Виявлення порушень людського дихання за допомогою аналізу характеристик WiFi-сигналу

Abstract

У сучасних умовах розвитку безконтактних технологій зростає потреба у нових підходах до моніторингу життєвих показників людини, зокрема дихання. Традиційні методи контролю дихальної активності вимагають застосування спеціалізованих сенсорів, які обмежують свободу рухів користувача та можуть викликати дискомфорт. Водночас активне впровадження бездротових технологій, зокрема WiFi-зондування, створює передумови для використання характеристик радіосигналів з метою безконтактного відстеження фізіологічних параметрів. Об’єктом дослідження є процес дихання людини. Предметом дослідження є методи виявлення та аналізу порушень дихання за допомогою інформації про стан каналу (CSI) WiFi-сигналів. Метою роботи є дослідження методу виявлення порушень дихання людини шляхом аналізу змін у параметрах WiFi-сигналу та застосування алгоритмів машинного навчання. Робота включає аналітичний огляд сучасних підходів до дихального моніторингу, визначення проблем існуючих методів та дослідження потенціалу WiFi-сигналів як джерела інформації про стан дихальної системи. Здійснено експериментальне моделювання та реалізовано програмний прототип системи, яка дозволяє виявляти дихальні аномалії, наприклад апное, без необхідності носимих пристроїв. У межах виконання роботи було розроблено апаратно-програмне забезпечення для виявлення порушень дихання на основі аналізу характеристик WiFi-сигналу. Апаратна частина базується на мікрокомп’ютері Raspberry Pi 4 Model B з підтримкою бездротового зв’язку та можливістю збору Channel State Information (CSI). Програмна частина включає модулі для збору, попередньої обробки та аналізу даних, а також реалізацію нейромережевої моделі, здатної здійснювати класифікацію дихальних станів. Практична значимість роботи полягає в можливості використання запропонованого підходу в медичних, реабілітаційних та побутових умовах для пасивного моніторингу дихання без вторгнення у приватний простір людини. Система може бути впроваджена в розумні будинки, лікарняні палати або заклади для осіб похилого віку. Результати дослідження сприяють розвитку безконтактних методів біомоніторингу та можуть стати основою для створення нових інтелектуальних систем підтримки здоров’я. In the context of the rapid development of contactless technologies, there is an increasing demand for innovative approaches to monitoring vital human parameters, particularly respiratory rate. Traditional methods of respiratory monitoring require the use of specialized sensors, which can restrict the user’s mobility and cause discomfort. Meanwhile, the widespread adoption of wireless technologies, especially Wi-Fi Sensing, creates opportunities for utilizing radio signal characteristics to enable non-invasive tracking of physiological activity. The object of the study is the human respiratory process. The subject of this study is methods for detecting and analyzing respiratory disorders using Channel State Information (CSI) of Wi-Fi signal. The aim of this thesis is to develop a method for detecting human breathing disorders by analyzing changes in Wi-Fi signal parameters through the application of signal processing techniques and machine learning algorithms. The research includes an analytical review of current respiratory monitoring methods, an analysis of the limitations of existing approaches, and an exploration of the potential of Wi-Fi signals as a source of information about the respiratory system. An experimental model was implemented along with a software prototype capable of detecting abnormal respiratory patterns, such as apnea, without the need for wearable devices. As part of the work, hardware and software were developed to detect respiratory disorders based on the analysis of the characteristics of the Wi-Fi signal. The hardware is based on the Raspberry Pi 4 Model B microcomputer with wireless support and Channel State Information (CSI). The software includes modules for collecting, pre-processing, and analyzing data, as well as the implementation of a neural network that can classify respiratory states. The practical significance of this work lies in the potential use of the proposed approach in medical, rehabilitation, and everyday settings for passive and non-intrusive monitoring of human respiration. The system can be integrated into smart homes, hospital wards, or elderly care facilities. The results of this research contribute to the advancement of contactless biomedical monitoring methods and may serve as a foundation for the development of intelligent health-support systems.