- Hanya dengan sinyal WiFi, pengukuran detak jantung tingkat klinis dapat dilakukan
- Dengan menggabungkan perangkat WiFi berbiaya sangat rendah dan algoritme, kondisi kesehatan dapat dipantau tanpa wearable
- Terlepas dari posisi atau gerakan seseorang, pengukuran akurat tetap dimungkinkan bahkan dari jarak 3 meter
- Tim peneliti melatih algoritme menggunakan data dari perangkat murah seperti ESP32 dan Raspberry Pi
- Ke depannya, teknologi ini juga sangat berpotensi digunakan untuk mengukur laju pernapasan dan mendeteksi sleep apnea
Ikhtisar
- Tim peneliti UC Santa Cruz mengembangkan sistem Pulse-Fi yang dapat mengukur detak jantung secara akurat hanya dengan sinyal WiFi rumahan biasa
- Sistem ini menggabungkan perangkat WiFi berbiaya sangat rendah dan algoritme machine learning, serta menunjukkan kemungkinan pemantauan kesehatan real-time tanpa wearable konvensional
Pulse-Fi: Mengukur Detak Jantung dengan WiFi dan Machine Learning
- Perangkat WiFi memancarkan gelombang frekuensi ke sekelilingnya, dan ketika mengenai objek seperti manusia, gelombang tersebut menghasilkan perubahan yang dapat dideteksi secara matematis
- Pulse-Fi menganalisis sinyal yang dikumpulkan dari pemancar-penerima WiFi menggunakan pemrosesan sinyal dan machine learning
- Sistem ini menyaring noise untuk mengekstrak hanya perubahan sinyal halus yang disebabkan oleh detak jantung
- Profesor dari Baskin School of Engineering, mahasiswa pascasarjana, dan peneliti tamu siswa SMA memimpin proyek ini
Hasil Eksperimen dan Akurasi
- Pada 118 peserta, sistem ini mencapai akurasi tingkat klinis hanya dengan pengukuran selama 5 detik
- Rata-rata kesalahannya hanya 0,5 denyut per menit, dan akurasi meningkat jika waktu pengukuran diperpanjang
- Sistem bekerja dengan baik tidak hanya di lingkungan laboratorium, tetapi juga pada berbagai postur (duduk, berdiri, berbaring, berjalan, dan sebagainya) serta tanpa bergantung pada posisi perangkat
- Akurasi tinggi juga diperoleh pada jarak 3 meter (sekitar 10 kaki), dan performa yang lebih baik diharapkan bila menggunakan perangkat WiFi kelas lebih tinggi seperti router komersial
Pembangunan Dataset
- Untuk melatih algoritme, tim secara langsung mengumpulkan data dengan menggunakan ESP32 dan oksimeter standar secara bersamaan
- Data Pulse-Fi dan data "ground truth" dari oksimeter digabungkan untuk melatih jaringan saraf
- Pulse-Fi juga diterapkan pada dataset skala besar lain yang dibangun oleh tim peneliti berbeda menggunakan Raspberry Pi
Aplikasi dan Arah Masa Depan
- Penelitian selanjutnya akan memperluas penggunaan ke pengukuran laju pernapasan dan deteksi sleep apnea
- Dalam eksperimen tahap nonpublik, kemungkinan akurasi tinggi untuk deteksi pernapasan dan apnea juga telah dikonfirmasi
Pemanfaatan Industri
- Perusahaan yang tertarik pada penerapan komersial dapat menghubungi penanggung jawab alih teknologi di UC Santa Cruz
Kesimpulan
- Kombinasi hardware berbiaya sangat rendah dan machine learning memungkinkan pemantauan detak jantung dan kesehatan tanpa kontak
- Inovasi ini diharapkan memungkinkan pemeriksaan kondisi kesehatan di rumah dengan mudah dan non-invasif tanpa wearable maupun peralatan rumah sakit
1 komentar
Opini Hacker News
Para peneliti memperhatikan bagaimana CSI yang diterapkan pada WiFi (channel state information: informasi amplitudo dan fase sinyal elektromagnetik, dll.) didistorsikan secara berbeda oleh tiap individu. Ini diproses dengan deep learning untuk menghasilkan signature data unik berbasis sinyal. Pendekatan ini dapat diterapkan pada sistem Re-ID (re-identifikasi) berbasis sinyal
thread terkait: penjelasan 802.11bf,
pencarian 802.11bf: Google,
"Pengenalan gestur menggunakan sinyal nirkabel seluruh rumah" (2013): makalah ACM,
makalah yang mengutipnya Google Scholar,
pengenalan gestur nirkabel berbasis accelerometer derajat kebebasan tinggi, Awesome-WiFi-CSI-Sensing,
hingga teknologi pemindaian 3D dan bidang aplikasinya
diskusi HN terkait sebelumnya,
The Atlantic - Wi-Fi Surveillance,
arsip
1: makalah IEEE tentang analisis gaya berjalan
2: makalah ACM tentang deteksi penekanan tombol
3: arsip deteksi napas/detak jantung
4: arsip penyadapan percakapan