基于OFDM的无源6G ISAC感知的非接触式肺部疾病分类

本文首次提出一种新颖的非接触式方法，利用正交频分复用（OFDM）信号（频率5.23 GHz，由软件无线电发射）对肺部患者进行无线电暴露，以区分五种常见的呼吸系统疾病，即哮喘、慢性阻塞性肺疾病（COPD）、间质性肺疾病（ILD）、肺炎（PN）和肺结核（TB）。每种肺部疾病导致不同的呼吸模式，从而以不同方式调制OFDM信号，这一事实促使我们获取了首个此类OFDM-Breathe数据集。该数据集包含13,920秒的原始RF数据（在64个不同的OFDM频率上），我们从总共116名受试者（25名健康对照者和91名肺部患者）在医院环境中采集。在91名患者中，25名患有哮喘，25名患有COPD，25名患有TB，5名患有ILD，11名患有PN。我们实现了多种机器学习和深度学习模型，以使用OFDM-Breathe数据集进行肺部疾病分类。普通卷积神经网络在所有模型中表现最佳，准确率达到97%，在精确率、召回率和F1分数方面均表现突出。消融研究表明，仅需在七个不同的微波频率上对人体胸部进行无线电观测，即可对潜在的肺部疾病做出可靠诊断（准确率96%）。这对应于仅占分配带宽10.93%的感知开销。这表明未来6G集成感知与通信（ISAC）系统的可行性，其中89.07%的带宽在按需健康感知中仍可用于信息交换。通过6G ISAC，这项工作为公共场所呼吸系统疾病（例如COVID-19）的大规模筛查提供了一种工具。