رزبری‌پای فراتر از یک مینی‌کامپیوتر؛ تراشه‌ی Wi-Fi حالا ضربان قلب را با دقتی هم‌سطح ابزار پزشکی می‌سنجد

دستگاه‌های سلامت و تناسب‌اندامی مثل اپل واچ یا دست‌بندهای فیت‌بیت روزبه‌روز محبوب‌تر می‌شوند، چون شاخص‌های حیاتی مهمی مانند ضربان قلب یا سطح اکسیژن خون را پایش می‌کنند و بعضی از آن‌ها حتی قادر به اندازه‌گیری فشار خون هستند. با این حال، اکنون ضربان قلب را می‌توان تنها با کمک یک تراشه‌ی Wi-Fi پنج دلاری و کمی جادوی هوش مصنوعی با دقتی بالا ثبت کرد. تراشه‌های ارزان‌قیمت Wi-Fi، مثل همان‌هایی که در یک رزبری‌پای ۳۰ دلاری استفاده می‌شوند، قادرند ضربان قلب انسان را با دقتی مشابه مانیتورهای بالینی یا ردیاب‌های سلامت گران‌قیمت نظیر اپل واچ اندازه‌گیری کنند.
به گفته‌ی پژوهشگران دانشگاه UCSC که مطالعه‌ی Pulse-Fi را هدایت کرده‌اند، یک شبکه‌ی ساده‌ی Wi-Fi ساخته‌شده با تراشه‌ی ESP32 پنج دلاری می‌تواند ضربان قلب را به‌خوبی اپل واچ ۱۰ که در حال حاضر در آمازون با قیمت تخفیفی ۳۵۹ دلار عرضه می‌شود ردیابی کند.

جالب‌تر اینکه نتایج آزمایش‌های انجام‌شده با رزبری‌پای حتی دقیق‌تر هم بود؛ چرا که محققان داده‌های «اطلاعات وضعیت کانال» (CSI) در شبکه‌ی Wi-Fi را با الگوریتم‌های هوش مصنوعی پردازش کردند تا ضربان قلب بیش از صد شرکت‌کننده در مطالعه را تشخیص دهند.
ویژگی‌های کانال Wi-Fi میان فرستنده و گیرنده، مثل فاز، فرکانس در محیط فیزیکی یا دامنه، می‌تواند با هر نفس یا تپش قلب اندکی تغییر کند. این تغییرات بسیار ظریف با کمک الگوریتم‌های یادگیری ماشینی فیلتر می‌شوند تا تمام عوامل دیگر حذف شوند و در نهایت رزبری‌پای بتواند ضربان قلب دقیق ۱۱۸ شرکت‌کننده را ثبت کند.

نکته‌ی قابل توجه این است که توانایی تشخیص ضربان قلب از طریق شبکه‌ی Wi-Fi، فارغ از وضعیت بدنی افراد چه در حال حرکت، ایستاده، نشسته یا حتی درازکش برقرار بود.
برای رسیدن به این هدف، تیم پژوهشی ناچار شد پایگاه داده‌ی اختصاصی خود را از صفر بسازد و از دستگاهی مرجع مانند اکسیمتر بالینی استفاده کند تا الگوریتم‌های هوش مصنوعی بتوانند تغییرات ناشی از ضربان قلب را از دیگر نویزهای شبکه‌ی Wi-Fi تفکیک کنند.

در نهایت، این مجموعه‌ی مبتنی بر هوش مصنوعی توانست ضربان قلب را حتی از فاصله‌ی بیشتر نیز تشخیص دهد و مسیر را برای پایش غیررسمی و روزمره‌ی سلامت قلب از طریق شبکه‌های Wi-Fi و الگوریتم Pulse-Fi هموار کند. افزون بر این، پژوهشگران UCSC اکنون به‌دنبال توسعه‌ی الگوریتمی برای شناسایی الگوهای تنفس هستند؛ قابلیتی که می‌تواند برای بیماران مبتلا به وقفه‌ی تنفسی در خواب (Sleep Apnea) بسیار کاربردی باشد.