编辑推荐：
本研究针对新生儿重症监护室（NICU）中新生儿活动监测的需求，开发了一种基于深度相机和随机森林（Random Forest）算法的无接触监测技术，实现了对新生儿活动的连续监测，为临床评估和疾病预警提供了新工具。
新生儿活动是新生儿重症监护室（NICU）中的一个重要生理参数，与镇静不足或过度、疾病发作密切相关。然而，传统的监测方法存在接触式干扰和信号噪声等问题。为了克服这些挑战，Medtronic公司和Timpanogos区域医院的研究人员开发了一种基于深度相机的无接触监测技术，通过随机森林机器学习算法对新生儿活动进行实时监测。研究结果表明，该技术能够以92.0%的敏感性和93.2%的特异性准确检测新生儿活动，并与呼吸信号中的噪声段匹配良好。这项研究为NICU中新生儿的无接触监测提供了一种新的解决方案，有助于改善疼痛管理、疾病预警和生理信号监测的准确性。
研究背景
新生儿重症监护室（NICU）是为早产儿和患病新生儿提供专业护理的场所。在NICU中，新生儿的活动水平是一个重要的生理参数，它不仅反映了新生儿的舒适度和疼痛状态，还可能预示着疾病的发作。例如，新生儿活动的增加可能与疼痛、诊断或治疗干预相关，而活动减少（如嗜睡）可能是败血症等严重疾病的早期信号。此外，新生儿的肢体运动或躯干活动还会对生理信号监测产生干扰，导致心率、呼吸频率和氧饱和度等重要参数的误读。因此，开发一种无接触、连续监测新生儿活动的技术具有重要的临床意义。
研究方法
研究人员采用了一种创新的无接触监测技术，通过深度相机获取新生儿的深度信息，并利用随机森林（Random Forest）机器学习算法对活动进行分类。研究中使用了Intel RealSense? D415深度相机，以30帧/秒的速率采集深度数据。深度数据经过预处理后，提取了16个时间变化特征，包括深度差异特征、平均深度特征等，用于训练随机森林模型。该模型通过计算深度变化帧之间的差异，并结合去噪步骤，能够区分新生儿的活动状态（运动或无运动）。
研究结果
研究共纳入20名新生儿，采集了超过35,000秒的测试数据。通过留一法交叉验证（leave-one-out cross-validation），模型的平均敏感性为92.0%（标准差8.8%），特异性为93.2%（标准差11.1%），接收者操作特征曲线下面积（ROC-AUC）为97.7%（标准差2.5%）。研究结果表明，该技术能够准确检测新生儿的活动，并与呼吸信号中的噪声段匹配良好，表明其在监测新生儿活动和减少生理信号干扰方面的有效性。
关键技术方法
研究人员采用的主要技术方法包括：（1）使用深度相机获取新生儿的深度信息；（2）通过随机森林机器学习算法对深度数据进行处理和分类；（3）开发深度数据预处理和特征提取流程，以去除噪声并提取与新生儿活动相关的特征；（4）采用留一法交叉验证评估模型性能。
研究结论与讨论
本研究开发的无接触新生儿活动监测技术，基于深度相机和随机森林算法，能够有效监测新生儿的活动水平，并减少对生理信号监测的干扰。该技术具有无接触、无需校准、操作简单等优点，且不需要在新生儿身上附加任何传感器，适合在NICU环境中使用。此外，该技术还可能为其他生理参数的监测（如呼吸频率、呼吸模式和呼吸暂停检测）提供新的思路。未来的研究将扩大样本量，进一步优化模型性能，并探索该技术在临床实践中的应用潜力。
