Беспроводной контроль сердечного ритма

Инженеры использовали искусственный интеллект (AI) и доступное, готовое к использованию оборудование для преобразования амплитуды сигналов Wi-Fi в оценки сердечного ритма человека.

Система, получившая название Pulse-Fi, демонстрирует удивительную точность при различных позициях тела и расстояниях, как сообщают исследователи в статье, опубликованной 5 августа в материалах 2025 IEEE International Conference on Distributed Computing in Smart Systems and the Internet of Things (DCOSS-IoT).

Результаты исследования показывают, что надежную информацию о сердечном ритме можно получать бесконтактным способом, используя существующую инфраструктуру Wi-Fi и оборудование. Авторы исследования — Пранаи Кочета, Наян Бхатия и Катья Образка — сообщили об этом в совместном письме Live Science. Образка является профессором компьютерной инженерии в Калифорнийском университете в Санта-Крузе, Бхатия — аспирантом компьютерных наук в том же университете, а Кочета — старшеклассником, который проводил исследование во время стажировки.

Многие технологии для домашнего использования, такие как мониторы сердечного ритма с грудными ремнями и умные часы, отслеживают жизненно важные показатели, включая сердечный ритм и частоту дыхания. Однако эти устройства требуют постоянного контакта с человеком и имеют высокую стоимость, что создает потребность в бесконтактных технологиях.

Одной из таких технологий является использование информации из сигналов Wi-Fi, которые представляют собой радиоволны, передающие данные между передатчиком и приемником, как, например, между маршрутизатором и компьютером.

«Информация о состоянии канала» (CSI) предоставляет амплитуду и фазу сигнала на его пути между двумя устройствами, включая моменты, когда он проходит через препятствия, такие как движущиеся тела. Изменяясь при прохождении через эти преграды, сигналы позволяют исследователям фильтровать данные CSI для извлечения жизненно важных показателей.

Несмотря на существующие примеры обнаружения сердечного ритма по Wi-Fi, команда Кочеты считает, что остаются определенные ограничения. Например, многие из них зависят от устаревшего оборудования. Чтобы устранить эти ограничения, исследователи разработали новую систему под названием Pulse-Fi.

Поиск жизненно важных показателей

Для сбора данных, необходимых для оценки Pulse-Fi, команда разместила семерых человек — пятерых мужчин и двух женщин — между двумя одноантенными ESP32 устройствами. Эти микроконтроллеры посылали Wi-Fi сигналы, один выступал в роли передатчика, а другой — приемника. Сердечный ритм участников фиксировался одновременно с помощью пульсоксиметра, прикрепленного к кончику пальца.

Каждый участник участвовал трижды: один раз на расстоянии 1 метра от ESP32, а затем на 2 метра и 3 метра. Каждое измерение длилось пять минут.

Команда затем разработала алгоритм машинного обучения для оценки сердечных ритмов на основе CSI. Первым шагом было извлечение амплитудной информации, которая связана с индивидуальными сердцебиениями, а затем удаление помех, возникающих из-за препятствий в окружающей среде.

Инженеры добавили фильтр для удаления частот сигнала вне диапазона 0.8-2.17 герц, что соответствует 48–130 ударам в минуту. Затем они добавили второй фильтр для дополнительного сглаживания сигнала.

Их удивило, что оценки сердечного ритма оставались точными на разных расстояниях от устройств ESP32. Pulse-Fi недооценивал или переоценивал сердечные ритмы в среднем на 0.43 BPM на 1 метре, 0.48 BPM на 2 метрах и 0.49 BPM на 3 метрах.

Исследователи протестировали Pulse-Fi на существующих данных Wi-Fi CSI, чтобы выяснить, как работает система при разных положениях тела и активностях.

Следующий шаг команды — расширить тестирование Pulse-Fi, чтобы отслеживать сердечные ритмы нескольких индивидуумов в одной комнате, чтобы оценить, как хорошо модель справляется с многолюдными условиями. В процессе обработки данных не участвует никакая личная информация, и все оценки сердечного ритма остаются в оборудовании. Как следствие, с этой технологией нет опасений по поводу конфиденциальности данных. Ожидается, что технология будет готова для практического применения через 5-10 лет.