생체 신호 레이더 시스템을 사용한 수면 분류 알고리즘 적용

참고 논문 : R.de Goederen et al$2021$, "Radar-based sleep stage classification in children undergoing polysomnography: a pilot-study", Sleep Medicine 82

 

XeThru X2M200 & X4M200 레이더 모듈

-> 사람의 resting and breathing 상태일 때의 주기적인 움직임을 관찰함

이 모듈은 local oscillator에서 생성된 일정한 펄스가 안테나를 통해 전송되는 pulse-Doppler processing을 사용함

 

해당 펄스는 반사판을 만날 때까지 공간을 통해 전파되는데,

전송된 에너지 중 일부는 움직임으로 인한 위상 변조와 함께 수신기로 다시 반사된다. 

수신된 RF -> local oscillator에 의해 baseband signal로 down-converted.

baseband signal은 두 개의 직교 신호로 나눠짐.

20Hz in X2M200, 17Hz in X4M200

두 레이더 모두 In-Phase and Quadrature $IQ$ or Amplitude/phase $AP$ data 제공

=> 이중 Amplitude 사용함. 

 

Body motion과 respiration rate은 위의 baseband data를 processing해서 얻어짐.

Motion signal <- 진폭 baseband signal의 두 개의 후속 시간 frame 간 차이를 합쳐서 생성함.

식은 아래와 같이 표현. 

$${MVM}win = \sum_{t = t{i}-win+1 }^{ti}|[A(t) - A(t-1)]|$$  

$MVM : 특정 샘플 포인트 t에서 time window (win$안의 movement quantity 표현;

A : baseband data의 amplitude;

ti : 시간 내 시간 포인트 지정;)

 

그 다음, 'range-frequency' matrix를 만들기 위해

baseband amplitude 데이터에 대한 A Fast Fourier Transform $FFT$ 분석법을 수행한다.

정적인 object는 지워지고, 호흡의 작은 움직임은 측정된다.

range-frequency matrix의 로컬라이징 방법을 통해 BR$breathing rate in respirations / minute$이 추적된다.

 

+ Feature Extraction

38개의 동작 및 호흡 특징이 추출됨. 9개의 특징 from 동작 신호 / 29개의 특징 from BR

 

1) Respiration Feature : 6분 간격의 BR 분산과 평균 계산. 한 epoch에 걸쳐 계산됨.

시간 지연이 다른 1~10까지 scaling된 샘플 entropy, 근사 entropy, multiscale 샘플 entropy가 한 epoch에 걸쳐 계산됨.

- 이 특징들은 time-series signal의 복잡성과 유사성을 측정하기 위해 다양한 방법으로 얻음. 

- 한 epoch 내의 time domain과 frequency domain 모두에서 Teager energy의 평균값이 계산됨.

- signal의 fractal dimension을 추정하기 위해 Katz's fractal dimension 알고리즘 사용

-> 모든 feature는 각 recording에서 feature의 평균값을 빼고, 표준편차로 나누는 Z-score normalization을 거침.

$정규화 단계는 데이터의 중복을 줄이고, 무결성을 개선해 피험자 간 생리적 편차를 줄이는 것을 목표로 함$

 

2) Motion Feature : baseband 분석 결과, motion detection 알고리즘이 서로 다른 설정에서 두 가지 motion signal을 얻음.

a. 하나는 window가 1초인 신호$1초 이내의 움직임 양을 나타내는 MVM1 : 빠른 움직임 신호$

b. 다른 하나는 20초 동안의 움직임양을 나타내는 MVM20

- 이 신호들은 최대값으로 정규화되었으며, motion signal의 avg, area, variance, and entropies가 계산됨.

- 빠른 움직임 비율, 즉 MVM1이 20초 window 신호의 임계값인 10%를 초과하는 10 분 이내의 상대적 시간도 계산함. 

 

 

+ Classify

의사 결정 트리 기반의 적응형 부스팅$AdaBoost$ 알고리즘 사용. 

비교를 위해 k-nearest neighbors$KNN$ 알고리즘과 support vector machine $SVM$ 사용

 

 

*baseband 신호, 이진수 값이 0 또는 1인 디지털 신호

기저대역이란 표현을 쓰며, 원천신호 영역을 말함.