Abstrakt
Tato práce představuje první přístup k návrhu, vývoji a implementaci chytrého zařízení pro měření a detekci změn variability srdeční frekvence (HRV) v reálném čase. Chytré zařízení se řídí modulárním konstrukčním schématem, které se skládá z modulu pro sběr elektrokardiogramového (EKG) signálu, modulu pro zpracování a modulu pro bezdrátovou komunikaci. Z pětiminutových signálů EKG provádějí algoritmy zpracovatelského modulu spektrální odhad HRV. Výsledky experimentů prokazují životaschopnost inteligentního zařízení a navržených algoritmů zpracování.
1. Úvod
Kardiovaskulární onemocnění patří mezi hlavní příčiny úmrtí populace . Odhaduje se, že v důsledku kardiovaskulárních onemocnění umírá na celém světě 17,3 milionu lidí, což představuje 30 % všech případů . Vysoký krevní tlak, kuřácké návyky, diabetes, viscerální obezita, dyslipidémie, nedostatek fyzické aktivity a nezdravé stravovací návyky jsou hlavními modifikovatelnými rizikovými faktory spojenými s rozvojem kardiovaskulárních onemocnění . Srdeční autonomní dysfunkce je rizikovým faktorem, který rovněž souvisí s rozvojem kardiovaskulárních onemocnění a který lze neinvazivně měřit prostřednictvím hodnocení variability srdeční frekvence (HRV) .
HRV označuje kontinuální srdeční frekvenci nebo kontinuální intervaly RR vln extrahované ze signálu elektrokardiogramu (EKG) (časová vzdálenost mezi R vlnami v EKG signálu se označuje jako RR intervaly). Krátkodobé a dlouhodobé výkyvy srdeční frekvence (HR) mohou být způsobeny různými příčinami. Parasympatický nervový systém způsobuje, že HR a následně krevní tlak (TK) klesá, zatímco sympatický nervový systém upřednostňuje antagonistické působení a zvyšuje HR i TK. Vzájemné působení těchto systémů je známé jako sympaticko-vagová rovnováha autonomního nervového systému (ANS) . Mnoho studií ukázalo, že HRV je užitečným kvantitativním ukazatelem pro posouzení rovnováhy mezi srdečním sympatickým nervovým systémem a parasympatickým nervovým systémem a může být využita při diagnostice a prevenci některých kardiovaskulárních onemocnění, jako je městnavé srdeční selhání, náhlá srdeční smrt, arytmie nebo Holmes-Adieho syndrom .
V posledních desetiletích byla učiněna snaha analyzovat a kvantifikovat HRV tak, aby mohla sloužit jako klinický nástroj. Měření HRV se provádí v dlouhodobém i krátkodobém horizontu. Dlouhodobé záznamy obvykle trvají 24 hodin a provádějí se pomocí Holterova přístroje, zatímco krátkodobé záznamy trvají 2-5 minut a obvykle se provádějí pomocí dynamického EKG .
Analýza HRV je zajímavá i u dalších mnohočetných stavů, například u respiračních onemocnění. Tuto analýzu lze použít jako jednoduchou a neinvazivní metodu pro odhad aerobní kapacity u osob s CHOPN , a lze ji také použít jako prognostický nástroj, protože u těchto pacientů je snížená HRV spojena s nárůstem morbidity a mortality . Kromě toho byla síla dýchacích svalů spojena se sympaticko-vagovou odpovědí, kterou lze hodnotit pomocí HRV . Další využití HRV sahá od časného biomarkeru pro hodnocení průběhu diabetu mellitu , přes diagnostický marker u chronické bolesti šíje , až po duševní a fyzické zdraví nebo kvalitu spánku a pracovní stres.
Metody měření HRV lze rozdělit na metody v časové a frekvenční oblasti. První z nich spočívají především ve statistické analýze RR intervalů. Jejich možnosti jsou však omezené, protože nevykazují dostatečnou specifičnost a citlivost, navíc vyžadují dlouhou dobu záznamu .
Metody ve frekvenční oblasti neboli spektrální odhad HRV lze rozdělit na parametrické a neparametrické metody. Neparametrické metody založené na rychlé Fourierově transformaci (FFT) mají jako hlavní výhodu svou jednoduchost a rychlost algoritmizace , zatímco parametrické metody, jako jsou autoregresní (AR) modely, poskytují definovanější, hladší a snadno identifikovatelnou spektrální složku . Kromě toho u měření s krátkou dobou trvání poskytují parametrické metody lepší spektrální rozlišení než neparametrické metody .
Podle znalostí autorů neexistují zařízení, která by umožňovala analýzu HRV v reálném čase pomocí výše uvedených metod. Byly navrženy některé upravené metody pro analýzu v reálném čase , jako je krátkodobá Fourierova transformace (STFT), waveletová transformace, Hilbertova-Huangova transformace a z filtrů s nekonečnou impulsní odezvou (IIR) , ale vždy prováděné off-line se signály EKG z dříve pořízených záznamů.
Předkládaná práce ukazuje první přístup k návrhu přenosného, přizpůsobitelného a levného inteligentního zařízení pro měření HRV v reálném čase ve frekvenční oblasti pomocí AR modelů.
2. Materiály a metody
V kontextu této práce je chytré zařízení označováno jako zařízení, které má nejen snímací schopnosti pro měření určitých veličin, ale je také vybaveno bezdrátovou komunikační jednotkou a má schopnost provádět zpracování získaných informací. Procesy návrhu, vývoje a hodnocení zařízení byly prováděny iterativní (neboli spirálovitou) metodikou, která testuje vývoj dříve a častěji než v tradičním kaskádovitém životním cyklu. Ve fázi návrhu a simulace byl použit software Orcad (verze 16.0) společnosti Cadence. Pro realizaci prototypů byly použity programy CircuitCam (verze 5.2) a BoardMaster (verze 5.0) a frézka ProtoMat S62, vše firmy LPKF.
První vyhodnocení výkonnosti zařízení bylo provedeno s ohledem na jeho nejreprezentativnější vlastnosti, které byly porovnány s jinými zařízeními a systémy nedávno navrženými v literatuře. Zesílení a šířka pásma byly vypočteny ze simulace elektronického návrhu pomocí softwaru Tina-TI společnosti Texas Instruments. Spotřeba energie byla odhadnuta postupem popsaným v . Za tímto účelem byl do vedení, které napájí Front-End stupeň z baterie, sériově umístěn odpor 10 ohmů. Pomocí osciloskopu (MSO6032A společnosti Agilent Technologies) se měřilo napětí na rezistoru, aby se podle Ohmova zákona přibližně určil vstupní proud do obvodu. Tento proud, konstantní v čase, byl vynásoben napájecím napětím 3,3 V, aby se získala spotřeba energie.
Zajímavostí tohoto zařízení je jeho schopnost vypočítat parametry HRV ve frekvenční oblasti v reálném čase. Pro tento proces je běžné provádět odhad výkonové spektrální hustoty (PSD) signálu HRV. Jak je znázorněno na obrázku 1, získávají se velmi nízkofrekvenční (VLF) spektrální složky v rozsahu 0,0033-0,04 Hz , nízkofrekvenční (LF) spektrální složky v rozsahu 0,04-0,15 Hz a vysokofrekvenční (HF) spektrální složky v rozsahu 0,15-0,4 Hz . Tyto složky poskytují klinické informace o změnách sinusového rytmu srdce. LF složky odrážejí jak sympatické, tak parasympatické vlivy, ačkoli LF mohou svědčit o citlivosti baroreflexu . VF složky souvisejí s parasympatickým systémem; poměr LF/HF tedy vypovídá o sympatovagální rovnováze .
Složky výkonového spektra se kvantifikují měřením plochy pod třemi frekvenčními pásmy: VLF výkonu, LF výkonu a VF výkonu. Spektrální složky HRV by měly být prezentovány v přirozeném základu, proto by mohla být nutná logaritmická transformace. Aby se usnadnilo porovnávání mezi různými studiemi, jsou složky obvykle prezentovány v normalizovaných jednotkách podle následujících výrazů :kde a představují výkon buď LF, nebo HF složky, respektive a označují příslušné výkony v normalizovaných jednotkách (v procentech), představuje celkový výkon (ekvivalentní rozptylu vypočtenému pomocí přístupů v časové oblasti) a označuje výkon VLF složky. poměr se vypočítá jako poměr a .
Pro validaci senzoru a použitých algoritmů byly provedeny dvě sady experimentů. Pokusné osoby spontánně dýchaly, ale nesměly mluvit. Od všech subjektů byl získán informovaný souhlas.
V první sadě experimentů byly provedeny dva experimenty sběru EKG signálu v délce trvání 5 minut na 23letém dobrovolníkovi o hmotnosti 90 kg, který měl zjevně zdravý stav, a to za různých situací. Při experimentech zůstal dobrovolník nehybný, nemluvil a vyhýbal se jakémukoli druhu biofeedbacku. Při prvním experimentu (experiment vsedě) byl subjekt požádán, aby se pohodlně a uvolněně posadil na židli se zavřenýma očima. Druhý experiment (experiment s podněty) byl proveden za stejných podmínek jako první experiment, ale v tomto případě byl dobrovolník vystaven náhodným zvukovým podnětům s cílem analyzovat vliv vnějších rušivých vlivů na ANS. Každý z experimentů byl v pořadí dvakrát opakován.
Ve druhé sadě experimentů byl použit standardizovaný protokol pro studium HRV , aby bylo možné provést srovnávací analýzu systému s výsledky získanými v předchozích studiích. Studie se zúčastnilo 5 dobrovolníků, zjevně zdravých. Tabulka 1 uvádí podrobné antropometrické charakteristiky dobrovolníků. Měření byla prováděna v ranních hodinách. Každý subjekt provedl dva experimenty, z nichž každý trval pět minut: (i) klidový experiment: dobrovolník zůstal nehybný v poloze vleže na zádech (ii) náklonový experiment: dobrovolník zůstal nehybný ve stoje.
|
||||||||||||||||
3. Výsledky designu
Obrázek 2 ukazuje návrh chytrého zařízení podle modulárního schématu zahrnujícího následující prvky: (i) Snímací modul: jeho funkcí je zajistit elektrochemické rozhraní mezi tkání a elektronickým měřicím subsystémem (front-end modul) pro detekci napětí. Toto rozhraní se uskutečňuje prostřednictvím kontaktu elektroda-kůže, který se skládá z kovové elektrody, elektrolytického gelu (obvykle obsahujícího Cl-) a lidské kůže. Za tímto účelem byly na testované uživatele umístěny tři diagnostické elektrody DORMO-TAB (Ag-AgCl předželezované ohebné elektrody o rozměrech 26,4 mm × 22,5 mm), první umístěná pod klíční kostí na pravém rameni, druhá pod klíční kostí na levém rameni a třetí na břiše na levé spodní straně. Tyto elektrody byly připojeny k modulu front-end pomocí kabelů. ii) Modul front-end: je to prvek pro sběr sledovaného signálu. Skládá se ze systému snímání EKG signálu založeného na přístrojovém zesilovači (INA), obvodu zpětné vazby přes třetí elektrodu, tří filtračních stupňů a zesilovacího stupně, které jsou realizovány prostřednictvím operačních zesilovačů. iii) Modul zpracování: odpovídá za zpracování EKG signálu a frekvenční analýzu pro spektrální odhad HRV. Pro zpracování dat, která lze odesílat bezdrátově v reálném čase, byl použit modul OLIMEX PIC32-PINGÜINO-OTG. Modul OLIMEX využívá mikrokontrolér PIC32MX440F256H s 256 KB programové paměti, 32 KB datové paměti a maximální rychlostí 80 MHz. iv)Komunikační modul: je zodpovědný za obousměrnou bezdrátovou komunikaci chytrého zařízení: přenos výsledku zpracování signálu do externí jednotky (v tomto prvním prototypu do počítače) v jednom smyslu a příjem konfiguračních příkazů pro personalizaci algoritmů zpracování v druhém smyslu. V tomto případě byl pro realizaci komunikace založené na standardu Bluetooth použit modul RN42-I/RM od společnosti microchip.
Vstupní stupeň čelního modulu se skládá z INA složeného ze tří operačních zesilovačů s přibližným zesílením 33 dB. Vstupní diferenciální impedance je bootstrapována pro zvýšení vstupního odporu a zvýšení kvality odstupu signálu od šumu . Prostřednictvím napěťového sledovače se získá společný mód INA, který je invertován a zesílen tak, že je následně zpětně veden přes pravou nohu, aby se dosáhlo zvýšení odrušovacího poměru společného módu (CMRR), čímž se sníží vliv rušení ve výstupním signálu .
Poté je implementován vysokofrekvenční filtr s mezní frekvencí 0,5 Hz. Tato filtrace se provádí z dolnopropustného filtru se stejnou mezní frekvencí, který jako své referenční napětí přivádí spojitou úroveň výstupního signálu INA. Tato konfigurace umožňuje dosáhnout vyššího zesílení zesilovače, čímž se zabrání saturaci v následných stupních v důsledku vysoké úrovně stejnosměrného proudu.
Dále jsou zařazeny dvoustupňové stupně filtrace zesílení. Rušení elektrické instalace je potlačeno zářezovým filtrem nastaveným na frekvenci 50 Hz. Poté se nastaví dolnopropustný filtr s mezní frekvencí 150 Hz, aby se minimalizoval vliv dalších možných zdrojů šumu, obvykle na vysoké frekvenci.
Nakonec se jako poslední zesilovací stupeň použije invertorový zesilovač s přibližným zesílením 30 dB, který poskytuje měřitelný signál analogově-digitálnímu převodníku (ADC) modulu zpracování.
ADC byl realizován s využitím jedné z dostupných periferií mikrokontroléru PIC32MX440F256H, který je jádrem modulu OLIMEX PIC32-PINGÜINO-OTG. Toto zařízení umožňuje až 16kanálový 10bitový ADC s maximální vzorkovací frekvencí 1000 ksps. Ačkoli bylo prokázáno, že k měření EKG signálu lze použít vzorkovací frekvenci pouhých 50 Hz, aniž by byla ohrožena přesnost vypočtených parametrů HRV v časové oblasti , jiné studie doporučují frekvenci 200 Hz, aby se zabránilo možnému zkreslení frekvenčního spektra signálu , což je základem analýzy uvedené v této práci. Z tohoto důvodu byla jako pracovní frekvence zařízení zvolena vzorkovací frekvence 200 Hz, aby se minimalizovalo výpočetní zatížení a spotřeba energie a zároveň byla zajištěna kvalita výsledků po zpracování.
Pro konstrukci čelního panelu byly použity rezistory a kondenzátory pro povrchovou montáž standardní velikosti 0603 a operační zesilovače pro povrchovou montáž řady Texas Instruments OPA211. OPA211 byl vybrán proto, že jeho hlavní charakteristikou je velmi nízký vstupní šum (80nVpp) a je ideální pro lékařské aplikace.
3.3. Výběr operačního zesilovače OPA211 Modul zpracování
Odhad HRV ve frekvenční oblasti ze signálu EKG se získá pomocí algoritmu o pěti krocích:(i)V prvním kroku se signál S0 odpovídající výstupnímu signálu EKG front-endu zvýší na třetí mocninu. Tímto způsobem se získá signál, který umožňuje lépe definovat komplex QRS (ii)Ve druhém kroku se z druhé derivace , vytvoří nový signál odpovídající následujícím výrazům: kde představuje aktuální vzorek. Toto zpracování umožňuje snadnou detekci R vlny. iii)Ve třetí fázi se získá signál S3 jako odhad RR intervalů vyjádřený v sekundách. Ukládá se registr posledních maximálních hodnot R vlny v signálu S2, čímž se eliminují starší hodnoty, aby bylo možné se dynamicky přizpůsobovat změnám amplitudy signálu. Z tohoto registru je definován práh detekce Thd jako 30 % maximální hodnoty všech z nich. Tento práh umožňuje omezit interval vyhledávání vlny R. Okamžik, kdy je vlna v intervalu vyhledávání maximální, je nastaven jako R-instant. Nová hodnota je pak definována ve vektoru intervalu RR jako rozdíl mezi aktuálním R-instantem a předchozím. iv)Ve čtvrté fázi se spektrální odhad S3 pomocí AR modelů získá Burgovou metodou řádu N, kde N je konfigurovatelný parametr . Vzhledem k tomu, že doba pořízení signálu je malá, je použití Burgovy metody vhodnou volbou, protože její výhodou je vyšší rozlišení a stabilita při malém množství dat . Algoritmus byl implementován podle doporučení popsaných v části pro zlepšení odhadu frekvence. v)Nakonec byly v páté fázi vypočteny , , a parametry podle rovnic a postupů popsaných v části Materiály a metody.
4. Výsledky ověření
Jako ukázku signálů, se kterými pracuje zpracovatelský modul, ukazuje obrázek 3 výsledek prvních tří fází algoritmu popsaného v předchozí části pro experiment vsedě. Obrázek 3(a) ukazuje 20sekundový úsek výstupního signálu S0 z přední části EKG. Obrázek 3b) ukazuje signál jako výsledek zvýšení signálu S0 na třetí mocninu, aby se zvýšila definice komplexu QRS signálu EKG. Obrázek 3(c) ukazuje signál S2, který umožňuje snadnou detekci R vlny. A konečně obrázek 3(d) ukazuje kompletní signál S3 jako výsledek odhadu RR intervalů signálu S2. Tento poslední signál představuje časový signál rozložený podél horizontální osy, rovněž časové povahy, který bude základem následné analýzy ve frekvenční oblasti.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
Vzhledem k zájmu, který představuje výpočet výkonové spektrální hustoty pro analýzu signálu HRV, byl optimalizován parametr Burg N ve čtvrté fázi algoritmu. Pro volbu řádu filtru byly testovány různé hodnoty od do , což je doporučený rozsah pro tento typ aplikací , přičemž jejich hodnota se zvyšovala v krocích po dvou.
Obrázek 4 ukazuje výsledky získané pro některé z analyzovaných hodnot parametru N. Za optimální byla považována hodnota, která umožnila správný spektrální odhad. Čím menší je N, tím je signál hladší, což ztěžuje detekci spektrálních složek, zatímco čím vyšší je N, tím větší je počet vrcholů generovaných ve frekvenčním spektru, což ztěžuje jeho analýzu a vyžaduje v tomto případě delší výpočetní čas. Po této analýze byla stanovena jako optimální hodnota parametru, protože to byl menší řád, který nabízel adekvátní vymezení spektrálních složek.
Realizace prototypu inteligentního zařízení je znázorněna na obrázku 5.
Spektrální analýza první sady experimentů (experiment vsedě a experiment s podněty) byla použita při první validaci zařízení a jeho algoritmu zpracování. Toto hodnocení bylo v tomto případě provedeno kvalitativním způsobem, analýzou spektra signálů inspekcí. Obrázek 6 ukazuje srovnání spektrálního odhadu dvou provedených experimentů, v nichž jsou identifikovány spektrální složky LF a HF.
(a)
(b)
(a)
(b)
V experimentu vsedě, při kterém byl uživatel uvolněný, je vidět, že VF složka je dominantní nad LF složkou. Tento výsledek je v souladu s očekávaným výsledkem, protože v tomto případě by měla být větší aktivita parasympatiku nad sympatikem, protože odpovídá stavu klidu a uvolnění. V experimentu s podněty byl dobrovolník vystaven různým rušivým vlivům. V tomto případě dominovala LF složka, což rovněž odpovídá očekávaným výsledkům.
Získané výsledky podnítily podrobnější studii s použitím standardizovaného protokolu popsaného v části Materiály a metody a druhé sady experimentů (klidové experimenty a experimenty s náklonem). Jako příklad jsou na obrázcích 7 a 8 uvedeny spektrální odhady HRV dobrovolnice a dobrovolníka. Každý z obrázků také představuje PSD dvou experimentů provedených každým dobrovolníkem: klidových a náklonových experimentů. Na obou grafech je patrný nárůst LF složky a pokles HF složky při přechodu z polohy vleže do polohy ve stoje. V případě znázorněném na obrázku 7 dochází dokonce k inverzi polohy maxima spektrálních složek, které se při klidovém experimentu nachází ve VF a při experimentu v náklonu v LF.
Pro přesnější určení vztahu mezi spektrálními složkami při porovnávání obou případů (klid a náklon) byla provedena také kvantitativní analýza pomocí normalizovaných parametrů výše popsaných spektrálních charakteristik HRV: , , a .
Použití normalizovaných parametrů a standardního protokolu zvýhodňuje srovnání s ostatními výsledky v literatuře. Tabulka 2 uvádí výsledky získané v této studii a vzorek ekvivalentních údajů získaných jinými autory pro zdravé osoby.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Údaje z tabulky 2 ukazují výsledky srovnatelné s výsledky zjištěnými v jiných studiích, a to jak v absolutních, tak v relativních hodnotách. Kromě toho je pozorován stejný trend a stejné vztahy mezi parametry. je vyšší v experimentech s náklonem než v ostatních experimentech. V případě HFnu je tomu naopak. Poměr LF/HF má v klidových experimentech hodnotu blízkou jednotce, ale u experimentů s náklonem je mnohem vyšší.
Z tabulky 2 je také patrné, že maximální a minimální hodnoty jednotlivých parametrů se nepřekrývají. V tomto smyslu lze pak pro každý z parametrů stanovit prahovou hodnotu, která by mohla být použita při hypotetickém rozpoznávání a klasifikaci experimentů. Pro , je jako klasifikační práh stanovena průměrná hodnota mezi maximální hodnotou parametru v ostatních experimentech a minimální hodnotou parametru v experimentech s náklonem. Stejný postup se použije pro výpočet prahové hodnoty parametru LF/HF. Naproti tomu práh parametru HFnu se vypočítá jako průměrná hodnota mezi minimální hodnotou v klidových experimentech a maximální hodnotou v experimentech s náklonem. Tabulka 3 uvádí klasifikační pravidla podle předchozích prahů.
|
|||||||||||||||||||||||||||
Na obrázku 9 je graficky znázorněno rozložení parametrů v okolí klasifikačních prahů, vyznačených plnou čarou. Grafy rovněž zobrazují interval spolehlivosti 68,27 % (±standardní odchylka) získaný pro každý parametr v každém z experimentů. Tyto intervaly jsou označeny čárkovaně a slouží ke zvýraznění statistického rozdělení výsledků.
(a)
(b)
(c)
(a)
(b)
(c)
Co se týče výkonu zařízení, tabulka 4 shrnuje některé vlastnosti zařízení a porovnává je s několika nedávnými pracemi. Hlavní výhodou zařízení ve srovnání s jinými komerčními a literárními návrhy je jeho schopnost detekce změn variability srdeční frekvence (HRV) v reálném čase prostřednictvím frekvenční analýzy. Pokud je autorům známo, tato schopnost není v přenosných zařízeních implementována, přičemž nejběžnější metodou je offline analýza z dat uložených v paměti .
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
V první sadě experimentů, která odpovídala funkčnímu hodnocení přední části, byla data EKG zachycená zařízením bezdrátově odesílána v reálném čase do počítače, který fungoval jako zpracovatelský modul, kde byla analyzována pomocí softwaru Matlab (verze 2016a). Každý vzorek byl postupně odeslán komunikačním modulem Bluetooth, který byl použit jako sériový port, s přenosovou rychlostí 200 vzorků za sekundu (dva bajty na vzorek).
Po těchto pozitivních výsledcích byl ve druhé sadě experimentů algoritmus zabudován do fyzického zpracovatelského modulu prototypu. Tabulka 5 uvádí některé podrobnosti o implementaci algoritmu v prototypu senzoru. Druhá sada experimentů byla provedena s použitím zařízení v autonomním režimu, podle kterého zařízení provádělo následující úlohy: (i)Sekvenční bezdrátový přenos vzorků EKG pro jeho registraci a následné vyhodnocení (ii)On-line výpočet S3 jako odhad RR intervalů. Tento proces, prováděný v rámci zařízení, vyžaduje ke svému běhu čas 193 μs, což stačí k tomu, aby byl proveden v reálném čase vždy, když je přijat nový vzorek o frekvenci 200 Hz, aniž by došlo k interferenci s dalším vzorkem. iii)Každých pět minut odhad HRV ve frekvenční oblasti z intervalů RR. Tento proces, rovněž prováděný v zařízení, vyžaduje čas 409,2 ms, což je dostatečné pro aplikaci v reálném čase. iv)Výpočet , , a z PSD signálu HRV a bezdrátový přenos výsledku.
|
||||||||||||
Algoritmus byl současně prováděn i na počítači se vzorky EKG zaslanými přístrojem. Shoda ve výsledcích získaných zařízením vzhledem k počítači dokazuje životaschopnost prototypu pro provádění navrženého algoritmu v reálném čase.
5. Závěry
V této práci bylo ukázáno první přiblížení chytrého zařízení a algoritmu zpracování pro spektrální analýzu HRV v reálném čase. Podle našich nejlepších znalostí není tato schopnost dostupná v žádném přenosném zařízení pro měření EKG. V rámci požadavků na nízkou cenu, možnost přizpůsobení a nízkou spotřebu energie byl navržen a implementován hardware a software potřebný pro snímání EKG signálu a jeho následné zpracování.
Kvalitativní ověření bylo provedeno ve dvou různých experimentech, které byly opakovány vždy dvakrát. V prvním experimentu, při němž byl dobrovolník uvolněný, naznačovaly pozorované spektrální složky větší aktivitu parasympatiku nad sympatikem. Při druhém pokusu, kdy byl dobrovolník vystaven vnějším podnětům, vykazovaly spektrální složky větší aktivitu sympatiku než parasympatiku. Výsledky získané v tomto prvním přiblížení ukazují životaschopnost zařízení a navržených algoritmů pro kvalitativní analýzu ANS v reálném čase a vliv různých perturbací.
Pro vyčerpávající vyhodnocení byla provedena druhá sada experimentů. Při spektrální analýze HRV byly použity standardní parametry a také standardizovaný protokol měření (klidové a náklonové experimenty). Srovnávací analýza s ohledem na výsledky získané v jiných studiích prokázala platnost zařízení i navržených algoritmů pro kvantitativní hodnocení spektrálních složek HRV. Kromě toho byla vytvořena metoda pro klasifikaci klidových a náklonových aktivit z EKG signálu.
Konflikty zájmů
Autoři prohlašují, že neexistují žádné konflikty zájmů s jakoukoli společností nebo organizací týkající se materiálů diskutovaných v tomto článku.
Poděkování
Tato práce byla částečně podpořena fondem Fundación Progreso y Salud andaluské vlády v rámci grantů PI-0010-2013 a PI-0041-2014, částečně Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, v rámci grantů PI15/00306 a DTS15/00195 a částečně CIBER-BBN v rámci grantů INT-2-CARE, NeuroIBC a ALBUMARK.