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

Resumo Técnico: Limites da Pilha de Sensores na Posição Corporal Sem Contato na Cama

Definição do Problema
A inferência da posição corporal sem contato na cama é frequentemente limitada pela representação de sensores disponível para o classificador, em vez da escolha do algoritmo de classificação em si. O monitoramento da posição de decúbito ventral (prono) é clinicamente motivado por sua associação com a Morte Súbita Inesperada na Epilepsia (SUDEP), mas as abordagens sem contato existentes enfrentam obstáculos significativos. Trabalhos anteriores de radar FMCW tendem a depender de dados de RF brutos em vez de detecções de Taxa de Falso Alarme Constante (CFAR) no dispositivo, e matrizes térmicas de baixa resolução têm dificuldade em resolver assinaturas de face versus parte posterior da cabeça. Este artigo investiga os limites de desempenho de uma pilha de sensores específica, comercialmente disponível: um radar FMCW de 60 GHz instalado à beira da cama com saída de nuvem de pontos CFAR visível pelo host, fundido com uma matriz térmica de baixa resolução (nominalmente 24 × 32). A questão central é se esta configuração específica de hardware, sob um protocolo de exclusão de um sujeito (leave-one-subject-out - LOSO) com zero dados rotulados do sujeito de teste, pode distinguir posturas na cama de forma confiável, particularmente a posição de decúbito ventral.

Metodologia
O estudo utilizou uma coorte de 20 sujeitos (idades entre 5 e 68 anos, incluindo 13 menores) em 8 residências, representando uma amostra de conveniência em vez de um ensaio clínico de nível populacional. A coleta de dados envolveu 273 períodos de manutenção de postura supervisionados na cama, totalizando aproximadamente 149 minutos, juntamente com uma linha do tempo de auditoria de presença na cama de mais de 35.000 segundos.

• Hardware:
  • Radar: Texas Instruments IWR6843AOP (60 GHz FMCW) montado na cabeceira da cama. Opera a aproximadamente 10 Hz com detecção CFAR no dispositivo (Intervalo: CFAR-CASO; Doppler: CFAR-CA), fornecendo nuvens de pontos esparsas (alcance, velocidade, SNR, azimute, elevação) em vez de dados brutos de RF ou de FFT de alcance.
  • Térmico: Matriz térmica Melexis MLX90640-D110 (nominalmente 24 × 32). Devido a subpáginas não fundidas nos dados em cache, a resolução efetiva foi de 24 × 16 pixels.
  • Referência: Os rótulos de verdade fundamental (ground truth) foram derivados de etiquetas de operador (para supino/prono) e de um IMU montado no peito (para distinção lateral esquerda/direita).
• Protocolo e Validação:
  • Tarefas: Presença binária na cama (na cama vs. fora da cama) e classificação de postura de quatro classes (supino, lateral esquerdo, lateral direito, prono).
  • Validação: Validação cruzada de exclusão de um sujeito (LOSO). Para cada dobra (fold), o modelo foi treinado em 19 sujeitos e testado no sujeito retido.
  • Características (Features): As características do radar incluíram contagens de pontos, estatísticas de alcance/velocidade/SNR e centroides espaciais. As características térmicas incluíram a geometria da região quente e centroides laterais. As características cross-modais normalizaram os centroides térmicos em relação aos centroides do radar.
  • Classificadores: A análise primária utilizou regressão logística com regularização L2. Experimentos adicionais incluíram Árvores de Gradiente Potencializado (Gradient Boosted Trees), Florestas Aleatórias (Random Forests) e um ensemble empilhado (stacked ensemble) desses modelos.

Principais Contribuições

1. Caracterização da Pilha de Sensores: Uma avaliação rigorosa de LOSO de uma pilha específica de radar + térmico em uma coorte de 20 sujeitos, distinguindo entre "presença na cama" (um resultado forte) e "classificação de postura" (um resultado limitado).
2. Análise de Erro por Modalidade: Identificação de que a detecção térmica é crítica para resolver a discriminação lateral esquerda-vs-direita (reduzindo as taxas de troca de ~35–42% no radar isolado para ~8%), enquanto a representação CFAR do radar falha em expor de forma confiável a pista de respiração supino-vs-prono esperada por período de manutenção (hold).
3. Identificação de Limitação de Hardware: O artigo demonstra que o "gap do prono" é um problema de representação de dados do sistema de sensores, não um problema de ajuste de classificador. A saída de nuvem de pontos CFAR do radar obscurece o sinal de amplitude de respiração necessário para distinguir prono de supino, o qual é visível apenas em distribuições de classe agregadas (Cohen's d = 0.61), mas não em 8,4% das manutenções individuais.

Resultos

• Presença na Cama: O modelo fundido de radar + térmico alcançou uma acurácia balanceada mediana de LOSO de 0,871 (IQR 0,760–0,922). O recall de presença real foi de 95,2% e as taxas de falso abandono foram de 4,8%.
• Postura de Quatro Classes: O melhor pipeline de desempenho (um ensemble empilhado de recursos completos) alcançou uma acurácia balanceada agregada de 0,674.
  • Recall por Classe: Supino (0,80), Lateral Esquerdo (0,69), Lateral Direito (0,70), Prono (0,50).
  • Ablação de Modalidade: O modelo apenas térmico alcançou 0,591 de acurácia, enquanto o apenas radar alcançou 0,440. A fusão direta ofereceu um ganho marginal (+0,011), enquanto o ensemble empilhado proporcionou um ganho maior (+0,083), atribuído ao pool de recursos mais amplo em vez de interação sinérgica.
• O Gap do Prono: O recall do prono permaneceu em 0,50 em todas as configurações, incluindo o ensemble empilhado. A precisão do prono foi de 0,41, o que significa que 59% dos alarmes de prono foram falsos positivos. A pista de respiração do radar, esperada para diferenciar supino de prono, foi pouco confiável por período de manutenção (apenas 8,4% das manutenções mostraram um pico de respiração limpo no fluxo CFAR).
• Viés de Tamanho Corporal: Uma correlação positiva (r = +0,41) foi observada entre a altura do sujeito e a acurácia balanceada, com o modelo apresentando desempenho inferior nos sujeitos menores (pediátricos), embora isso não tenha atingido significância estatística (p = 0,075) para n=20.

Significância e Alegações
O artigo enquadra-se explicitamente como uma caracterização de pilha de sensores em vez de uma "solução ideal" ou pronta para implantação.

• Não Implantável para Detecção de Prono: Os autores afirmam claramente que os resultados atuais são de "detecção de prono não implantável". O recall de prono de 0,50 está na taxa de chance para uma decisão binária, e a alta taxa de falsos positivos torna-o inadequado para sistemas de alarme clínicos.
• Limite do Hardware Atual: O estudo conclui que o gargalo é a representação CFAR. O processamento CFAR no dispositivo descarta os dados brutos de FFT de alcance necessários para extrair confiavelmente a amplitude de respiração do movimento do peito necessária para distinguir prono de supino em cada período de manutenção.
• Próximos Passos: O artigo não afirma que o ajuste do classificador resolverá o problema. Em vez disso, identifica o acesso ao FFT de alcance bruto (via mudança de hardware/firmware para expor pistas de respiração por bin) como o experimento necessário subsequente.
• Limites de Escopo: Os autores enfatizam que estas são figuras de caracterização em uma coorte de conveniência sob protocolos direcionados por operadores, não dados naturais de sono noturno. Nenhuma alegação é feita sobre detecção de convulsões, desempenho noturno ou generalização além desta pilha de hardware testada.

Em resumo, o artigo demonstra que, embora a fusão de radar e térmico sem contato possa detectar robustamente se alguém está na cama, a geração atual de dados de radar CFF visíveis pelo host combinada com matrizes térmicas de baixa resolução não pode distinguir confiavelmente as posições de prono de supino sem o acesso aos dados brutos de FFT de alcance do RF.