Abstract
Diese Arbeit stellt einen ersten Ansatz für die Konzeption, Entwicklung und Implementierung eines intelligenten Geräts zur Echtzeitmessung und Erkennung von Veränderungen der Herzfrequenzvariabilität (HRV) vor. Das intelligente Gerät ist modular aufgebaut und besteht aus einem Modul zur Erfassung von Elektrokardiogrammsignalen (EKG), einem Verarbeitungsmodul und einem drahtlosen Kommunikationsmodul. Aus fünfminütigen EKG-Signalen führen die Algorithmen des Verarbeitungsmoduls eine spektrale Schätzung der HRV durch. Die experimentellen Ergebnisse zeigen die Funktionsfähigkeit des intelligenten Geräts und der vorgeschlagenen Verarbeitungsalgorithmen.
1. Einleitung
Herz-Kreislauf-Erkrankungen gehören zu den Haupttodesursachen der Bevölkerung. Schätzungen zufolge sterben weltweit 17,3 Millionen Menschen an den Folgen von Herz-Kreislauf-Erkrankungen, das sind 30 % aller Fälle. Bluthochdruck, Rauchen, Diabetes, viszerale Adipositas, Dyslipidämie, Bewegungsmangel und ungesunde Ernährungsgewohnheiten sind die wichtigsten veränderbaren Risikofaktoren, die mit der Entwicklung von Herz-Kreislauf-Erkrankungen in Verbindung gebracht werden. Die kardiale autonome Dysfunktion ist ein Risikofaktor, der ebenfalls mit der Entwicklung von Herz-Kreislauf-Erkrankungen zusammenhängt und nichtinvasiv durch die Bewertung der Herzfrequenzvariabilität (HRV) gemessen werden kann.
HRV bezieht sich auf die kontinuierliche Herzfrequenz oder die kontinuierlichen RR-Wellenintervalle, die aus dem Elektrokardiogramm (EKG)-Signal extrahiert werden (der zeitliche Abstand zwischen den R-Wellen im EKG-Signal wird als RR-Intervalle bezeichnet). Kurz- und langfristige Schwankungen der Herzfrequenz (HR) können auf unterschiedliche Ursachen zurückzuführen sein. Der Parasympathikus bewirkt, dass die Herzfrequenz und damit der Blutdruck sinken, während der Sympathikus eine antagonistische Wirkung hat und sowohl die Herzfrequenz als auch den Blutdruck erhöht. Das Zusammenspiel dieser Systeme wird als sympathisch-vagales Gleichgewicht des autonomen Nervensystems (ANS) bezeichnet. Viele Studien haben gezeigt, dass die HRV ein nützlicher quantitativer Indikator zur Bewertung des Gleichgewichts zwischen dem kardialen sympathischen Nervensystem und dem parasympathischen Nervensystem ist und bei der Diagnose und Prävention einiger kardiovaskulärer Erkrankungen wie Herzinsuffizienz, plötzlichem Herztod, Arrhythmie oder Holmes-Adie-Syndrom eingesetzt werden kann.
In den letzten Jahrzehnten wurde versucht, die HRV zu analysieren und zu quantifizieren, so dass sie als klinischer Nutzen dienen kann. Messungen der HRV werden über lange und kurze Zeiträume durchgeführt. Langzeitaufzeichnungen dauern in der Regel 24 Stunden und werden mit einem Holter durchgeführt, während Kurzzeitaufzeichnungen 2-5 Minuten dauern und in der Regel mit einem dynamischen EKG durchgeführt werden.
Die Analyse der HRV ist auch bei anderen Erkrankungen von Interesse, z. B. bei Atemwegserkrankungen. Diese Analyse kann als einfache und nicht-invasive Methode zur Schätzung der aeroben Kapazität bei Personen mit COPD verwendet werden, und sie kann auch als prognostisches Instrument eingesetzt werden, da bei diesen Patienten eine verringerte HRV mit einem Anstieg der Morbidität und Mortalität in Verbindung gebracht wurde. Darüber hinaus wurde die Stärke der Atemmuskulatur mit der sympathisch-vagalen Reaktion in Verbindung gebracht, die durch die HRV bewertet werden kann. Andere Anwendungen der HRV reichen von einem frühen Biomarker für die Bewertung des Fortschreitens von Diabetes mellitus und einem diagnostischen Marker für chronische Nackenschmerzen bis hin zu psychischer und physischer Gesundheit, Schlafqualität und Arbeitsstress, um nur einige zu nennen.
Methoden zur Messung der HRV können in zeitliche und frequenzbezogene Methoden unterteilt werden. Erstere bestehen hauptsächlich aus einer statistischen Analyse der RR-Intervalle. Ihre Möglichkeiten sind jedoch begrenzt, da sie keine ausreichende Spezifität und Sensitivität aufweisen und zudem lange Aufzeichnungszeiträume benötigen.
Die Methoden im Frequenzbereich oder die spektrale Schätzung der HRV können in parametrische und nichtparametrische Methoden unterteilt werden. Nichtparametrische Methoden, die auf der schnellen Fourier-Transformation (FFT) basieren, haben als Hauptvorteil ihre Einfachheit und algorithmische Geschwindigkeit, während parametrische Methoden, wie autoregressive (AR) Modelle, eine definiertere, glattere und leicht zu identifizierende Spektralkomponente liefern. Darüber hinaus bieten parametrische Methoden bei Kurzzeitmessungen eine bessere spektrale Auflösung als nichtparametrische Methoden.
Nach Kenntnis der Autoren gibt es keine Geräte, die eine Echtzeitanalyse der HRV mit den oben genannten Methoden ermöglichen. Einige angepasste Methoden wurden für die Echtzeitanalyse vorgeschlagen, wie die Kurzzeit-Fourier-Transformation (STFT), die Wavelet-Transformation, die Hilbert-Huang-Transformation und unendliche Impulsantwort-Filter (IIR-Filter), die jedoch immer offline mit EKG-Signalen aus zuvor erfassten Aufzeichnungen ausgeführt werden.
Die vorliegende Arbeit zeigt einen ersten Ansatz für die Entwicklung eines tragbaren, anpassbaren und kostengünstigen intelligenten Geräts für die Echtzeitmessung der HRV im Frequenzbereich durch AR-Modelle.
2. Materialien und Methoden
Im Zusammenhang mit der vorliegenden Arbeit wird ein intelligentes Gerät als ein Gerät bezeichnet, das nicht nur über Sensorik zur Messung bestimmter Variablen verfügt, sondern auch mit einer drahtlosen Kommunikationseinheit ausgestattet ist und die Fähigkeit besitzt, eine Verarbeitung der gewonnenen Informationen durchzuführen. Der Entwurfs-, Entwicklungs- und Bewertungsprozess des Geräts wurde in einer iterativen (oder spiralförmigen) Methodik durchgeführt, wobei die Entwicklungen früher und häufiger als im traditionellen kaskadierten Lebenszyklus getestet wurden. In der Entwurfs- und Simulationsphase wurde die Software Orcad (Version 16.0) von Cadence verwendet. Für die Umsetzung der Prototypen wurden die Programme CircuitCam (Version 5.2) und BoardMaster (Version 5.0) sowie eine ProtoMat S62 Fräsmaschine, alle von LPKF, verwendet.
Eine erste Bewertung der Leistung des Bauelements wurde vorgenommen, indem seine repräsentativsten Eigenschaften betrachtet und mit anderen Bauelementen und Systemen verglichen wurden, die kürzlich in der Literatur vorgeschlagen wurden. Die Verstärkung und die Bandbreite wurden anhand der Simulation des elektronischen Designs mit der Tina-TI-Software von Texas Instruments berechnet. Die Leistungsaufnahme wurde nach dem in beschriebenen Verfahren geschätzt. Zu diesem Zweck wurde ein Widerstand von 10 Ohm in Reihe in die Leitung geschaltet, die die Front-End-Stufe von der Batterie speist. Mit einem Oszilloskop (MSO6032A von Agilent Technologies) wurde die Spannung am Widerstand gemessen, um nach dem Ohm’schen Gesetz den Eingangsstrom in die Schaltung zu bestimmen. Dieser über die Zeit konstante Strom wurde mit der Versorgungsspannung von 3,3 V multipliziert, um die Leistungsaufnahme zu erhalten.
Das Interesse des vorliegenden Geräts liegt in seiner Fähigkeit, die HRV-Parameter im Frequenzbereich in Echtzeit zu berechnen. Für diesen Prozess ist es üblich, eine Schätzung der Leistungsspektraldichte (PSD) des HRV-Signals vorzunehmen. Wie in Abbildung 1 dargestellt, erhält man sehr niederfrequente (VLF) Spektralkomponenten im Bereich von 0,0033-0,04 Hz , niederfrequente (LF) Spektralkomponenten im Bereich von 0,04-0,15 Hz und hochfrequente (HF) Spektralkomponenten im Bereich von 0,15-0,4 Hz . Diese Komponenten liefern klinische Informationen über die Schwankungen des Sinusrhythmus des Herzens. Die NF-Komponenten spiegeln sowohl sympathische als auch parasympathische Einflüsse wider, wobei die NF auf die Baroreflexempfindlichkeit hinweisen kann. Die HF-Komponenten stehen mit dem Parasympathikus in Verbindung; daher ist das LF/HF-Verhältnis ein Indikator für das sympathovagale Gleichgewicht.
Die leistungsspektralen Komponenten werden durch Messung der Fläche unter den drei Frequenzbändern quantifiziert: VLF-Leistung, LF-Leistung und HF-Leistung. Die spektralen Komponenten der HRV sollten in der natürlichen Basis dargestellt werden; daher könnte eine logarithmische Transformation erforderlich sein. Um den Vergleich zwischen verschiedenen Studien zu erleichtern, werden die Komponenten in der Regel in normalisierten Einheiten gemäß den folgenden Ausdrücken dargestellt: wobei und die Leistung der NF- bzw. HF-Komponenten darstellen und die entsprechenden Leistungen in normalisierten Einheiten (Prozentsatz) angeben, die Gesamtleistung (äquivalent zur mit Zeitbereichsansätzen berechneten Varianz) darstellen und die Leistung der VLF-Komponente angeben. Das Verhältnis wird als das Verhältnis von und berechnet. Die Probanden atmeten spontan, durften aber nicht sprechen. Von allen Versuchspersonen wurde eine informierte Zustimmung eingeholt.
In der ersten Versuchsreihe wurden zwei EKG-Signalerfassungsexperimente mit einer Dauer von 5 Minuten an einem 23-jährigen männlichen Probanden mit einem Gewicht von 90 kg und in einem augenscheinlich gesunden Zustand und unter verschiedenen Situationen durchgeführt. Bei den Experimenten blieb der Proband bewegungslos, ohne zu sprechen und ohne jede Art von Biofeedback. Beim ersten Experiment (Sitzexperiment) wurde die Versuchsperson gebeten, bequem und entspannt auf einem Stuhl zu sitzen und die Augen zu schließen. Das zweite Experiment (Stimuli-Experiment) wurde unter den gleichen Bedingungen wie das erste Experiment durchgeführt, aber in diesem Fall wurde der Proband zufälligen auditiven Reizen ausgesetzt, um den Einfluss externer Störungen auf das ANS zu analysieren. Jedes der Experimente wurde wiederum bei zwei verschiedenen Gelegenheiten wiederholt.
In der zweiten Reihe von Experimenten wurde ein standardisiertes Protokoll für die Untersuchung der HRV verwendet, um eine vergleichende Analyse des Systems mit den in den vorherigen Studien erzielten Ergebnissen zu ermöglichen. An der Studie nahmen 5 Freiwillige teil, die offensichtlich gesund waren. Tabelle 1 zeigt die anthropometrischen Merkmale der Probanden im Detail. Die Messungen wurden am Morgen durchgeführt. Jeder Proband führte zwei Experimente mit einer Dauer von jeweils fünf Minuten durch:(i) Ruheexperiment: der Proband bleibt in Rückenlage unbeweglich.(ii) Kippexperiment: der Proband bleibt in stehender Position unbeweglich.
|
||||||||||||||||
3. Design Results
3.1. Entwurf des intelligenten Geräts
Abbildung 2 zeigt den Entwurf des intelligenten Geräts nach einem modularen Schema, das die folgenden Elemente umfasst:(i)Sensormodul: Seine Funktion besteht darin, eine elektrochemische Schnittstelle zwischen dem Gewebe und dem elektronischen Mess-Teilsystem (Front-End-Modul) für die Spannungserfassung bereitzustellen. Diese Schnittstelle wird durch den Elektroden-Haut-Kontakt hergestellt, der aus einer Metallelektrode, einem elektrolytischen Gel (das normalerweise Cl- enthält) und der menschlichen Haut besteht. Zu diesem Zweck wurden drei diagnostische DORMO-TAB-Elektroden (vorgelagerte flexible Ag-AgCl-Elektroden mit den Abmessungen 26,4 mm × 22,5 mm) an den Probanden angebracht, die erste unter dem Schlüsselbein auf der rechten Schulter, die zweite unter dem Schlüsselbein auf der linken Schulter und die dritte auf dem Bauch auf der unteren linken Seite. Diese Elektroden waren über Kabel mit dem Front-End-Modul verbunden.(ii) Front-End-Modul: Es ist das Erfassungselement für das überwachte Signal. Es besteht aus einem EKG-Signalerfassungssystem, das auf einem Instrumentenverstärker (INA), einer Rückkopplungsschaltung über die dritte Elektrode, drei Filterstufen und einer Verstärkungsstufe basiert, die alle durch Operationsverstärker realisiert werden.(iii) Verarbeitungsmodul: Es ist für die Verarbeitung des EKG-Signals und die Frequenzanalyse für die spektrale Schätzung der HRV verantwortlich. Für die Datenverarbeitung wurde ein OLIMEX PIC32-PINGÜINO-OTG-Modul verwendet, das drahtlos in Echtzeit übertragen werden kann. Das OLIMEX-Modul verwendet einen PIC32MX440F256H-Mikrocontroller mit 256 KB Programmspeicher, 32 KB Datenspeicher und einer Höchstgeschwindigkeit von 80 MHz.(iv)Kommunikationsmodul: Es ist für die bidirektionale drahtlose Kommunikation des intelligenten Geräts zuständig: einerseits für die Übertragung des Ergebnisses der Signalverarbeitung an eine externe Einheit (in diesem ersten Prototyp ein Computer), andererseits für den Empfang von Konfigurationsbefehlen zur Personalisierung der Verarbeitungsalgorithmen. In diesem Fall wurde ein RN42-I/RM-Modul von Microchip verwendet, um die Kommunikation auf der Grundlage des Bluetooth-Standards zu implementieren.
3.2. Entwurf des Front-End-Moduls
Die Front-End-Eingangsstufe besteht aus einem INA, der aus drei Operationsverstärkern mit einer ungefähren Verstärkung von 33 dB besteht. Die Eingangsdifferentialimpedanz wird als Bootstrap ausgeführt, um den Eingangswiderstand zu erhöhen und die Qualität des Signal-Rausch-Verhältnisses zu verbessern. Über einen Spannungsfolger wird der Gleichtakt des INA gewonnen, der invertiert und verstärkt wird, so dass er anschließend über den rechten Zweig rückgekoppelt wird, um eine Erhöhung des Gleichtaktunterdrückungsverhältnisses (CMRR) zu erreichen, wodurch die Auswirkungen von Störungen im Ausgangssignal verringert werden.
Anschließend wird ein Hochpassfilter mit einer Grenzfrequenz von 0,5 Hz implementiert. Diese Filterung wird von einem Tiefpassfilter mit der gleichen Grenzfrequenz durchgeführt, der den kontinuierlichen Pegel des INA-Ausgangssignals als Referenzspannung zurückführt. Diese Konfiguration ermöglicht eine höhere Verstärkung im Verstärker, wodurch die Sättigung in den nachfolgenden Stufen aufgrund eines hohen Gleichstrompegels vermieden wird.
Danach werden zwei Verstärkungsfilterungsstufen eingebaut. Die Störungen der Elektroinstallation werden durch einen Kerbfilter, der auf die Frequenz von 50 Hz eingestellt ist, abgeschwächt. Anschließend wird ein Tiefpassfilter mit einer Grenzfrequenz von 150 Hz konfiguriert, um die Auswirkungen anderer möglicher Störquellen, in der Regel bei einer hohen Frequenz, zu minimieren.
Schließlich wird als letzte Verstärkungsstufe ein Inverterverstärker mit einer ungefähren Verstärkung von 30 dB verwendet, um ein messbares Signal für den Analog-Digital-Wandler (ADC) des Verarbeitungsmoduls bereitzustellen.
Der ADC wurde unter Ausnutzung einer der verfügbaren Peripherien des PIC32MX440F256H-Mikrocontrollers implementiert, der den Kern des OLIMEX PIC32-PINGÜINO-OTG-Moduls bildet. Dieser Baustein ermöglicht einen 10-Bit-ADC mit bis zu 16 Kanälen und einer maximalen Abtastrate von 1000 ksps. Obwohl gezeigt wurde, dass eine Abtastrate von nur 50 Hz zur Messung des EKG-Signals verwendet werden kann, ohne die Genauigkeit der berechneten HRV-Parameter im Zeitbereich zu beeinträchtigen, wird in anderen Studien eine Frequenz von 200 Hz empfohlen, um mögliche Verzerrungen im Frequenzspektrum des Signals zu vermeiden, die Grundlage der in der vorliegenden Arbeit gezeigten Analyse. Aus diesem Grund wurde eine Abtastfrequenz von 200 Hz als Arbeitsfrequenz des Geräts gewählt, um die Rechenlast und den Energieverbrauch zu minimieren und gleichzeitig die Qualität der Ergebnisse nach der Verarbeitung zu gewährleisten.
Für das Front-End-Design wurden oberflächenmontierte Widerstände und Kondensatoren der Standardgröße 0603 und oberflächenmontierte Operationsverstärker der Serie OPA211 von Texas Instruments verwendet. Der OPA211 wurde gewählt, weil er als Hauptmerkmal ein sehr geringes Eingangsrauschen (80nVpp) aufweist und ideal für medizinische Anwendungen ist.
3.3. Verarbeitungsmodul
Die Schätzung der HRV im Frequenzbereich aus dem EKG-Signal erfolgt durch einen fünfstufigen Algorithmus:(i)In einem ersten Schritt wird das Signal S0, das dem Ausgangssignal des EKG-Frontends entspricht, auf die dritte Potenz angehoben. Auf diese Weise erhält man ein Signal, das eine bessere Definition des QRS-Komplexes ermöglicht.(ii)In der zweiten Stufe wird aus der zweiten Ableitung von ein neues Signal erzeugt, das den folgenden Ausdrücken entspricht: wobei die aktuelle Abtastung darstellt. Diese Verarbeitung ermöglicht die einfache Erkennung der R-Welle.(iii)In der dritten Stufe wird das Signal S3 als Schätzung der RR-Intervalle, ausgedrückt in Sekunden, erhalten. Ein Register der letzten Maximalwerte der R-Welle im Signal S2 wird gespeichert, wobei die älteren Werte eliminiert werden, um sich dynamisch an Änderungen der Amplitude des Signals anzupassen. Anhand dieses Registers wird die Erkennungsschwelle Thd als 30 % des Höchstwertes aller Werte definiert. Dieser Schwellenwert ermöglicht die Begrenzung des Suchintervalls der R-Welle. Der Zeitpunkt, an dem die Welle im Suchintervall am größten ist, wird als R-Instant festgelegt. Ein neuer Wert wird dann im RR-Intervallvektor als die Differenz zwischen der aktuellen R-Instant und der vorherigen definiert.(iv)In der vierten Stufe wird die Spektralschätzung von S3 unter Verwendung von AR-Modellen durch die Burg-Methode der Ordnung N erhalten, wobei N ein konfigurierbarer Parameter ist. Da die Signalerfassungszeit klein ist, ist die Verwendung der Burg-Methode eine geeignete Option, da sie den Vorteil einer höheren Auflösung und Stabilität für eine kleine Datenmenge hat. Schließlich wurden in der fünften Stufe , , und Parameter gemäß den im Abschnitt Materialien und Methoden beschriebenen Gleichungen und Verfahren berechnet.
4. Validierungsergebnisse
Als Beispiel für die Signale, mit denen das Verarbeitungsmodul arbeitet, zeigt Abbildung 3 das Ergebnis der ersten drei Stufen des im vorherigen Abschnitt beschriebenen Algorithmus für ein Experiment im Sitzen. Abbildung 3(a) zeigt ein 20-Sekunden-Segment des S0-Ausgangssignals vom EKG-Frontend. Abbildung 3(b) zeigt das Signal als Ergebnis der Anhebung des S0-Signals auf die dritte Potenz, um die Definition des QRS-Komplexes des EKG-Signals zu erhöhen. Abbildung 3(c) zeigt das Signal S2, das die einfache Erkennung der R-Welle ermöglicht. Abbildung 3(d) schließlich zeigt das vollständige Signal S3 als Ergebnis der Schätzung der RR-Intervalle des Signals S2. Dieses letzte Signal stellt ein entlang der horizontalen Achse verteiltes Zeitsignal dar, das ebenfalls zeitlicher Natur ist und die Grundlage für die nachfolgende Analyse im Frequenzbereich bildet.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
In Anbetracht des Interesses, das die Berechnung der spektralen Leistungsdichte für die Analyse des HRV-Signals darstellt, wurde der Burg-Parameter N in der vierten Stufe des Algorithmus optimiert. Um die Ordnung des Filters auszuwählen, wurden verschiedene Werte von bis getestet, was der empfohlene Bereich für diese Art von Anwendungen ist, wobei der Wert in Zweierschritten erhöht wurde.
Abbildung 4 zeigt die Ergebnisse für einige der analysierten Werte des Parameters N. Der Wert, der eine korrekte spektrale Schätzung ermöglichte, wurde als optimal angesehen. Je kleiner N ist, desto glatter ist das Signal und desto schwieriger ist es, die Spektralkomponenten zu erkennen, während je höher N ist, desto mehr Spitzen werden im Frequenzspektrum erzeugt, was die Analyse erschwert und in diesem Fall eine längere Rechenzeit erfordert. Nach dieser Analyse wurde N als optimaler Wert des Parameters festgelegt, da es die kleinste Ordnung war, die eine angemessene Definition der spektralen Komponenten bot.
Die Implementierung des Prototyps des intelligenten Geräts ist in Abbildung 5 dargestellt.
Die Spektralanalyse der ersten Versuchsreihe (Experiment im Sitzen und Experiment mit Stimuli) wurde für eine erste Validierung des Geräts und seines Verarbeitungsalgorithmus verwendet. Diese Bewertung erfolgte in diesem Fall auf qualitative Weise, indem das Spektrum der Signale durch Inspektion analysiert wurde. Abbildung 6 zeigt einen Vergleich der spektralen Schätzung von zwei der durchgeführten Experimente, in denen die spektralen Komponenten LF und HF identifiziert werden.
(a)
(b)
(a)
(b)
Im Sitzexperiment, bei dem der Benutzer entspannt war, ist zu erkennen, dass die HF-Komponente gegenüber der NF-Komponente dominant ist. Dieses Ergebnis stimmt mit dem erwarteten Ergebnis überein, da in diesem Fall die Aktivität des Parasympathikus über der des Sympathikus liegen sollte, da dies einem Zustand der Ruhe und Entspannung entspricht. Im Experiment mit den Stimuli wurde der Proband verschiedenen Störungen ausgesetzt. In diesem Fall war die NF-Komponente dominant, was ebenfalls mit den erwarteten Ergebnissen übereinstimmt.
Die erzielten Ergebnisse ermutigen zu einer detaillierteren Untersuchung unter Verwendung des standardisierten Protokolls, das im Abschnitt Materialien und Methoden beschrieben ist, und der zweiten Reihe von Experimenten (Ruhe- und Kippexperimente). Als Beispiel zeigen die Abbildungen 7 und 8 die HRV-Spektralschätzung eines weiblichen Probanden bzw. eines männlichen Probanden. Jede der Abbildungen stellt auch die PSD der beiden Experimente dar, die von jedem Probanden durchgeführt wurden: Ruhe- und Kippexperimente. In beiden Diagrammen ist eine Zunahme der NF-Komponente und eine Abnahme der HF-Komponente zu beobachten, wenn man von der Rückenlage in die stehende Position wechselt. In dem in Abbildung 7 dargestellten Fall gibt es sogar eine Umkehrung der Position des Maximums der Spektralkomponenten, die während des Ruheexperiments in der HF und während des Kippexperiments in der NF liegt.
Um die Beziehung zwischen den Spektralkomponenten beim Vergleich der beiden Fälle (Ruhe und Kippen) genauer zu definieren, wurde auch eine quantitative Analyse unter Verwendung normalisierter Parameter der oben beschriebenen HRV-Spektralmerkmale durchgeführt:
Die Verwendung von standardisierten Parametern und eines Standardprotokolls begünstigt den Vergleich mit anderen Ergebnissen in der Literatur. Tabelle 2 zeigt die in dieser Studie erzielten Ergebnisse und eine Auswahl gleichwertiger Daten, die von anderen Autoren für gesunde Probanden ermittelt wurden.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Die Daten der Tabelle 2 zeigen sowohl bei den absoluten als auch bei den relativen Werten Ergebnisse, die mit denen aus anderen Studien vergleichbar sind. Darüber hinaus werden derselbe Trend und dieselben Beziehungen zwischen den Parametern beobachtet. ist bei den Kippversuchen höher als bei den übrigen Versuchen. Das Gegenteil gilt für HFnu. Das LF/HF-Verhältnis hat bei den Ruheexperimenten einen Wert nahe bei 1, ist aber bei den Kippexperimenten viel höher.
Aus Tabelle 2 ist auch ersichtlich, dass sich die Höchst- und Mindestwerte der verschiedenen Parameter nicht überschneiden. In diesem Sinne kann dann für jeden der Parameter ein Schwellenwert festgelegt werden, der bei einer hypothetischen Erkennung und Klassifizierung der Experimente verwendet werden könnte. Für , wird der Mittelwert zwischen dem Maximalwert des Parameters in den übrigen Experimenten und dem Minimalwert des Parameters in den Kippversuchen als Klassifizierungsschwelle festgelegt. Das gleiche Verfahren wird für die Berechnung der Schwelle des Parameters LF/HF verwendet. Im Gegensatz dazu wird der Schwellenwert des Parameters HFnu als Mittelwert zwischen dem Minimalwert in den Ruheversuchen und dem Maximalwert in den Kippversuchen berechnet. Tabelle 3 zeigt die Klassifizierungsregeln gemäß den vorherigen Schwellenwerten.
|
|||||||||||||||||||||||||||
Abbildung 9 zeigt grafisch die Verteilung der Parameter um die Klassifizierungsschwellenwerte, die mit einer durchgezogenen Linie markiert sind. Die Diagramme zeigen auch das Konfidenzintervall von 68,27 % (±Standardabweichung), das für jeden Parameter in jedem der Experimente erzielt wurde. Diese Intervalle sind mit gestrichelten Linien gekennzeichnet und dienen dazu, die statistische Verteilung der Ergebnisse zu verdeutlichen.
(a)
(b)
(c)
(a)
(b)
(c)
In Bezug auf die Leistung der Vorrichtung fasst Tabelle 4 einige Merkmale der Vorrichtung zusammen und vergleicht sie mit einigen neueren Arbeiten. Der Hauptvorteil des Geräts im Vergleich zu anderen kommerziellen und literarischen Vorschlägen ist seine Fähigkeit zur Echtzeit-Erkennung von Veränderungen der Herzfrequenzvariabilität (HRV) durch Frequenzanalyse. Nach dem Wissen der Autoren ist diese Fähigkeit in tragbaren Geräten nicht implementiert, da die Offline-Analyse der im Speicher gespeicherten Daten die gängigste Methode ist.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
In der ersten Versuchsreihe, die der Funktionsbewertung des Front-Ends entspricht, wurden die vom Gerät erfassten EKG-Daten drahtlos und in Echtzeit an einen Computer gesendet, der als Verarbeitungsmodul diente, wo sie mit der Software Matlab (Version 2016a) analysiert wurden. Jede Probe wurde sequentiell über das Bluetooth-Kommunikationsmodul gesendet, das als serieller Anschluss verwendet wurde, mit einer Übertragungsrate von 200 Proben pro Sekunde (zwei Bytes pro Probe).
Nach diesen positiven Ergebnissen wurde der Algorithmus in der zweiten Versuchsreihe in das physische Verarbeitungsmodul des Prototyps eingebettet. Tabelle 5 zeigt einige Details der Implementierung des Algorithmus in den Sensorprototyp. Die zweite Versuchsreihe wurde mit dem Gerät im Stand-alone-Modus durchgeführt, wobei das Gerät folgende Aufgaben übernahm:(i) Sequentielle drahtlose Übertragung von EKG-Samples für deren Registrierung und anschließende Auswertung.(ii) Online-S3-Berechnung als Schätzung der RR-Intervalle. Dieser Prozess, der innerhalb des Geräts ausgeführt wird, erfordert eine Laufzeit von 193 μs, was ausreicht, um in Echtzeit ausgeführt zu werden, wenn eine neue Probe mit 200 Hz empfangen wird, ohne die nächste Probe zu stören.(iii) Alle fünf Minuten: Schätzung der HRV im Frequenzbereich anhand der RR-Intervalle. Dieser Prozess, der ebenfalls innerhalb des Geräts ausgeführt wird, benötigt eine Zeit von 409,2 ms, was für eine Echtzeitanwendung ausreicht.(iv) Berechnung von , , und aus der PSD des HRV-Signals und drahtlose Übertragung des Ergebnisses.
|
||||||||||||
Der Algorithmus wurde auch gleichzeitig auf einem Computer mit den vom Gerät gesendeten EKG-Proben ausgeführt. Die Übereinstimmung der mit dem Gerät und dem Computer erzielten Ergebnisse beweist, dass der Prototyp für die Ausführung des vorgeschlagenen Algorithmus in Echtzeit geeignet ist.
5. Schlussfolgerungen
In der vorliegenden Arbeit wurde eine erste Annäherung an ein intelligentes Gerät und einen Verarbeitungsalgorithmus für die Spektralanalyse der HRV in Echtzeit gezeigt. Unseres Wissens nach ist diese Fähigkeit in keinem tragbaren EKG-Messgerät vorhanden. Unter der Vorgabe, kostengünstig, anpassbar und stromsparend zu sein, wurden die für die EKG-Signalerfassung und die anschließende Verarbeitung erforderliche Hardware und Software entwickelt und implementiert.
Eine qualitative Validierung wurde in zwei verschiedenen Experimenten durchgeführt, die jeweils zweimal wiederholt wurden. In einem ersten Experiment, bei dem der Proband entspannt war, zeigten die beobachteten Spektralkomponenten eine größere Aktivität des parasympathischen Systems als des sympathischen Systems. In einem zweiten Experiment, bei dem der Proband externen Reizen ausgesetzt war, zeigten die Spektralkomponenten eine höhere Aktivität des Sympathikus als des Parasympathikus. Die bei dieser ersten Annäherung erzielten Ergebnisse zeigen die Tauglichkeit des Geräts und der vorgeschlagenen Algorithmen für eine qualitative Analyse des ANS in Echtzeit und den Einfluss verschiedener Störeinflüsse.
Für eine umfassendere Bewertung wurde eine zweite Reihe von Experimenten durchgeführt. Bei der Spektralanalyse der HRV wurden Standardparameter sowie ein standardisiertes Messprotokoll (Ruhe- und Kippversuche) verwendet. Eine vergleichende Analyse im Hinblick auf die in anderen Studien erzielten Ergebnisse hat die Gültigkeit sowohl des Geräts als auch der vorgeschlagenen Algorithmen für die quantitative Bewertung der spektralen HRV-Komponenten gezeigt. Darüber hinaus wurde eine Methode zur Klassifizierung von Ruhe- und Kippaktivitäten aus einem EKG-Signal entwickelt.
Interessenkonflikte
Die Autoren erklären, dass kein Interessenkonflikt mit einem Unternehmen oder einer Organisation in Bezug auf das in dieser Arbeit behandelte Material besteht.
Dankbarkeit
Diese Arbeit wurde teilweise von der Fundación Progreso y Salud, Regierung von Andalusien, unter den Zuschüssen PI-0010-2013 und PI-0041-2014 unterstützt, teilweise durch den Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, unter den Zuschüssen PI15/00306 und DTS15/00195, und teilweise durch CIBER-BBN unter den Zuschüssen von INT-2-CARE, NeuroIBC und ALBUMARK.