Abstract
Tässä työssä esitellään ensimmäinen lähestymistapa älykkään laitteen suunnitteluun, kehittämiseen ja toteuttamiseen sykevaihtelun (HRV) reaaliaikaista mittausta ja muutosten havaitsemista varten. Älykäs laite noudattaa modulaarista suunnittelumallia, joka koostuu elektrokardiogrammisignaalin (EKG) signaalinottomoduulista, prosessointimoduulista ja langattomasta viestintämoduulista. Käsittelymoduulin algoritmit tekevät viiden minuutin EKG-signaaleista HRV:n spektriarvion. Kokeelliset tulokset osoittavat älylaitteen ja ehdotettujen käsittelyalgoritmien toimivuuden.
1. Johdanto
Sydän- ja verisuonitaudit ovat väestön kuoleman tärkeimpiä syitä . On arvioitu, että maailmanlaajuisesti 17,3 miljoonaa ihmistä kuolee sydän- ja verisuonitautien seurauksena, mikä on 30 % kaikista tapauksista . Korkea verenpaine, tupakointitottumukset, diabetes, viskeraalinen lihavuus, dyslipidemia, fyysinen passiivisuus ja epäterveelliset ruokailutottumukset ovat tärkeimmät sydän- ja verisuonitautien kehittymiseen liittyvät muutettavissa olevat riskitekijät . Sydämen autonominen toimintahäiriö on riskitekijä, joka liittyy myös sydän- ja verisuonitautien kehittymiseen, ja sitä voidaan mitata noninvasiivisesti sykevaihtelun (HRV) arvioinnilla .
HRV tarkoittaa jatkuvaa syketaajuutta tai jatkuvia RR-aaltovälejä, jotka on poimittu elektrokardiogrammisignaalista (EKG-signaalista) (EKG-signaalissa esiintyvien R-aaltojen välistä aikaväliä käytetään nimitystä RR-intervallit). Syketaajuuden (HRV) lyhyen ja pitkän aikavälin vaihtelut voivat johtua eri syistä. Parasympaattinen hermosto aiheuttaa sen, että sydämen syketaajuus ja sitä kautta verenpaine (BP) laskee, kun taas sympaattinen hermosto suosii antagonistista vaikutusta, jolloin sekä sydämen syketaajuus että verenpaine nousevat. Näiden järjestelmien vuorovaikutusta kutsutaan autonomisen hermoston (ANS) sympaattis-vagaaliseksi tasapainoksi . Monet tutkimukset ovat osoittaneet, että HRV on hyödyllinen kvantitatiivinen indikaattori sydämen sympaattisen hermoston ja parasympaattisen hermoston välisen tasapainon arvioimiseksi, ja sitä voidaan käyttää joidenkin sydän- ja verisuonitautien, kuten kongestiivisen sydämen vajaatoiminnan, äkillisen sydänkuoleman, rytmihäiriöiden tai Holmes-Adie-oireyhtymän, diagnosoinnissa ja ennaltaehkäisyssä .
Viimeisinä vuosikymmeninä HRV:tä on yritetty analysoida ja kvantifioida siten, että se voi toimia kliinisenä hyötynä. HRV:n mittauksia tehdään pitkä- ja lyhytaikaisina ajanjaksoina. Pitkäaikaisrekisteröinnit kestävät tyypillisesti 24 tuntia, ja ne tehdään Holterin avulla, kun taas lyhytaikaisrekisteröinnit kestävät 2-5 minuuttia, ja ne tehdään yleensä dynaamisella EKG:llä .
HRV:n analysointi kiinnostaa myös muissa moninaisissa tiloissa, kuten hengityselinsairauksissa. Tätä analyysia voidaan käyttää yksinkertaisena ja ei-invasiivisena menetelmänä aerobisen kapasiteetin arvioimiseksi keuhkoahtaumatautia sairastavilla henkilöillä , ja sitä voidaan käyttää myös ennustevälineenä, koska näillä potilailla alentunut HRV on liittynyt sairastuvuuden ja kuolleisuuden lisääntymiseen . Lisäksi hengityslihasten voimakkuus on liitetty sympaattis-vagaaliseen vasteeseen, jota voidaan arvioida HRV:n avulla. Muut HRV:n sovellukset vaihtelevat varhaisesta biomarkkerista diabeteksen etenemisen arvioinnissa , ja kroonisen niskakivun diagnostisesta merkkiaineesta , mielenterveyteen ja fyysiseen terveyteen , tai unen laatuun ja työstressiin , muun muassa.
HRV:n mittausmenetelmät voidaan luokitella ajallisiin ja taajuusalueen menetelmiin . Ensimmäiset koostuvat pääasiassa RR-välien tilastollisesta analyysistä. Niiden mahdollisuudet ovat kuitenkin rajalliset, sillä ne eivät osoita riittävää spesifisyyttä ja herkkyyttä, minkä lisäksi tarvitaan pitkiä tallennusjaksoja .
Taajuusalueen eli HRV:n spektrisen arvioinnin menetelmät voidaan luokitella parametrisiin ja ei-parametrisiin menetelmiin. Nopeaan Fourier-muunnokseen (FFT) perustuvien ei-parametristen menetelmien tärkeimpänä etuna on niiden yksinkertaisuus ja algoritminen nopeus , kun taas parametriset menetelmät, kuten autoregressiiviset (AR) mallit, tarjoavat tarkemmin määritellyn, tasaisemman ja helpommin tunnistettavan spektrikomponentin . Lisäksi lyhytaikaisissa mittauksissa parametriset menetelmät tarjoavat paremman spektrisen resoluution kuin ei-parametriset menetelmät .
Tekijöiden tietämyksen mukaan ei ole olemassa laitteita, jotka mahdollistaisivat HRV:n reaaliaikaisen analyysin edellä mainituilla menetelmillä. Joitakin mukautettuja menetelmiä on ehdotettu reaaliaikaiseen analyysiin , kuten lyhyen ajan Fourier-muunnos (STFT), aaltomuunnos, Hilbert-Huang-muunnos ja äärettömän impulssivasteen (IIR) suodattimet , mutta ne on aina suoritettu offline-toimintana EKG-signaaleilla, jotka on saatu aiemmin hankituista tallenteista.
Tämässä työssä esitellään ensimmäinen lähestymistapa kannettavan, räätälöitävissä olevan ja alhaisen kustannustehokkuuden omaavan älykkäiden älykkäiden laitteiden suunnitteluun, joilla voidaan mitata HRV:n toimintaa taajuuksien avulla reaaliajassa taajuusalalla AR- eli AR-ajattelun avulla.
2. Materiaalit ja menetelmät
Tässä työssä älykkäällä laitteella tarkoitetaan laitetta, jolla ei ole ainoastaan anturivalmiuksia tiettyjen muuttujien mittaamiseen, vaan joka on myös varustettu langattomalla viestintäyksiköllä ja jolla on valmiudet suorittaa saatujen tietojen käsittely. Laitteen suunnittelu-, kehitys- ja arviointiprosessit on toteutettu iteratiivisella (tai spiraalimaisesti etenevällä) menetelmällä, jossa kehitystyötä testataan aiemmin ja useammin kuin perinteisessä kaskadoidussa elinkaaressa. Suunnittelu- ja simulointivaiheessa on käytetty Cadencen Orcad-ohjelmistoa (versio 16.0). Prototyyppien toteuttamiseen on käytetty CircuitCam- (versio 5.2) ja BoardMaster-ohjelmia (versio 5.0) sekä LPKF:n ProtoMat S62 -jyrsinkonetta.
Laitteen suorituskykyä arvioitiin ensimmäisen kerran tarkastelemalla sen edustavimpia ominaisuuksia ja vertaamalla niitä muihin kirjallisuudessa hiljattain ehdotettuihin laitteisiin ja järjestelmiin. Vahvistus ja kaistanleveys laskettiin elektronisen suunnittelun simuloinnista käyttäen Texas Instrumentsin Tina-TI-ohjelmistoa. Virrankulutus arvioitiin käyttämällä asiakirjassa . Tätä tarkoitusta varten 10 ohmin vastus asetettiin sarjaan linjaan, joka syöttää Front-End-vaihetta akusta. Vastuksen jännite mitattiin oskilloskoopilla (Agilent Technologiesin MSO6032A) Ohmin lain mukaisesti piirin syöttövirran arvioimiseksi. Tämä ajan mittaan vakioitu virta kerrottiin 3,3 V:n syöttöjännitteellä tehonkulutuksen saamiseksi.
Tämän laitteen kiinnostavuus on sen kyky laskea HRV-parametrit taajuusalueella reaaliajassa. Tätä prosessia varten on tavallista tehdä arvio HRV-signaalin tehospektritiheydestä (PSD). Kuten kuvasta 1 käy ilmi, hyvin matalataajuisia (VLF) spektrikomponentteja saadaan välillä 0,0033-0,04 Hz , matalataajuisia (LF) spektrikomponentteja välillä 0,04-0,15 Hz ja korkeataajuisia (HF) spektrikomponentteja välillä 0,15-0,4 Hz . Nämä komponentit antavat kliinistä tietoa sydämen sinusrytmin vaihtelusta. LF-komponentit heijastavat sekä sympaattisia että parasympaattisia vaikutuksia, vaikka LF voi olla osoitus barorefleksiherkkyydestä . HF-komponentit liittyvät parasympaattiseen järjestelmään; näin ollen LF/HF-suhde on osoitus sympatovagaalisesta tasapainosta .
Tehospektrikomponentit kvantifioidaan mittaamalla kolmen taajuuskaistan alle jäävä pinta-ala: VLF-teho, LF-teho ja HF-teho. HRV:n spektrikomponentit olisi esitettävä luonnollisessa emäksessä; näin ollen logaritminen muunnos voi olla tarpeen. Eri tutkimusten välisen vertailun helpottamiseksi komponentit esitetään yleensä normalisoituina yksikköinä seuraavien lausekkeiden mukaisesti :missä ja edustavat joko LF- tai HF-komponenttien tehoa ja ilmaisevat vastaavat tehot normalisoituina yksikköinä (prosentteina), edustaa kokonaistehoa (vastaa aika-alueen lähestymistavoilla laskettua varianssia) ja ilmaisee VLF-komponentin tehon. suhdeluku (ratio) lasketaan ja :n ja :n suhdelukuna.
Asensorin ja käytettävien algoritmien validoimiseksi suoritettiin kaksi koesarjaa. Koehenkilöt hengittivät spontaanisti, mutta heidän ei annettu puhua. Kaikilta koehenkilöiltä saatiin tietoinen suostumus.
Ensimmäisessä koesarjassa suoritettiin kaksi EKG-signaalin rekisteröintikokeilua, joiden kesto oli 5 minuuttia, 23-vuotiaalle vapaaehtoiselle mieshenkilölle, joka painoi 90 kg, oli ilmeisen terve ja eri tilanteissa. Kokeissa vapaaehtoinen pysyi liikkumatta, puhumatta ja välttäen kaikenlaista biopalautetta. Ensimmäisessä kokeessa (istumakoe) koehenkilöä pyydettiin istumaan tuolille mukavasti ja rennosti silmät kiinni. Toinen koe (ärsykekoe) suoritettiin samoissa olosuhteissa kuin ensimmäinen koe, mutta tässä tapauksessa vapaaehtoiselle annettiin satunnaisia ääniärsykkeitä, joiden tarkoituksena oli analysoida ulkoisten häiriöiden vaikutusta ANS:ään. Kukin kokeista toistettiin puolestaan kahteen eri otteeseen.
Toisessa koesarjassa käytettiin standardoitua protokollaa HRV:n tutkimiseen , jotta järjestelmää voitiin verrata aiemmissa tutkimuksissa saatuihin tuloksiin. Tutkimukseen osallistui 5 vapaaehtoista, jotka olivat ilmeisen terveitä. Taulukossa 1 esitetään yksityiskohtaisesti vapaaehtoisten antropometriset ominaisuudet. Mittaukset suoritettiin aamulla. Kukin koehenkilö suoritti kaksi koetta, joista kumpikin kesti viisi minuuttia: (i) Lepokoe: vapaaehtoinen pysyy liikkumattomana selinmakuulla. (ii) Kallistuskoe: vapaaehtoinen pysyy liikkumattomana seisoma-asennossa.
|
||||||||||||||||
3. Suunnittelun tulokset
3.1. Tutkimuksen tulokset
3.1. Tulokset. Älykkään laitteen suunnittelu
Kuvassa 2 esitetään älykkään laitteen suunnittelu modulaarisen järjestelmän mukaisesti, joka koostuu seuraavista elementeistä: (i) Anturimoduuli: sen tehtävänä on tarjota sähkökemiallinen rajapinta kudoksen ja elektronisen mittausosajärjestelmän (front-end-moduuli) välille jännitteen havaitsemista varten. Tämä rajapinta toteutetaan elektrodin ja ihon välisen kontaktin kautta, joka koostuu metallielektrodista, elektrolyyttisestä geelistä (joka sisältää yleensä Cl-kuitua) ja ihmisen ihosta. Tätä tarkoitusta varten testikäyttäjille asetettiin kolme diagnostista DORMO-TAB-elektrodia (Ag-AgCl-esigeelatut taipuisat elektrodit, joiden mitat ovat 26,4 mm × 22,5 mm), joista ensimmäinen sijoitettiin solisluun alle oikealle olkapäälle, toinen solisluun alle vasemmalle olkapäälle ja kolmas vatsalle vasemmalle puolelle. Nämä elektrodit kytkettiin kaapeleilla etumoduuliin. ii) Etumoduuli: se on seurattavan signaalin hankintaelementti. Se koostuu EKG-signaalin kaappausjärjestelmästä, joka perustuu instrumenttivahvistimeen (INA), kolmannen elektrodin kautta kulkevaan takaisinkytkentäpiiriin, kolmeen suodatusvaiheeseen ja vahvistusvaiheeseen, jotka kaikki on toteutettu operaatiovahvistimilla.(iii)Käsittelymoduuli: se vastaa EKG-signaalin käsittelystä ja taajuusanalyysistä HRV:n spektriarviointia varten. Tietojen käsittelyyn on käytetty OLIMEX PIC32-PINGÜINO-OTG-moduulia, joka voidaan lähettää langattomasti reaaliajassa. OLIMEX-moduuli käyttää PIC32MX440F256H-mikrokontrolleria, jossa on 256 kilotavua ohjelmamuistia, 32 kilotavua datamuistia ja jonka maksiminopeus on 80 MHz. iv) Viestintämoduuli: se vastaa älylaitteen kaksisuuntaisesta langattomasta viestinnästä: signaalinkäsittelyn tuloksen lähettäminen ulkoiseen yksikköön (tässä ensimmäisessä prototyypissä tietokoneeseen) ja toisaalta konfigurointikomentojen vastaanotto prosessointialgoritmien personoimiseksi. Tässä tapauksessa on käytetty Microchipin RN42-I/RM-moduulia Bluetooth-standardiin perustuvan tietoliikenteen toteuttamiseen.
Edupään tulovaihe koostuu INA:sta, joka koostuu kolmesta operaatiovahvistimesta, joiden likimääräinen vahvistus on 33 dB. Tulon differentiaaliimpedanssi on bootstrapped tulovastuksen lisäämiseksi ja signaali-kohinasuhteen laadun parantamiseksi . Jännitteen seuraajan kautta saadaan INA:n yhteismuoto, joka käännetään ja vahvistetaan siten, että se palautetaan myöhemmin oikean jalan kautta yhteismuotoisen hylkäyssuhteen (CMRR) kasvattamiseksi, mikä vähentää häiriöiden vaikutusta lähtösignaalissa .
Tämän jälkeen toteutetaan korkeapäästösuodatin, jonka katkaisutaajuus on 0,5 Hz. Tämä suodatus suoritetaan alipäästösuodattimesta, jolla on sama katkaisutaajuus ja joka takaisinkytkee INA-lähtösignaalin jatkuvan tason sen viitejännitteeksi. Tämä konfiguraatio mahdollistaa suuremman vahvistuksen vahvistimessa välttäen korkeasta DC-tasosta johtuvan kyllästymisen myöhemmissä vaiheissa.
Seuraavaksi otetaan mukaan kahden yksikön vahvistussuodatusvaiheet. Sähköasennuksen häiriöitä vaimentaa 50 Hz:n taajuudelle säädetty lovisuodatin. Sitten konfiguroidaan alipäästösuodatin, jonka katkaisutaajuus on 150 Hz, jotta minimoidaan muiden mahdollisten, yleensä korkealla taajuudella sijaitsevien häiriölähteiden vaikutukset.
Viimeiseksi viimeisenä vahvistusvaiheena käytetään invertterivahvistinta, jonka vahvistus on noin 30 dB, jotta saadaan mitattavissa oleva signaali prosessointimoduulin analogi-digitaalimuuntimelle (ADC).
ADC toteutettiin hyödyntämällä yhtä OLIMEX PIC32-PINGÜINO-OTG-moduulin ytimenä olevan PIC32MX440F256H-mikrokontrollerin käytettävissä olevista oheislaitteista. Tämä laite mahdollistaa jopa 16-kanavaisen 10-bittisen ADC:n, jonka suurin näytteenottotaajuus on 1000 ksps. Vaikka on osoitettu, että EKG-signaalin mittaamiseen voidaan käyttää jopa 50 Hz:n näytteenottotaajuutta ilman, että laskettujen aikatason HRV-parametrien tarkkuus kärsii, muissa tutkimuksissa suositellaan 200 Hz:n taajuutta, jotta vältetään mahdolliset vääristymät signaalin taajuusspektrissä, mikä on tässä työssä esitetyn analyysin perusta. Tästä syystä laitteen työskentelytaajuudeksi valittiin 200 Hz:n näytteenottotaajuus, jotta laskennallinen kuormitus ja energiankulutus saataisiin minimoitua ja samalla varmistettaisiin tulosten laatu käsittelyn jälkeen.
Edupään suunnittelussa on käytetty pintaliitosvastuksia ja -kondensaattoreita, joiden vakiokoko on 0603, sekä Texas Instrumentsin OPA211-sarjan pintaliitosoperaatiovahvistimia. OPA211 valittiin, koska sen tärkeimpänä ominaisuutena on erittäin alhainen sisääntulokohina (80nVpp), ja se soveltuu erinomaisesti lääketieteellisiin sovelluksiin.
3.3. JOHTOPÄÄTÖKSET JA TULOKSET Prosessointimoduuli
HRV:n estimointi taajuusalueella EKG-signaalista saadaan viisivaiheisella algoritmilla: (i)Ensimmäisessä vaiheessa EKG:n etuosan lähtösignaalia vastaava signaali S0 korotetaan kolmanteen potenssiin. Näin saadaan signaali, joka mahdollistaa QRS-kompleksin paremman määrittelyn.(ii)Toisessa vaiheessa luodaan signaalin , toisesta derivaatasta uusi signaali, joka vastaa seuraavia lausekkeita: missä edustaa nykyistä näytettä. Tämä käsittely mahdollistaa R-aallon helpon havaitsemisen.(iii)Kolmannessa vaiheessa signaali S3 saadaan RR-välien arviona sekunteina ilmaistuna. Rekisteriin tallennetaan signaalin S2 R-aallon viimeiset maksimiarvot, jolloin vanhemmat arvot poistetaan, jotta voidaan dynaamisesti mukautua signaalin amplitudin muutoksiin. Tämän rekisterin perusteella tunnistuskynnys Thd määritellään 30 prosentiksi kaikkien näiden arvojen maksimiarvosta. Tämän kynnysarvon avulla voidaan rajoittaa R-aallon hakuväliä. Hetki, jolloin aalto on suurimmillaan etsintävälillä, asetetaan R-hetkeksi. Tämän jälkeen RR-välivektoriin määritellään uusi arvo nykyisen R-instantin ja edellisen R-instantin välisenä erotuksena. iv) Neljännessä vaiheessa S3:n spektrinen estimointi AR-mallien avulla saadaan Burgin menetelmällä, jonka järjestys on N, jossa N on konfiguroitavissa oleva parametri . Koska signaalin hankinta-aika on pieni, Burg-menetelmän käyttö on sopiva vaihtoehto, koska sen etuna on suurempi resoluutio ja vakaus pienellä tietomäärällä . Algoritmi toteutettiin noudattamalla kohdassa kuvattuja suosituksia taajuuden arvioinnin parantamiseksi. v)Lopuksi viidennessä vaiheessa , , ja parametrit laskettiin kohdassa Materiaalit ja menetelmät kuvattujen yhtälöiden ja menettelytapojen mukaisesti.
4. Validointitulokset
Kuvassa 3 esitetään esimerkkinä signaaleista, joilla prosessointimoduuli toimii, kuvassa 3 edellisessä kohdassa kuvatun algoritmin kolmen ensimmäisen vaiheen tulos istumakokeessa. Kuvassa 3(a) on 20 sekunnin pituinen segmentti EKG:n etupään S0-lähtösignaalista. Kuvassa 3(b) esitetään signaali, joka on tulosta S0-signaalin nostamisesta kolmanteen potenssiin EKG-signaalin QRS-kompleksin määrittelyn lisäämiseksi. Kuvassa 3(c) esitetään signaali S2, jonka avulla R-aalto on helppo havaita. Lopuksi kuvassa 3(d) esitetään täydellinen signaali S3, joka on tulosta S2-signaalin RR-välien arvioinnista. Viimeksi mainittu signaali edustaa vaaka-akselia pitkin jakautunutta aikasignaalia, joka on myös luonteeltaan ajallinen ja joka on perustana myöhemmälle analyysille taajuusalueella.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
Kun otetaan huomioon mielenkiinto, jota tehospektritiheyden laskeminen edustaa HRV-signaalin analysoinnissa, Burg-parametri N optimoitiin algoritmin neljännessä vaiheessa. Suodattimen järjestyksen valitsemiseksi testattiin eri arvoja välillä – , mikä on suositeltu alue tämäntyyppisissä sovelluksissa, ja niiden arvoa lisättiin kahden askeleen välein.
Kuvassa 4 esitetään tulokset, jotka saatiin joillakin analysoiduilla parametrin N arvoilla. Optimaalisena pidettiin arvoa, joka mahdollisti oikean spektriarvion. Mitä pienempi N on, sitä tasaisempi signaali on, mikä vaikeuttaa spektrikomponenttien havaitsemista, kun taas mitä suurempi N on, sitä enemmän piikkejä syntyy taajuusspektriin, mikä vaikeuttaa sen analysointia ja vaatii tässä tapauksessa pidempää laskenta-aikaa. Tämän analyysin jälkeen parametrin optimaaliseksi arvoksi todettiin , koska se oli pienin järjestys, joka tarjosi riittävän määritelmän spektrikomponenteille.
Älylaitteen prototyypin toteutus on esitetty kuvassa 5.
Ensimmäisen koesarjan (istumakoe ja ärsykekoe) spektrianalyysia sovellettiin laitteen ja sen käsittelyalgoritmin ensimmäisessä validoinnissa. Arviointi tehtiin tässä tapauksessa kvalitatiivisella tavalla analysoimalla signaalien spektriä tarkastelemalla. Kuvassa 6 esitetään kahden suoritetun kokeen spektriarvion vertailu, jossa tunnistetaan spektrikomponentit LF ja HF.
(a)
(b)
(a)
(b)
Istumakokeessa, jossa käyttäjä oli rento, voidaan havaita, että HF-komponentti hallitsee LF-komponenttia. Tämä tulos on sopusoinnussa odotetun tuloksen kanssa, sillä tässä tapauksessa parasympaattisen järjestelmän pitäisi olla aktiivisempi kuin sympaattisen, koska se vastaa lepotilaa ja rentoutta. Ärsykekokeessa vapaaehtoinen altistui erilaisille häiriöille. Tällöin LF-komponentti oli hallitseva, mikä vastaa myös odotettuja tuloksia.
Saadut tulokset kannustivat yksityiskohtaisempaan tutkimukseen, jossa käytettiin materiaalit ja menetelmät -osassa kuvattua standardoitua protokollaa ja toista koesarjaa (lepokokeet ja kallistuskokeet). Esimerkkinä kuvissa 7 ja 8 esitetään naispuolisen vapaaehtoisen ja miespuolisen vapaaehtoisen HRV-spektriarviointi. Kummassakin kuvassa esitetään myös kunkin vapaaehtoisen suorittamien kahden kokeen PSD: lepo- ja kallistuskokeet. Molemmissa kuvaajissa havaitaan LF-komponentin lisääntyminen ja HF-komponentin väheneminen, kun siirrytään makuuasennosta seisoma-asentoon. Kuvassa 7 esitetyssä tapauksessa spektrikomponenttien maksimin sijainnissa on jopa inversio, joka sijaitsee HF:ssä lepokokeen aikana ja LF:ssä kallistuskokeen aikana.
Spektrikomponenttien välisen suhteen tarkemmaksi määrittelemiseksi vertailtaessa kahta tapausta (lepo ja kallistus) suoritettiin myös kvantitatiivinen analyysi käyttäen edellä kuvattuja HRV:n spektriominaisuuksien normalisoituja parametreja: , , ja .
Normeerattujen parametrien ja vakioprotokollan käyttö suosii vertailua muihin kirjallisuuden tuloksiin. Taulukossa 2 esitetään tässä tutkimuksessa saadut tulokset ja otos muiden kirjoittajien terveistä koehenkilöistä saamista vastaavista tiedoista.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Taulukon 2 tiedot osoittavat, että tulokset ovat vertailukelpoisia muissa tutkimuksissa saatuihin tuloksiin sekä absoluuttisten että suhteellisten arvojen osalta. Lisäksi havaitaan sama suuntaus ja samat suhteet parametrien välillä. on suurempi kallistuskokeissa kuin muissa kokeissa. HFnu:n osalta tilanne on päinvastainen. LF/HF-suhteen arvo on lähellä ykköstä lepokokeissa, mutta se on paljon suurempi kallistuskokeissa.
Taulukosta 2 nähdään myös, että eri parametrien maksimi- ja minimiarvot eivät ole päällekkäisiä. Tässä mielessä kullekin parametrille voidaan siis asettaa kynnysarvo, jota voitaisiin käyttää kokeiden hypoteettisessa tunnistamisessa ja luokittelussa. Luokittelukynnykseksi asetetaan parametrin enimmäisarvon keskiarvo lepokokeissa ja parametrin vähimmäisarvon keskiarvo kallistuskokeissa. Samaa menettelyä käytetään LF/HF-parametrin kynnysarvon laskemiseen. Sitä vastoin parametrin HFnu kynnysarvo lasketaan lepokokeiden minimiarvon ja kallistuskokeiden maksimiarvon välisenä keskiarvona. Taulukossa 3 esitetään luokittelusäännöt edellisten kynnysarvojen mukaan.
|
|||||||||||||||||||||||||||
Kuvassa 9 esitetään graafisesti parametrien jakauma luokittelukynnysten ympärillä, jotka on merkitty yhtenäisellä viivalla. Kuvaajissa näkyy myös luottamusväli 68,27 % (±standardipoikkeama), joka saatiin kullekin parametrille kussakin kokeessa. Nämä vaihteluvälit on merkitty katkoviivoilla, ja ne korostavat tulosten tilastollista jakaumaa.
(a)
(b)
(c)
(a)
(b)
(c)
Laitteen suorituskyvyn osalta taulukossa 4 on yhteenveto laitteen joistakin ominaisuuksista ja sitä verrataan muutamaan viimeaikaiseen työhön. Laitteen tärkein etu muihin kaupallisiin ja kirjallisuusehdotuksiin verrattuna on sen kyky havaita reaaliaikaisesti sykevaihtelun (HRV) muutokset taajuusanalyysin avulla. Kirjoittajien tietojen mukaan tätä ominaisuutta ei ole toteutettu kannettavissa laitteissa, vaan yleisin menetelmä on offline-analyysi muistiin tallennetuista tiedoista.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Ensimmäisessä koesarjassa, joka vastasi etulaitteen toiminnallista arviointia, laitteen kaappaamat EKG-tiedot lähetettiin langattomasti reaaliajassa prosessointimoduulina toimivaan tietokoneeseen, jossa ne analysoitiin Matlab-ohjelmistolla (versio 2016a). Kukin näyte lähetettiin peräkkäin Bluetooth-viestintämoduulilla, jota käytettiin sarjaporttina, lähetysnopeudella 200 näytettä sekunnissa (kaksi tavua näytettä kohti).
Tämän myönteisen tuloksen jälkeen toisessa koesarjassa algoritmi upotettiin prototyypin fyysiseen prosessointimoduuliin. Taulukossa 5 esitetään joitakin yksityiskohtia algoritmin toteutuksesta anturiprototyypissä. Toinen kokeilusarja suoritettiin käyttämällä laitetta itsenäisessä tilassa, jonka mukaan laite suoritti seuraavat tehtävät:(i)EKG-näytteiden peräkkäinen langaton lähetys niiden rekisteröintiä ja myöhempää arviointia varten(ii)S3-laskenta on-line RR-intervallien arviointia varten. Tämä laitteessa suoritettu prosessi vaatii 193 μs:n ajan, joka riittää suorittamaan sen reaaliajassa aina, kun uusi näyte vastaanotetaan 200 Hz:n taajuudella, häiritsemättä seuraavaa näytettä.(iii)Viiden minuutin välein HRV:n estimointi taajuusalueella RR-väleistä. Tämä prosessi, joka myös suoritetaan laitteessa, vaatii 409,2 ms:n suoritusajan, mikä riittää reaaliaikaiseen sovellukseen.(iv)HRV-signaalin PSD:stä lasketaan , , ja ja ja tulos lähetetään langattomasti.
|
||||||||||||
Algoritmia suoritettiin myös samanaikaisesti tietokoneella laitteen lähettämien EKG-näytteiden kanssa. Laitteen ja tietokoneen saamien tulosten yhteneväisyys osoittaa, että prototyyppi on käyttökelpoinen ehdotetun algoritmin suorittamiseen reaaliajassa.
5. Johtopäätökset
Tässä työssä on esitetty ensimmäinen approksimaatio älykkäästä laitteesta ja käsittelyalgoritmista HRV:n spektrianalyysia varten reaaliajassa. Tietojemme mukaan tällaista kykyä ei ole saatavilla missään kannettavassa EKG-mittauslaitteessa. Edullisuutta, muokattavuutta ja vähäistä virrankulutusta koskevien vaatimusten mukaisesti on suunniteltu ja toteutettu EKG-signaalin talteenottoon ja sitä seuraavaan käsittelyyn tarvittava laitteisto ja ohjelmisto.
Kahdessa eri kokeessa, jotka toistettiin kumpikin kahdesti, suoritettiin laadullinen validointi. Ensimmäisessä kokeessa, jossa vapaaehtoinen oli rentoutunut, havaitut spektrikomponentit osoittivat parasympaattisen järjestelmän olevan aktiivisempi kuin sympaattisen järjestelmän. Toisessa kokeessa, jossa vapaaehtoiseen kohdistettiin ulkoisia ärsykkeitä, spektrikomponentit osoittivat sympaattisen järjestelmän olevan aktiivisempi kuin parasympaattisen järjestelmän. Tässä ensimmäisessä approksimaatiossa saadut tulokset osoittavat, että laite ja ehdotetut algoritmit ovat käyttökelpoisia ANS:n reaaliaikaiseen kvalitatiiviseen analyysiin ja erilaisten häiriöiden vaikutukseen.
Täydellisempää arviointia varten suoritettiin toinen sarja kokeita. HRV:n spektrianalyysissä käytettiin vakioparametreja sekä standardoitua mittausprotokollaa (lepo- ja kallistuskokeet). Vertaileva analyysi muissa tutkimuksissa saatuihin tuloksiin nähden osoitti sekä laitteen että ehdotettujen algoritmien pätevyyden HRV:n spektrikomponenttien kvantitatiivisessa arvioinnissa. Lisäksi on luotu menetelmä lepo- ja kallistustoimintojen luokittelua varten EKG-signaalista.
Interressiristiriidat
Tekijät ilmoittavat, ettei heillä ole eturistiriitoja minkään yrityksen tai organisaation kanssa tässä artikkelissa käsitellyn aineiston osalta.
Kiitokset
Tätä työtä on osittain tukenut Andalusian hallituksen Fundación Progreso y Salud -rahasto avustuksilla PI-0010-2013 ja PI-0041-2014, osittain Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, avustuksilla PI15/00306 ja DTS15/00195, ja osittain CIBER-BBN INT-2-CAREn, NeuroIBC:n ja ALBUMARKin avustuksilla.