Key points are not available for this paper at this time.
La surveillance de l'activité respiratoire est un indicateur clé de la santé physiologique et un élément essentiel dans les systèmes de textiles intelligents pour l'évaluation discrète des signes vitaux. Dans ce travail, nous présentons un réseau de neurones récurrents convolutionnels unidimensionnels (1D-CRNN) pour la classification automatique de l'activité respiratoire à partir de données inertielle acquises par un textile électronique intelligent auprès de 59 sujets. La méthode proposée intègre des couches convolutionnelles pour l'extraction des caractéristiques locales avec des couches récurrentes pour la modélisation du contexte temporel, permettant une segmentation robuste des segments de respiration et de bruit. Le modèle a été entraîné et évalué en utilisant un schéma de validation croisée stratifiée à cinq volets pour tenir compte de la variabilité inter-sujet et du déséquilibre des classes. Sur différentes tailles de fenêtres, le classificateur a atteint une précision moyenne de 0.88 et un score F1 de 0.92 à une taille de fenêtre de 2000 échantillons. La configuration la plus performante pour un seul pli a atteint une précision de 0.995 et un score F1 de 0.99. De plus, la faisabilité en temps quasi réel a été démontrée, avec un temps de traitement total – incluant le chargement des données, la classification, la segmentation et la visualisation – de seulement 1.76 s pour une mesure de 250 s, correspondant à plus de 100 fois plus rapide que le temps d'enregistrement. Ces résultats indiquent que l'approche proposée est hautement adaptée pour l'inférence intégrée sur appareil au sein des systèmes portables.
Steinmetzer et al. (Samedi) ont étudié cette question.