Разработка метода определения доминирующего типа дыхания человека на базе технологий компьютерного зрения, системы захвата движения и машинного обучения

В исследовании поднимается проблема отсутствия методов для определения доминирующего типа дыхания, которые можно использовать при реализации программных продуктов, способствующих сопровождению пациентов с дыхательной недостаточностью и их реабилитации на этапе стационарного и амбулаторного лечения. Уже существующие методы либо слишком трудозатраты в реализации из-за слишком большого числа маркеров, используемых систем захвата движения, либо экономически невыгодны из-за стоимости самого оборудования, либо разработаны только в исследовательских целях и не применимы в клинической практике. В связи с этим данная статья направлена на разработку метода определения типа дыхания, который впоследствии можно было бы применить для автоматизированной реабилитации пациентов с дыхательной недостаточностью. В рамках исследования были применены методы компьютерного зрения и машинного обучения, а также методы, базирующиеся на технологиях захвата движения. В статье представлены методы, позволяющие определять положение маркеров в пространстве, и впоследствии анализировать тип дыхания человека (грудной, брюшной, смешанный) в режиме реального времени по полученным данным на базе маркеров системы захвата движения. Материалы статьи представляют практическую ценность для области медицинской реабилитации пациентов с дыхательной недостаточностью и возможность оптимизации трудовых процессов, т. е. сокращение трудовых и временных затрат врачей-реабилитологов.

1. 1. Di Tocco J., Lo Presti D., Zaltieri M., Bravi M., Morrone M., Sterzi S., Schena E., Massaroni C. Investigating stroke effects on respiratory parameters using a wearable device: a pilot study on hemiplegic patients. Sensors (Basel). 2022;22(17):6708. DOI: 10.3390/s22176708.

2. 2. Massaroni C., Cassetta E., Silvestri S. A novel method to compute breathing volumes via motion capture systems: design and experimental trials. Journal of Applied Biomechanics. 2017;33(5):361–365. DOI: 10.1123/jab.2016-0271.

3. 3. Romano Ch., Schena E., Formica D., Massaroni C. Comparison between chest-worn accelerometer and gyroscope performance for heart rate and respiratory rate monitoring. Biosensors. 2022;12(10):834. DOI: 10.3390/bios12100834.

4. 4. Васильев В.И. Влияние диафрагмальнорелаксационного типа дыхания на здоровье учащихся средней общеобразовательной школы. Известия Пензенского государственного педагогического университета им. В.Г. Белинского. 2006;5:121–123.

5. 5. Subin S., Pravin A. Breathing techniques-A review – 25 different types. International Journal of Physical Education, Sports and Health. 2015;2(2):237–241.

6. 6. Cuña-Carrera I., Alonso Calvete A., González Yo., Soto-González M. Changes in abdominal muscles architecture induced by different types of breathing. Isokinetics and Exercise Science. 2022;30(1):15–21. DOI: 10.3233/IES-210159.

7. 7. Arai R., Murakami K. Hierarchical human motion recognition by using motion capture system. 2018 International Workshop on Advanced Image Technology (IWAIT). 2018;1–4.

8. 8. Nagymáté G., M. Kiss R. Application of OptiTrack motion capture systems in human movement analysis: A systematic literature review. Recent Innovations in Mechatronics. 2018;5(1):1–9. DOI: 10.17667/riim.2018.1/13.

9. 9. Lu C., Lin J., Chang C., Liu C., Wang L., Tseng K. Recognition of film type using HSV features on deep-learning neural networks. Journal of Electronic Science and Technology. 2020;18(1):31–41. DOI: 10.11989/JEST.1674-862X.90904223.

10. 10. Wang Y., Hua C., Ding W., Wu R. Real-time detection of flame and smoke using an improved YOLOv4 network. Signal Image Video Process. 2022;16(5):1109–1116. DOI: 10.1007/s11760-021-02060-8.

11. 11. Abassi S., Abdi H., Ahmadi A. A face-mask detection approach based on YOLO applied for a new collected dataset. 26th International Computer Conference, Computer Society of Iran, CSICC 2021. 2021;1–6. DOI:10.1109/CSICC52343.2021.9420599

12. 12. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: unified, real-time object detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition, CVPR. 2016;779–788.

13. 13. Рыбчиц Г.М., Зубков А.В., Самоходкина И.А., Орлова Ю.А. Разработка моделей предиктивной аналитики для предсказывания тенденции заболеваемости COVID-19 на основании открытых данных Волгоградской области. Программная инженерия: современные тенденции развития и применения (ПИ-2021): сб. матер. V-й Всерос. науч.-практ. конф. 2021;124–127.

14. 14. Рыбчиц Г.М., Зубков А.В., Гомазкова Ю.С., Коршунов А.А. Разработка модели для распознавания маркеров на базе сети YOLO для детектирования циклов дыхания. Инновационные технологии в обучении и производстве: материалы XVI Всерос. заочн. науч.-практ. конф. 2021;1(3):139–142.