Abstract
Dette arbejde præsenterer en første tilgang til design, udvikling og implementering af en smart enhed til måling og detektion af ændringer i hjerterytmevariabilitet (HRV) i realtid. Den intelligente enhed følger et modulært designskema, som består af et elektrokardiogram (EKG)-signalindsamlingsmodul, et behandlingsmodul og et trådløst kommunikationsmodul. Ud fra fem minutters EKG-signaler udfører algoritmerne i behandlingsmodulet en spektral vurdering af HRV. De eksperimentelle resultater viser, at den intelligente enhed og de foreslåede behandlingsalgoritmer er levedygtige.
1. Indledning
Kardiovaskulære sygdomme er blandt de vigtigste årsager til befolkningens død . Det anslås, at 17,3 millioner mennesker på verdensplan dør som følge af hjerte-kar-sygdomme, hvilket svarer til 30 % af alle tilfælde . Højt blodtryk, rygevaner, diabetes, visceral fedme, dyslipidæmi, fysisk inaktivitet og usunde spisevaner er de vigtigste modificerbare risikofaktorer, der er forbundet med udviklingen af hjerte-kar-sygdomme . Cardiac autonom dysfunktion er en risikofaktor, der også er relateret til udviklingen af hjerte-kar-sygdomme og kan måles noninvasivt gennem vurdering af hjerterytmevariabilitet (HRV) .
HRV henviser til den kontinuerlige hjerterytme eller de kontinuerlige RR-bølgeintervaller ekstraheret fra elektrokardiogram (EKG)-signalet (tidsafstanden mellem R-bølgerne i EKG-signalet betegnes som RR-intervaller) . Kort- og langtidsvariationer i hjertefrekvensen (HR) kan skyldes forskellige årsager. Det parasympatiske nervesystem forårsager, at HR, og dermed blodtrykket (BP) falder, mens det sympatiske nervesystem favoriserer en antagonistisk virkning, hvorved både HR og BP stiger. Samspillet mellem disse systemer er kendt som den sympatisk-vagale balance i det autonome nervesystem (ANS) . Mange undersøgelser har vist, at HRV er en nyttig kvantitativ indikator til vurdering af balancen mellem det kardiale sympatiske nervesystem og det parasympatiske nervesystem og kan anvendes til diagnosticering og forebyggelse af visse kardiovaskulære sygdomme såsom kongestivt hjertesvigt, pludselig hjertedød, arytmi eller Holmes-Adie-syndrom .
I de seneste årtier er der gjort forsøg på at analysere og kvantificere HRV, så den kan tjene som et klinisk værktøj. Målinger af HRV foretages over lang- og kortvarige perioder. Langtidsoptagelser varer typisk 24 timer og udføres ved hjælp af en Holter, mens korttidsoptagelser varer 2-5 minutter og normalt udføres med et dynamisk EKG .
Analyse af HRV er af interesse i andre multiple tilstande, f.eks. respiratoriske sygdomme. Denne analyse kan anvendes som en enkel og ikke-invasiv metode til vurdering af aerob kapacitet hos personer med KOL , og den kan også anvendes som et prognostisk værktøj, da en reduceret HRV hos disse patienter er blevet relateret til en stigning i morbiditet og dødelighed . Desuden er åndedrætsmuskelstyrken blevet sat i forbindelse med det sympatisk-vagale respons, som kan vurderes ved hjælp af HRV . Andre anvendelser af HRV spænder fra den tidlige biomarkør til vurdering af diabetes mellitus fremskridt , og diagnostisk markør i kroniske nakkesmerter , til mental og fysisk sundhed , eller søvnkvalitet , og arbejdsstress , blandt andre.
Metoder til måling af HRV kan klassificeres i temporale og frekvensdomænemetoder . De første består hovedsagelig af en statistisk analyse af RR-intervaller. Deres muligheder er imidlertid begrænsede, da de ikke viser tilstrækkelig specificitet og følsomhed, ud over behovet for lange registreringsperioder .
Metoderne i frekvensdomænet eller spektral estimering af HRV kan klassificeres i parametriske og ikke-parametriske metoder. Ikke-parametriske metoder baseret på den hurtige Fouriertransformation (FFT) har som hovedfordel deres enkelhed og algoritmiske hastighed , mens parametriske metoder, såsom autoregressive (AR) modeller, giver en mere defineret, glat og let identificerbar spektralkomponent . Desuden giver parametriske metoder for kortvarige målinger en bedre spektral opløsning end ikke-parametriske metoder .
Så vidt forfatterne ved, findes der ikke noget udstyr, der gør det muligt at foretage realtidsanalyse af HRV ved hjælp af ovennævnte metoder. Der er blevet foreslået nogle tilpassede metoder til realtidsanalyse , såsom korttids-Fouriertransformation (STFT), wavelettransformation, Hilbert-Huang-transformation og fra filtre med uendelig impulsrespons (IIR) , men altid udført off-line med EKG-signaler fra tidligere erhvervede optegnelser.
Dette foreliggende arbejde viser en første tilgang til udformningen af en bærbar, tilpasselig og billig smart enhed til realtidsmåling af HRV i frekvensdomænet gennem AR-modeller.
2. Materialer og metoder
I forbindelse med nærværende arbejde betegnes smart enhed som en enhed, der ikke blot har sensoriske egenskaber til måling af visse variabler, men som også er udstyret med en trådløs kommunikationsenhed og har mulighed for at udføre en proces af de erhvervede oplysninger. Enhedens design-, udviklings- og evalueringsprocesser er blevet udført i en iterativ (eller spiralformet) metodologi, hvor udviklingen afprøves før og oftere end i den traditionelle kaskadeformede livscyklus. I konstruktions- og simuleringsfasen er der blevet anvendt Orcad-software (version 16.0) fra Cadence. Til gennemførelsen af prototyperne CircuitCam (version 5.2) og BoardMaster (version 5.0) er der anvendt programmer samt en ProtoMat S62-fræsemaskine, alle af LPKF.
En første vurdering af enhedens ydeevne blev foretaget ved at tage hensyn til dens mest repræsentative egenskaber og sammenligne dem med andre enheder og systemer, der for nylig er foreslået i litteraturen. Forstærkning og båndbredde blev beregnet ud fra simulering af det elektroniske design ved hjælp af Tina-TI-softwaren fra Texas Instruments. Strømforbruget blev anslået ved hjælp af den procedure, der er beskrevet i . Til dette formål blev en modstand på 10 ohm sat i serie i den linje, der forsyner Front-End-trinnet fra batteriet. Med et oscilloskop (MSO6032A fra Agilent Technologies) blev spændingen ved modstanden målt for i overensstemmelse med Ohm’s lov at tilnærme sig indgangsstrømmen til kredsløbet. Denne strøm, der er konstant over tid, blev ganget med forsyningsspændingen på 3,3 V for at opnå strømforbruget.
Det interessante ved den nuværende anordning er dens evne til at beregne HRV-parametrene i frekvensområdet i realtid. Til denne proces er det almindeligt at foretage en vurdering af HRV-signalets effektspektraltæthed (PSD). Som vist i figur 1 fås meget lavfrekvente (VLF) spektralkomponenter i intervallet 0,0033-0,04 Hz , lavfrekvente (LF) spektralkomponenter i intervallet 0,04-0,15 Hz og højfrekvente (HF) spektralkomponenter i intervallet 0,15-0,4 Hz . Disse komponenter giver kliniske oplysninger om variationen i hjertets sinusrytme. LF-komponenter afspejler både sympatiske og parasympatiske påvirkninger, selv om LF kan være tegn på baroreflexfølsomhed . HF-komponenterne er relateret til det parasympatiske system; LF/HF-forholdet er således vejledende for sympathovagal balance .
Effektspektralkomponenterne kvantificeres ved at måle arealet under de tre frekvensbånd: VLF-effekt, LF-effekt og HF-effekt. HRV-spektralkomponenterne bør præsenteres i den naturlige base; derfor kan det være nødvendigt med en logaritmisk transformation. For at lette sammenligningen mellem forskellige undersøgelser præsenteres komponenterne normalt i normaliserede enheder i henhold til følgende udtryk :hvor og repræsenterer effekten af henholdsvis LF- eller HF-komponenterne og angiver de tilsvarende effekter i normaliserede enheder (procent), repræsenterer den samlede effekt (svarende til varians beregnet med tidsdomænetilgange) og angiver effekten af VLF-komponenten. ratio beregnes som forholdet mellem og .
Til validering af sensoren og de anvendte algoritmer blev der udført to sæt eksperimenter. Forsøgspersonerne trak vejret spontant, men fik ikke lov til at tale. Der blev indhentet informeret samtykke fra alle forsøgspersoner.
I det første sæt forsøg blev der udført to EKG-signalindsamlingseksperimenter af 5 minutters varighed på en 23-årig mandlig frivillig person på 90 kg, der tilsyneladende var sund og rask, og under forskellige situationer. Under eksperimenterne forblev den frivillige ubevægelig, uden at tale og uden nogen form for biofeedback. I det første forsøg (siddende forsøg) blev forsøgspersonen bedt om at sidde behageligt og afslappet på en stol med lukkede øjne. Det andet eksperiment (stimuli-eksperimentet) blev udført under de samme betingelser som det første eksperiment, men i dette tilfælde blev den frivillige udsat for tilfældige auditive stimuli med det formål at analysere indflydelsen af eksterne forstyrrelser på ANS. Hvert af eksperimenterne blev til gengæld gentaget ved to forskellige lejligheder.
I det andet sæt eksperimenter blev der anvendt en standardiseret protokol til undersøgelse af HRV , for at muliggøre en sammenlignende analyse af systemet i forhold til resultater opnået i de tidligere undersøgelser . Undersøgelsen omfattede 5 frivillige, af tilsyneladende sund tilstand. Tabel 1 viser en detaljeret oversigt over de frivilliges antropometriske karakteristika. Målingerne blev foretaget om morgenen. Hver forsøgsperson udførte to forsøg af hver 5 minutters varighed: i) hvileforsøg: den frivillige forbliver ubevægelig i rygliggende stilling ii) tiltforsøg: den frivillige forbliver ubevægelig i stående stilling.
|
||||||||||||||||
3. Designresultater
3.1. Design af den intelligente enhed
Figur 2 viser designet af den intelligente enhed efter et modulært skema, der omfatter følgende elementer:(i)Sensormodul: dets funktion er at tilvejebringe en elektrokemisk grænseflade mellem vævet og det elektroniske måleundersystem (front-end-modul) til spændingsdetektion. Denne grænseflade udføres gennem elektrode-hudkontakten, der består af en metalelektrode, en elektrolytisk gel (som normalt indeholder Cl-) og menneskehud. Til dette formål blev der på testbrugerne anbragt tre diagnostiske DORMO-TAB-elektroder (fleksible Ag-AgCl-elektroder med en forgelé med dimensioner på 26,4 mm × 22,5 mm), hvoraf den første blev anbragt under kravebenet på højre skulder, den anden under kravebenet på venstre skulder og den tredje på maven på venstre nedre side. Disse elektroder var forbundet til front-end-modulet via kabler. ii) Front-end-modulet: Det er det element til registrering af det overvågede signal. Det består af et ECG-signaloptagelsessystem baseret på en instrumentationsforstærker (INA), et feedbackkredsløb gennem den tredje elektrode, tre filtertrin og et forstærkningstrin, alle implementeret gennem operationsforstærkere.(iii)Bearbejdningsmodul: Det er ansvarligt for behandlingen af ECG-signalet og frekvensanalysen med henblik på spektral estimering af HRV. Et OLIMEX PIC32-PINGÜINO-OTG-modul er blevet anvendt til databehandling, som kan sendes trådløst i realtid. OLIMEX-modulet anvender en PIC32MX440F256H-mikrocontroller med 256 KB programhukommelse, 32 KB datahukommelse og en maksimal hastighed på 80 MHz. iv) Kommunikationsmodul: det er ansvarligt for den tovejs trådløse kommunikation af den intelligente enhed: overførsel af resultatet af signalbehandlingen til en ekstern enhed (en computer i denne første prototype) i den ene forstand og modtagelse af konfigurationskommandoer til personlig tilpasning af behandlingsalgoritmerne i den anden forstand. I dette tilfælde er der anvendt et RN42-I/RM-modul fra microchip til at implementere kommunikation baseret på Bluetooth-standarden.
3.2. Design af front-end-modulet
Det forreste indgangstrin består af en INA bestående af tre operationsforstærkere med en tilnærmelsesvis forstærkning på 33 dB. Indgangsdifferentialimpedansen er bootstrapped for at øge indgangsmodstanden og øge kvaliteten af signal/støjforholdet . Gennem en spændingsfølger opnås INA’ens fællestilstand, som inverteres og forstærkes, således at den efterfølgende tilbagekobles gennem det højre ben for at opnå en forøgelse af common-mode rejection ratio (CMRR), hvilket reducerer virkningen af forstyrrelser i udgangssignalet .
Der er derefter implementeret et højpasfilter med en afskæringsfrekvens på 0,5 Hz. Denne filtrering udføres fra et lavpasfilter med samme afskæringsfrekvens, som tilbagekobler det kontinuerlige niveau af INA-udgangssignalet som sin referencespænding. Denne konfiguration giver mulighed for en højere forstærkning i forstærkeren, hvorved man undgår mætning i de efterfølgende trin på grund af et højt jævnstrømsniveau.
Næste trin med forstærkningsfiltrering med to enheder er inkluderet. Interferensen fra den elektriske installation dæmpes af et notch-filter, der er justeret til frekvensen 50 Hz. Derefter konfigureres et lavpasfilter med en afskæringsfrekvens på 150 Hz for at minimere virkningerne af andre mulige støjkilder, normalt ved en høj frekvens.
Sluttelig anvendes en inverterforstærker med en forstærkning på ca. 30 dB som det sidste forstærkningstrin til at levere et målbart signal til behandlingsmodulets analog-til-digital-konverter (ADC).
ADC’en blev implementeret ved at udnytte en af de tilgængelige periferier i PIC32MX440F256H-mikrocontrolleren, som er kernen i OLIMEX PIC32-PINGÜINO-OTG-modulet. Denne enhed giver mulighed for op til 16-kanals 10-bit ADC med en maksimal samplingfrekvens på 1000 ksps. Selv om det blev vist, at en samplingfrekvens så lav som 50 Hz kan anvendes til måling af EKG-signalet uden at kompromittere nøjagtigheden af de beregnede HRV-parametre i tidsdomænet, anbefaler andre undersøgelser en frekvens på 200 Hz for at undgå mulige forvrængninger i signalets frekvensspektrum , som er grundlaget for analysen i dette arbejde. Derfor blev en samplingfrekvens på 200 Hz valgt som arbejdsfrekvens for enheden for at minimere beregningsbelastningen og energiforbruget og samtidig sikre en kvalitet i resultaterne efter behandlingen.
Til front-end-designet er der anvendt overflademonterede modstande og kondensatorer af standardstørrelse 0603 og overflademonterede operationsforstærkere i Texas Instruments OPA211-serie. OPA211 blev valgt, fordi den har en hovedkarakteristik, nemlig en meget lav indgangsstøj (80nVpp), og fordi den er ideel til medicinske anvendelser.
3.3. Bearbejdningsmodul
Et skøn over HRV i frekvensdomænet fra EKG-signalet opnås ved hjælp af en femtrinsalgoritme:(i)I et første trin forhøjes signalet S0 svarende til udgangssignalet fra EKG-front-end’en til tredje potens. På denne måde opnås et signal, der giver mulighed for en bedre definition af QRS-komplekset.(ii)I det andet trin genereres der fra den anden afledte af et nyt signal, der svarer til følgende udtryk: hvor repræsenterer den aktuelle prøve. Denne behandling gør det muligt let at detektere R-bølgen.(iii)I tredje trin opnås signalet S3 som et estimat af RR-intervallerne, udtrykt i sekunder. Der gemmes et register over de sidste maksimale værdier af R-bølgen i signal S2, hvorved de ældre værdier elimineres for dynamisk at tilpasse sig til ændringer i signalets amplitude. Ud fra dette register defineres detektionstærsklen Thd som 30 % af den maksimale værdi af dem alle. Denne tærskel gør det muligt at begrænse søgeintervallet for R-bølgen. Det øjeblik, hvor bølgen er maksimal i søgeintervallet, indstilles som R-instinktet. En ny værdi defineres derefter i RR-intervalvektoren som forskellen mellem den aktuelle R-instans og den foregående. iv)I fjerde fase opnås spektralestimeringen af S3 ved hjælp af AR-modeller ved hjælp af Burg-metoden af orden N, hvor N er en konfigurerbar parameter . Da signalindsamlingstiden er lille, er brugen af Burg-metoden en passende mulighed, da den har den fordel, at den har en højere opløsning og stabilitet for en lille datamængde . Algoritmen blev implementeret ved at følge anbefalingerne beskrevet i for at forbedre frekvensestimationen. v)Endelig blev i femte trin , , , og parametrene beregnet i henhold til de ligninger og procedurer, der er beskrevet i afsnittet Materialer og metoder.
4. Valideringsresultater
Som et eksempel på de signaler, som behandlingsmodulet opererer med, viser figur 3 resultatet af de første tre trin af algoritmen beskrevet i det foregående afsnit for et siddende eksperiment. Figur 3(a) viser et 20-sekunders segment af S0-udgangssignalet fra EKG-front-end’et. Figur 3(b) viser signalet som følge af, at S0-signalet hæves til tredje potens for at øge definitionen af EKG-signalets QRS-kompleks. Figur 3(c) viser signalet S2, som gør det let at påvise R-bølgen. Endelig viser figur 3(d) det komplette signal S3 som et resultat af vurderingen af RR-intervallerne i S2-signalet. Dette sidste signal repræsenterer et tidssignal fordelt langs den horisontale akse, som også er af tidsmæssig karakter, og som vil danne grundlag for den efterfølgende analyse i frekvensdomænet.
(a)
(b)
(c)
(d)
(a)
(a)
(b)
(c)
(d)
I betragtning af den interesse, som beregningen af effektspektraltætheden repræsenterer for analysen af HRV-signalet, blev Burg-parameteren N i algoritmens fjerde trin optimeret. For at vælge filterets orden blev forskellige værdier testet fra til , som er det anbefalede område for denne type applikationer , idet deres værdi blev øget i trin på to.
Figur 4 viser de opnåede resultater for nogle af de analyserede værdier af parameteren N. Den værdi, der tillod en korrekt spektral estimering, blev betragtet som optimal. Jo mindre N er, jo glattere er signalet, hvilket gør det vanskeligt at detektere spektralkomponenterne, mens jo højere N er, jo højere er antallet af genererede toppe i frekvensspektret, hvilket gør det vanskeligt at analysere og i dette tilfælde kræver en længere beregningstid. Efter denne analyse blev fastsat som den optimale værdi af parameteren, da det var den mindste orden, der gav en passende definition af spektralkomponenterne.
Implementeringen af prototypen af den intelligente anordning er vist i figur 5.
Spektralanalysen af det første sæt forsøg (siddende forsøg og stimuliforsøg) blev anvendt i en første validering af apparatet og dets behandlingsalgoritme. Denne evaluering blev i dette tilfælde foretaget på en kvalitativ måde, idet signalernes spektrum blev analyseret ved inspektion. Figur 6 viser en sammenligning af den spektrale estimering af to af de udførte forsøg, hvor spektralkomponenterne LF og HF er identificeret.
(a)
(b)
(a)
(b)
I det siddende eksperiment, hvor brugeren var afslappet, kan det ses, at HF-komponenten er dominerende i forhold til LF-komponenten. Dette resultat er i overensstemmelse med det forventede resultat, da der i dette tilfælde burde være en større aktivitet af det parasympatiske system over det sympatiske, da det svarer til en tilstand af hvile og afslappethed. I stimuli-eksperimentet blev den frivillige udsat for forskellige forstyrrelser. I dette tilfælde var LF-komponenten dominerende, hvilket også stemmer overens med de forventede resultater.
De opnåede resultater tilskyndede til en mere detaljeret undersøgelse ved hjælp af den standardiserede protokol, der er beskrevet i afsnittet Materialer og metoder, og det andet sæt eksperimenter (hvileeksperimenter og tilt-eksperimenter). Som et eksempel viser figur 7 og 8 HRV-spektralskønnet for henholdsvis en kvindelig frivillig og en mandlig frivillig. Hver af figurerne viser også PSD’en for de to eksperimenter, der er udført af hver enkelt frivillig: hvile- og tilt-eksperimenter. I begge grafer ses en stigning i LF-komponenten og et fald i HF-komponenten, når man går fra rygliggende stilling til stående stilling. I det tilfælde, der er vist i figur 7, er der endda en inversion i placeringen af spektralkomponenternes maksimum, der er placeret i HF under hvileforsøget og i LF under tiltforsøget.
For at definere forholdet mellem spektralkomponenterne mere præcist, når man sammenligner de to tilfælde (hvile og tilt), blev der også udført en kvantitativ analyse ved hjælp af normaliserede parametre for HRV-spektralkarakteristika beskrevet ovenfor: , , , og .
Anvendelsen af standardiserede parametre og en standardprotokol fremmer sammenligningen med andre resultater i litteraturen. Tabel 2 viser de resultater, der er opnået i denne undersøgelse, og et udsnit af tilsvarende data, der er opnået af andre forfattere for raske personer.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Dataene i tabel 2 viser resultater, der er sammenlignelige med dem, der er fundet i andre undersøgelser, både i absolutte og relative værdier. Desuden observeres den samme tendens og de samme sammenhænge mellem parametrene. er højere i tiltforsøgene end i de øvrige forsøg. Det omvendte er tilfældet for HFnu. LF/HF-forholdet har en værdi tæt på enheden i hvileforsøgene, men er meget højere i tiltforsøgene.
Det fremgår også af tabel 2, at maksimum- og minimumsværdierne for de forskellige parametre ikke overlapper hinanden. I denne forstand kan der så fastsættes en tærskelværdi for hver af parametrene, som kan anvendes i en hypotetisk genkendelse og klassificering af eksperimenterne. For , er gennemsnitsværdien mellem den maksimale værdi af parameteren i resten af forsøgene og den minimale værdi af parameteren i hældningsforsøgene fastsat som klassifikationstærskel. Den samme procedure anvendes til at beregne tærsklen for LF/HF-parameteren. Tærsklen for parameteren HFnu beregnes derimod som gennemsnitsværdien mellem minimumsværdien i hvileforsøgene og maksimumsværdien i tiltforsøgene. Tabel 3 viser klassifikationsreglerne i henhold til de tidligere tærskler.
|
|||||||||||||||||||||||||||
Figur 9 viser grafisk fordelingen af parametrene omkring klassifikationstærskelværdierne, der er markeret med en gennemgående linje. Graferne viser også det konfidensinterval på 68,27 % (± standardafvigelse), der er opnået for hver parameter i hvert af eksperimenterne. Disse intervaller er markeret med streger og tjener til at fremhæve den statistiske fordeling af resultaterne.
(a)
(b)
(c)
(a)
(b)
(c)
Med hensyn til enhedens ydeevne opsummerer tabel 4 nogle af enhedens egenskaber og sammenlignes med et par nyere arbejder. Den største fordel ved apparatet i forhold til andre kommercielle forslag og forslag fra litteraturen er dets evne til realtidsdetektion af ændringer i hjerterytmevariabiliteten (HRV) gennem frekvensanalyse. Så vidt forfatterne ved, er denne kapacitet ikke implementeret i bærbare apparater, idet offline-analyse af data lagret i hukommelsen er den mest almindelige metode.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
I det første sæt forsøg, der svarer til den funktionelle evaluering af front-end’en, blev de EKG-data, der blev opfanget af enheden, trådløst sendt i realtid til en computer, der fungerede som behandlingsmodul, hvor de blev analyseret med Matlab-software (version 2016a). Hver prøve blev sendt sekventielt af Bluetooth-kommunikationsmodulet, der blev anvendt som en seriel port, med en transmissionshastighed på 200 prøver pr. sekund (to bytes pr. prøve).
Efter disse positive resultater blev algoritmen i det andet sæt forsøg indlejret i prototypens fysiske behandlingsmodul. Tabel 5 viser nogle detaljer om implementeringen af algoritmen i sensorprototypen. Det andet sæt eksperimenter blev udført ved hjælp af enheden i stand-alone-tilstand, hvorefter enheden udførte følgende opgaver: i) Sekventiel trådløs overførsel af EKG-prøver med henblik på registrering og efterfølgende evaluering. ii) On-line S3-beregning som estimering af RR-intervallerne. Denne proces, der udføres i apparatet, kræver en tid på 193 μs at køre, hvilket er nok til at blive udført i realtid, hver gang der modtages en ny prøve ved 200 Hz, uden at forstyrre den næste prøve.(iii)Hvert femte minut, estimering af HRV i frekvensdomænet ud fra RR-intervallerne. Denne proces, der også udføres i apparatet, kræver en tid på 409,2 ms, hvilket er tilstrækkeligt til en realtidsanvendelse. iv) Beregning af , , , og ud fra HRV-signalets PSD og trådløs overførsel af resultatet.
|
||||||||||||
Algoritmen blev også udført samtidig på en computer med de EKG-prøver, der blev sendt af enheden. Sammenfaldet i de resultater, der blev opnået af enheden i forhold til computeren, viser, at prototypen er levedygtig med hensyn til udførelse af den foreslåede algoritme i realtid.
5. Konklusioner
I det foreliggende arbejde er der vist en første tilnærmelse til en smart enhed og en behandlingsalgoritme til spektralanalyse af HRV i realtid. Så vidt vi ved, er denne mulighed ikke tilgængelig i nogen bærbar EKG-måleapparat. Under kravene om lave omkostninger, tilpasningsmuligheder og lavt strømforbrug er den hardware og software, der er nødvendig for opsamling af EKG-signalet og den efterfølgende behandling heraf, blevet designet og implementeret.
Der blev foretaget en kvalitativ validering i to forskellige eksperimenter, der blev gentaget to gange hver. I et første eksperiment, hvor den frivillige var afslappet, viste de observerede spektralkomponenter en større aktivitet af det parasympatiske system end det sympatiske system. I et andet forsøg, hvor den frivillige blev udsat for eksterne stimuli, viste spektralkomponenterne en større aktivitet af det sympatiske system end af det parasympatiske system. De resultater, der er opnået i denne første tilnærmelse, viser, at apparatet og de foreslåede algoritmer er levedygtige til en kvalitativ analyse i realtid af ANS og indflydelsen af forskellige forstyrrelser.
For at få en mere udtømmende evaluering blev der udført et andet sæt forsøg. Der blev anvendt standardparametre i spektralanalysen af HRV samt en standardiseret måleprotokol (hvile- og tilt-eksperimenter). En sammenlignende analyse med hensyn til de resultater, der er opnået i andre undersøgelser, har vist gyldigheden af både apparatet og de foreslåede algoritmer til kvantitativ evaluering af HRV-spektralkomponenterne. Desuden er der blevet etableret en metode til klassificering af hvile- og tilt-aktiviteter ud fra et EKG-signal.
Interessekonflikter
Forfatterne erklærer, at der ikke er nogen interessekonflikter med nogen virksomhed eller organisation med hensyn til det materiale, der diskuteres i denne artikel.
Anerkendelser
Dette arbejde blev delvist støttet af Fundación Progreso y Salud, Andalusiens regering, under tilskuddene PI-0010-2013 og PI-0041-2014, delvist af Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, under bevillinger PI15/00306 og DTS15/00195, og delvist af CIBER-BBN under bevillinger fra INT-2-CARE, NeuroIBC og ALBUMARK.