Les ingénieurs ont utilisé intelligence artificielle (AI) et un matériel bon marché et standard pour convertir l’amplitude des signaux Wi-Fi en estimations de la fréquence cardiaque d’une personne.
La précision de ce système, appelé Pulse-Fi, est remarquablement cohérente à travers les positions et les distances corporelles, les chercheurs ont écrit dans une étude publiée le 5 août dans les actes de la 2025 Conférence internationale de l’IEEE sur l’informatique distribuée dans les systèmes intelligents et l’Internet des objets (DCOSS-IOT).
De nombreuses technologies à domicile, comme les moniteurs à lacets de poitrine et montres intelligentessurveiller les signes vitaux, y compris rythme cardiaque et le rythme respiratoire. Cependant, ces appareils nécessitent un contact constant avec l’individu et sont coûteux, ce qui a suscité la nécessité de technologies sans contact.
Une de ces technologies peut exploiter les informations dans les signaux Wi-Fi, qui sont ondes radio qui transportent des données entre un émetteur et un récepteur, comme entre un routeur et un ordinateur.
La « Information sur l’état du canal » (CSI) fournit l’amplitude et la phase du signal lorsqu’elles se déplacent entre ces deux appareils, y compris lorsqu’il passe par des obstacles tels que coffres en mouvement. Parce que les signaux se déforment lors de la réussite de ces barrières, les chercheurs peuvent filtrer les données CSI pour capturer les signes vitaux.
Divers Des exemples existent maintenant pour la détection de fréquence cardiaque Wi-Fimais Kocheta et son équipe ont fait valoir que plusieurs limitations demeurent. Par exemple, beaucoup s’appuient sur le matériel désormais défond. Pour répondre à ces limitations, les chercheurs ont développé un nouveau système appelé «Pulse-Fi».
Capturer des signes vitaux
Pour collecter les données nécessaires pour évaluer Pulse-Fi, l’équipe a placé sept personnes – cinq hommes et deux femmes – entre deux antennes uniques Appareils ESP32. Ces dispositifs de microcontrôleur ont publié des signaux Wi-Fi, l’un agissant comme émetteur et l’autre comme récepteur. La fréquence cardiaque réelle des participants a été collectée en même temps via un oxymètre d’impulsion attaché au bout de leur doigt.
Chaque individu a participé trois fois: une fois à 3,3 pieds (1 mètre) de l’EPS32, puis de 6,6 pieds (2 m) et à 9,8 pieds (3 m). Chaque fenêtre de mesure a duré cinq minutes.
L’équipe a ensuite développé un pipeline d’apprentissage automatique pour estimer les fréquences cardiaques du CSI. L’étape initiale consistait à extraire les informations d’amplitude, qui se rapportent aux battements cardiaques individuels, puis à retirer les parties désordonnées du signal résultant des obstacles dans l’environnement.
Ensuite, les ingénieurs ont ajouté un filtre pour éliminer les fréquences du signal à l’extérieur de la plage de 0,8 à-2,17-Hertz, ce qui correspondait à 48 à 130 battements par minute (BPM). Ensuite, ils ont ajouté un deuxième filtre pour lisser davantage le signal.
L’équipe a ensuite estimé la fréquence cardiaque des participants en utilisant un Réseau de neurones récurrents de mémoire à long terme à termeune forme d’apprentissage automatique qui ajoute des « cellules de mémoire » au traitement des données séquentielles, qui fournit le contexte nécessaire pour reprendre les dépendances dans les données. Dans ce cas, ces dépendances concernent des éléments tels que la fréquence cardiaque au repos et les pointes induites par l’exercice dans le BPM.
L’équipe a été surpris de constater que les estimations de la fréquence cardiaque sont restées précises sur les différentes distances des appareils ESP32. Les fréquences car
Les chercheurs ont ensuite utilisé Données de santé Wi-Fi CSI pour tester comment Pulse-Fi a réussi avec différentes positions et activités corporelles. Les données proviennent de 118 adultes brésiliens occupant 17 positions stationnaires et actives, y compris s’asseoir, marcher sur place et balayer le sol, pendant 60 secondes. Les participants étaient à 3,3 pieds (1 m) de l’émetteur et du récepteur Wi-Fi ainsi que du Raspberry Pi 3B + Utilisé pour la collecte de données CSI.
Ils ont comparé l’estimation de la fréquence cardiaque du réseau neuronal par rapport aux lectures de la smartwatch et ont constaté que Pulse-Fi n’était pas affecté par la position corporelle de la personne. L’erreur typique était de 0,2 bpm.
Battements sans fil
Cette technique à un stade précoce est théoriquement intéressante, dit Andreas Karwathun scientifique des données de santé à l’Université de Birmingham au Royaume-Uni qui n’a pas été impliquée dans la recherche.
Cependant, il a déclaré qu’une limitation clé de cette recherche est que les mêmes données ont été utilisées pour la formation, la validation et les tests du modèle. Les chercheurs ont mélangé les données à chaque fois, mais Karwath a déclaré que cela crée une prophétie auto-réalisatrice.
« C’est comme prédire la maladie de quelqu’un en apprenant de la personne, puis en prédisant la personne », a-t-il déclaré à Live Science. « Cela n’a pas de sens. »
Dans une réponse à cette critique, les chercheurs ont déclaré que même si leur analyse impliquait des mélanges, ils ont depuis testé le modèle en temps réel, où le Pulse-Fi a été formé uniquement sur les données passées et ensuite évaluée sur un tout nouveau signal et environnement d’entrée. Cette recherche n’a pas encore été publiée.
Karwath a également expliqué que la montre intelligente et l’oxymètre utilisées pour collecter les informations de fréquence cardiaque pour le réseau neuronal à comparer ne sont pas toujours précises à 100%, de sorte que leurs données peuvent être biaisées.
Kocheta, Bhatia et Obraczka ont reconnu cette limitation sur la smartwatch. Cependant, « l’oxymètre Pulse est généralement considéré comme un dispositif médical certifié qui est très précis », ont-ils déclaré.
L’équipe étend maintenant les tests Pulse-Fi pour suivre la fréquence cardiaque de plusieurs individus dans une pièce en même temps pour voir dans quelle mesure le modèle se comporte avec des environnements bondés.
Les auteurs ont déclaré qu’aucune information personnelle explicite n’était impliquée dans le pipeline de traitement des données et que toutes les estimations de la fréquence cardiaque restent dans le matériel. En tant que tels, il n’y a aucun problème de confidentialité des données avec la technologie. Karwarth a prédit que la technologie est à au moins cinq à 10 ans d’être déployable.
