無線路由器是被使用最普遍的通信設備，無論是家中，學校，辦公室還是公眾場所，總會有無線路由器持續與人們的手機，平板，電腦通信．這些電磁波大都使用2.4 GHz或者5 GHz的頻段，它們有一定的穿越障礙和遮擋物的能力．但遮擋和障礙會對電磁波的傳輸過程發生影響．一項新研究發現，通過觀測電磁波的細微變化，可以反推出室內人體的呼吸是否發生異常．

研究人員使用模擬呼吸的模型做實驗

由于采用了一些容錯設計，人體呼吸導致的電磁波傳播變化不會導致通信異常，但通過觀察這些變化可以反推導致變化的原因．美國國家標準與技術研究院（NIST）的研究人員利用深度學習算法，通過觀測電磁波的細微變化來推測室內是否有人呼吸困難．所需要的設備只是普通的無線路由器．

大流行開始之初，NIST的研究人員在得知大量病人被隔離且呼吸機短缺的情況時，希望能為防疫貢獻一點力量．此前就有利用Wi-Fi信號的研究，不過是用于檢測人體存在和移動．而且這些研究都需要定制化的芯片和設備，公開出來的數據也很少．

“大流行初期，世界一片慌亂．我們沒有時間去開發新設備，于是在已有的無線路由器上開始探索，”研究的主要參與人員，在NIST專門研究共享頻譜計量的Jason Coder回憶道．

與來自FDA設備和放射健康中心的的同事合作，NIST的研究者們開創了使用現有Wi-Fi無線路由器來檢測室內人體呼吸頻率的方法．Wi-Fi傳輸中，CSI（Channel State Information，通道狀態信息）是一組從客戶端（如手機或電腦）發向接入點（無線路由器或AP）的信號．接入點知道特定的客戶端發來的CSI信號的詳細參數．但是CSI信號會受到傳播環境中的遮擋或障礙的影響，比如會變形，衰減，或者有回波．接入點會分析這些變形的波形并且做出相應的鏈路優化．

現有Wi-Fi標準中，為盡量不影響數據傳輸，CSI所占帶寬很小，通常每秒只有幾百字節．研究團隊修改了路由器的固件，請求客戶端發送更多的CSI信號，最高可達每秒10次，以使接入點可以更加詳細地了解到信號的變化情形．

無線信號暗室內的實驗裝置

研究團隊在無線信號暗室里設置了一個帶有呼吸裝置的人體模型，以及無線客戶端和修改過固件的路由器．置入的呼吸裝置可以模擬各種呼吸狀態，包括呼吸過緩、呼吸急促、哮喘、肺炎和慢性阻塞性肺疾病等等．

呼吸時人體發生的形變對Wi-Fi信號的傳播發生影響．當人體喘息，咳嗽或者呼吸正常時，胸腔的起伏有顯著的不同，Wi-Fi信號所使用的傳輸信道因此發生變化．在實驗中，CSI信號的變化被記錄下來．數據收集到了，接下來還需要做處理．

“此時我們需要深度學習來利用收集到的數據，”研究者表示．

深度學習是人工智能的一個子集，人工智能是一種機器學習，它模仿人類從過去的行為中學習的能力，并提高機器識別模式和分析新數據的能力。

研究團隊提出了一種深度學習算法，以梳理CSI數據，理解它，并識別表明不同呼吸問題的模式，并將其命名為BreatheSmart。該算法成功地對人體模型模擬的各種呼吸模式進行了分類，準確率達99.54%。此前類似的研究的準確率比較低的原因，主要在于數據不夠豐富．