione del fatto che la sensoristica termica è critica per risolvere la discriminazione tra lato sinistro e destro (riducendo i tassi di inversione da circa il 35–42% del solo radar a circa l'8%), mentre la rappresentazione CFAR del radar non riesce a esporre in modo affidabile il segnale di respirazione atteso tra supino e prono su base per singolo hold.
3. Identificazione del Limite dell'Hardware: L'articolo dimostra che il "gap del prono" è un problema di rappresentazione dei dati del sistema-sensore, non un problema di tuning del classificatore. L'output della nuvola di punti CFAR del radar oscura il segnale di ampiezza del respiro necessario per distinguere il prono dal supino, il quale è visibile solo nelle distribuzioni di classe aggregate (Cohen's d = 0.61) ma non nell'8,4% degli hold individuali.

Risultati

• Presenza a Letto: Il modello fuso radar + termico ha raggiunto una precisione bilanciata mediana LOSO di 0,871 (IQR 0,760–0,922). Il richiamo (recall) per la presenza è stato del 95,2%, e i tassi di falsa uscita sono stati del 4,8%.
• Postura a Quattro Classi: La migliore pipeline (un ensemble impilato a pieno set di feature) ha raggiunto un'accuratezza bilanciata aggregata di 0,674.
  • Recall per classe: Supino (0,80), Laterale Sinistro (0,69), Laterale Destro (0,70), Prono (0,50).
  • Ablazione della Modalità: Il solo termico ha ottenuto un'accuratezza di 0,591, mentre il solo radar ha ottenuto 0,440. La fusione diretta ha offerito un miglioramento marginale (+0,011), mentre l'ensemble impilato ha fornito un miglioramento maggiore (+0,083) attribuito al pool di feature più ampio piuttosto che a un'interazione sinergica.
• Il Gap del Prono: Il richiamo per la posizione prona è rimasto al 0,50 in tutte le configurazioni, incluso l'ensemble impilato. La precisione del prono era dello 0,41, il che significa che il 59% degli allarmi di posizione prona erano falsi positivi. Il segnale di respirazione del radar, atteso per differenziare il supino dal prono, è stato inaffidabile per singolo hold (solo l'8,4% degli hold mostrava un picco di respirazione pulito nel flusso CFAR).
• Bias della Dimensione Corporea: È stata osservata una correlazione positiva (r = +0,41) tra l'altezza del soggetto e l'accuratezza bilanciata, con il modello che performa peggio sui soggetti più piccoli (pediatrici), sebbene ciò non abbia raggiunto la significatività statistica (p = 0,075) con n=20.

Significatività e Rivendicazioni
L'articolo inquadra esplicitamente se stesso come una caratterizzazione dello stack di sensori piuttosto che come una "soluzione ottimale" o una soluzione pronta per la distribuzione.

• Non Distribuibile per il Rilevamento del Prono: Gli autori dichiarano chiaramente che gli attuali risultati "non sono adatti per un rilevamento del prono distribuibile". Il richiamo del prono di 0,50 è al tasso del caso per una decisione binaria, e l'alto tasso di falsi positivi lo rende inadatto per sistemi di allarme clinici.
• Limite dell'Hardware Corrente: Lo studio conclude che il collo di bottiglia è la rappresentazione CFAR. L'elaborazione CFA integrata nel dispositivo scarta i dati grezzi della range-FFT necessari per estrarre in modo affidabile l'ampiezza del respiro del torace necessaria a distinguere il supino dal prono su base per singolo hold.
• Prossimi Passi: L'articolo non sostiene che il tuning del classificatore risolverà il problema. Inveve, identifica l'accesso alla range-FFT grezza (tramite un cambiamento hardware/firmware per esporre i segnali di respirazione per bin) come il necessario prossimo esperimento.
• Confini dell'Ambito: Gli autori sottolineano che queste sono figure di caratterizzazione su una coorte di convenienza sotto protocolli diretti dall'operatore, non dati di sonno naturale notturno. Non vengono fatte affermazioni riguardanti il rilevamento di convulsioni, le prestazioni notturne o la generalizzabilità oltre lo specifico stack di hardware testato.

In sintesi, l'articolo dimostra che, sebbene la fusione di radar e termico senza contatto possa rilevare robustamente se qualcuno è a letto, l'attuale generazione di dati radar CFAR visibili all'host, combinata con matrici termiche a bassa risoluzione, non può distinguere in modo affidabile la posizione prona da quella supina senza l'accesso ai dati grezzi della range-FFT del segnale RF.