Abstrait
Ce travail présente une première approche de la conception, du développement et de la mise en œuvre d’un dispositif intelligent pour la mesure et la détection en temps réel des altérations de la variabilité du rythme cardiaque (VRC). Le dispositif intelligent suit un schéma de conception modulaire, qui consiste en un module d’acquisition de signaux d’électrocardiogramme (ECG), un module de traitement et un module de communication sans fil. À partir de signaux ECG de cinq minutes, les algorithmes du module de traitement effectuent une estimation spectrale de la VRC. Les résultats expérimentaux démontrent la viabilité du dispositif intelligent et des algorithmes de traitement proposés.
1. Introduction
Les maladies cardiovasculaires sont parmi les principales causes de décès de la population . On estime que 17,3 millions de personnes dans le monde meurent à la suite d’une maladie cardiovasculaire, ce qui représente 30 % de tous les cas . L’hypertension artérielle, le tabagisme, le diabète, l’obésité viscérale, la dyslipidémie, la sédentarité et les habitudes alimentaires malsaines sont les principaux facteurs de risque modifiables associés au développement des maladies cardiovasculaires. Le dysfonctionnement autonome cardiaque est un facteur de risque également lié au développement des maladies cardiovasculaires et peut être mesuré de manière non invasive par l’évaluation de la variabilité de la fréquence cardiaque (VRC).
La VRC fait référence à la fréquence cardiaque continue ou aux intervalles continus des ondes RR extraits du signal de l’électrocardiogramme (ECG) (la distance temporelle entre les ondes R dans le signal de l’ECG est désignée comme intervalles RR). Les variations à court et à long terme de la fréquence cardiaque (FC) peuvent être dues à différentes causes. Le système nerveux parasympathique provoque une diminution de la FC et, par conséquent, de la pression artérielle (PA), tandis que le système nerveux sympathique favorise une action antagoniste, augmentant à la fois la FC et la PA. L’interaction de ces systèmes est connue sous le nom d’équilibre sympathique-vagal du système nerveux autonome (SNA) . De nombreuses études ont montré que la VRC est un indicateur quantitatif utile pour évaluer l’équilibre entre le système nerveux sympathique cardiaque et le système nerveux parasympathique et qu’elle peut être utilisée dans le diagnostic et la prévention de certaines maladies cardiovasculaires telles que l’insuffisance cardiaque congestive, la mort cardiaque subite, l’arythmie ou le syndrome de Holmes-Adie.
Au cours des dernières décennies, une tentative a été faite pour analyser et quantifier la VRC afin qu’elle puisse servir d’utilité clinique. Les mesures de la VRC sont effectuées sur des périodes à long et à court terme. Les enregistrements à long terme durent généralement 24 heures et sont effectués à l’aide d’un Holter, tandis que les enregistrements à court terme durent 2 à 5 minutes et sont généralement réalisés à l’aide d’un ECG dynamique.
L’analyse du VRC présente un intérêt dans d’autres conditions multiples, comme les maladies respiratoires. Cette analyse peut être utilisée comme une méthode simple et non invasive pour l’estimation de la capacité aérobie chez les sujets atteints de BPCO , et elle peut également être utilisée comme un outil de pronostic, puisque chez ces patients, une VRC réduite a été liée à une augmentation de la morbidité et de la mortalité . En outre, la force des muscles respiratoires a été liée à la réponse sympathique-vagale, qui peut être évaluée par le VRC . Les autres applications de la VRC vont du biomarqueur précoce pour l’évaluation de l’évolution du diabète sucré , et du marqueur diagnostique dans les douleurs chroniques du cou , à la santé mentale et physique , ou à la qualité du sommeil , et au stress au travail , entre autres.
Les méthodes de mesure de la VRC peuvent être classées en méthodes du domaine temporel et du domaine fréquentiel. Les premières consistent principalement en une analyse statistique des intervalles RR. Cependant, leurs capacités sont limitées, car elles ne montrent pas une spécificité et une sensibilité suffisantes, en plus de la nécessité de longues périodes d’enregistrement .
Les méthodes dans le domaine fréquentiel ou l’estimation spectrale de la VRC peuvent être classées en méthodes paramétriques et non paramétriques. Les méthodes non paramétriques basées sur la transformée de Fourier rapide (FFT) ont pour principal avantage leur simplicité et leur vitesse algorithmique , tandis que les méthodes paramétriques, telles que les modèles autorégressifs (AR), fournissent une composante spectrale plus définie, lisse et facile à identifier . En outre, pour les mesures de courte durée, les méthodes paramétriques offrent une meilleure résolution spectrale que les méthodes non paramétriques .
À la connaissance des auteurs, il n’existe pas de dispositifs permettant l’analyse en temps réel du VRC par les méthodes susmentionnées. Certaines méthodes adaptées ont été proposées pour l’analyse en temps réel , comme la transformée de Fourier à court terme (STFT), la transformée en ondelettes, la transformée de Hilbert-Huang, et à partir de filtres à réponse impulsionnelle infinie (IIR) , mais toujours exécutées hors ligne avec des signaux ECG provenant d’enregistrements précédemment acquis.
Le présent travail montre une première approche de la conception d’un dispositif intelligent portable, personnalisable et à faible coût pour la mesure en temps réel de la VRC dans le domaine fréquentiel à travers des modèles AR.
2. Matériaux et méthodes
Dans le contexte du présent travail, le dispositif intelligent est désigné comme un dispositif qui non seulement a des capacités de détection pour la mesure de certaines variables, mais est également équipé d’une unité de communication sans fil et a la capacité d’effectuer un traitement des informations acquises. Les processus de conception, de développement et d’évaluation du dispositif ont été réalisés selon une méthodologie itérative (ou en spirale), en testant les développements avant et plus souvent que dans le cycle de vie traditionnel en cascade. Dans la phase de conception et de simulation, le logiciel Orcad (version 16.0) de Cadence a été utilisé. Pour la réalisation des prototypes, les programmes CircuitCam (version 5.2) et BoardMaster (version 5.0) ont été utilisés, ainsi qu’une fraiseuse ProtoMat S62, tous de LPKF.
Une première évaluation des performances du dispositif a été faite en considérant ses caractéristiques les plus représentatives, en les comparant avec d’autres dispositifs et systèmes récemment proposés dans la littérature. Le gain et la bande passante ont été calculés à partir de la simulation de la conception électronique à l’aide du logiciel Tina-TI de Texas Instruments. La consommation électrique a été estimée en utilisant la procédure décrite dans . Pour cela, une résistance de 10 ohms a été placée en série dans la ligne qui alimente l’étage frontal depuis la batterie. A l’aide d’un oscilloscope (MSO6032A d’Agilent Technologies), la tension à la résistance a été mesurée pour estimer, selon la loi d’Ohm, le courant d’entrée du circuit. Ce courant, constant dans le temps, a été multiplié par la tension d’alimentation de 3,3 V pour obtenir la consommation électrique.
L’intérêt du présent dispositif est sa capacité à calculer les paramètres du VRC dans le domaine fréquentiel en temps réel. Pour ce processus, il est courant de faire une estimation de la densité spectrale de puissance (DSP) du signal VRC. Comme le montre la figure 1, on obtient des composantes spectrales de très basse fréquence (VLF) dans la plage de 0,0033-0,04 Hz, des composantes spectrales de basse fréquence (LF) dans la plage de 0,04-0,15 Hz et des composantes spectrales de haute fréquence (HF) dans la plage de 0,15-0,4 Hz. Ces composantes fournissent des informations cliniques sur la variation du rythme sinusal du cœur. Les composantes LF reflètent à la fois les influences sympathiques et parasympathiques, bien que les LF puissent être indicatives de la sensibilité du baroréflexe . Les composantes HF sont liées au système parasympathique ; ainsi, le rapport LF/HF est indicatif de l’équilibre sympathovagal .
Les composantes spectrales de puissance sont quantifiées en mesurant l’aire sous les trois bandes de fréquence : Puissance VLF, Puissance LF et Puissance HF. Les composantes spectrales du VRC doivent être présentées dans la base naturelle ; par conséquent, une transformation logarithmique pourrait être nécessaire. Afin de faciliter la comparaison entre différentes études, les composantes sont généralement présentées en unités normalisées, selon les expressions suivantes : où et représentent la puissance des composantes BF ou HF, respectivement, et indiquent les puissances correspondantes en unités normalisées (pourcentage), représente la puissance totale (équivalente à la variance calculée avec les approches temporelles), et indique la puissance de la composante VLF. Le rapport est calculé comme le rapport de et .
Pour la validation du capteur et des algorithmes utilisés, deux séries d’expériences ont été réalisées. Les sujets ont respiré spontanément mais n’ont pas été autorisés à parler. Le consentement éclairé a été obtenu de tous les sujets.
Dans la première série d’expériences, deux expériences d’acquisition de signaux ECG d’une durée de 5 minutes ont été réalisées sur un volontaire masculin de 23 ans pesant 90 kg, ayant un état de santé apparent et dans différentes situations. Au cours des expériences, le volontaire est resté immobile, sans parler et en évitant tout type de biofeedback. Pour la première expérience (expérience d’assise), on a demandé au sujet de s’asseoir sur une chaise de manière confortable et détendue, les yeux fermés. La deuxième expérience (expérience des stimuli) a été réalisée dans les mêmes conditions que la première, mais dans ce cas, le volontaire a été soumis à des stimuli auditifs aléatoires dans le but d’analyser l’influence des perturbations externes sur le SNA. Chacune des expériences a été à son tour répétée à deux reprises.
Dans la deuxième série d’expériences, un protocole standardisé pour l’étude du VRC a été utilisé , afin de permettre une analyse comparative du système par rapport aux résultats obtenus dans les études précédentes . L’étude a impliqué 5 volontaires, en bonne santé apparente. Le tableau 1 donne le détail des caractéristiques anthropométriques des volontaires. Les mesures ont été effectuées le matin. Chaque sujet a effectué deux expériences, chacune d’une durée de cinq minutes :(i)Expérience de repos : le volontaire reste immobile en position couchée.(ii)Expérience d’inclinaison : le volontaire reste immobile en position debout.
|
||||||||||||||||
3. Résultats de la conception
3.1. Conception du dispositif intelligent
La figure 2 montre la conception du dispositif intelligent suivant un schéma modulaire comprenant les éléments suivants :(i)Module de détection : sa fonction est de fournir une interface électrochimique entre le tissu et le sous-système de mesure électronique (module frontal) pour la détection de la tension. Cette interface est réalisée par le contact électrode-peau, constitué d’une électrode métallique, d’un gel électrolytique (contenant généralement du Cl-) et de la peau humaine. À cette fin, trois électrodes de diagnostic DORMO-TAB (électrodes flexibles prégélifiées Ag-AgCl de 26,4 mm × 22,5 mm) ont été placées sur les utilisateurs testés, la première sous la clavicule de l’épaule droite, la deuxième sous la clavicule de l’épaule gauche et la troisième sur l’abdomen, dans la partie inférieure gauche. Ces électrodes ont été reliées au module frontal par des câbles.(ii)Module frontal : c’est l’élément d’acquisition du signal surveillé. Il se compose d’un système de capture du signal ECG basé sur un amplificateur d’instrumentation (INA), un circuit de rétroaction via la troisième électrode, trois étages de filtre et une étape d’amplification, tous mis en œuvre par des amplificateurs opérationnels.(iii)Module de traitement : il est responsable du traitement du signal ECG et de l’analyse de fréquence pour l’estimation spectrale du HRV. Un module OLIMEX PIC32-PINGÜINO-OTG a été utilisé pour le traitement des données, qui peuvent être envoyées sans fil en temps réel. Le module OLIMEX utilise un microcontrôleur PIC32MX440F256H, avec 256 KB de mémoire de programme, 32 KB de mémoire de données et une vitesse maximale de 80 MHz.(iv)Module de communication : il est responsable des communications bidirectionnelles sans fil du dispositif intelligent : la transmission du résultat du traitement du signal à une unité externe (un ordinateur dans ce premier prototype) dans un sens, et la réception des commandes de configuration pour la personnalisation des algorithmes de traitement dans l’autre. Dans ce cas, un module RN42-I/RM de microchip a été utilisé pour mettre en œuvre des communications basées sur le standard Bluetooth.
3.2. Conception du module frontal
L’étage d’entrée frontal est constitué d’un INA composé de trois amplificateurs opérationnels avec un gain approximatif de 33 dB. L’impédance différentielle d’entrée est bootstrappée pour augmenter la résistance d’entrée et accroître la qualité du rapport signal/bruit . Par l’intermédiaire d’un suiveur de tension, le mode commun de l’INA est obtenu, qui est inversé et amplifié de sorte qu’il est ensuite réinjecté par la branche droite pour obtenir une augmentation du rapport de rejet de mode commun (CMRR), réduisant l’impact des interférences dans le signal de sortie .
Un filtre passe-haut avec une fréquence de coupure de 0,5 Hz est ensuite mis en œuvre. Ce filtrage est réalisé à partir d’un filtre passe-bas, de même fréquence de coupure, qui rétroagit sur le niveau continu du signal de sortie de l’INA comme sa tension de référence. Cette configuration permet un gain plus élevé dans l’amplificateur en évitant la saturation dans les étages suivants due à un niveau continu élevé.
Puis, des étapes de filtrage de gain à deux unités sont incluses. Les interférences de l’installation électrique sont atténuées par un filtre coupe-bande ajusté à la fréquence de 50 Hz. Ensuite, un filtre passe-bas est configuré avec une fréquence de coupure de 150 Hz pour minimiser les effets des autres sources possibles de bruit, généralement à une fréquence élevée.
Enfin, un amplificateur inverseur avec un gain approximatif de 30 dB est utilisé comme dernier étage de gain pour fournir un signal mesurable au convertisseur analogique-numérique (CAN) du module de traitement.
Le CAN a été mis en œuvre en tirant parti de l’un des périphériques disponibles du microcontrôleur PIC32MX440F256H, qui constitue le cœur du module PIC32-PINGÜINO-OTG d’OLIMEX. Ce dispositif permet un CAN 10 bits à 16 canaux, avec une fréquence d’échantillonnage maximale de 1000 ksps. Bien qu’il ait été démontré qu’une fréquence d’échantillonnage aussi basse que 50 Hz pouvait être utilisée pour mesurer le signal ECG sans compromettre la précision des paramètres HRV du domaine temporel calculés , d’autres études recommandent la fréquence de 200 Hz pour éviter les distorsions possibles dans le spectre de fréquence du signal , la base de l’analyse montrée dans le présent travail. Pour cette raison, une fréquence d’échantillonnage de 200 Hz a été choisie comme fréquence de travail de l’appareil, afin de minimiser la charge de calcul et la consommation d’énergie, tout en assurant une qualité dans les résultats après traitement.
Pour la conception du front-end, des résistances et des condensateurs de montage en surface de taille standard 0603 et des amplificateurs opérationnels de montage en surface de la série Texas Instruments OPA211 ont été utilisés. L’OPA211 a été choisi parce qu’il a une caractéristique principale, un très faible bruit d’entrée (80nVpp), et est idéal pour les applications médicales.
3.3. Module de traitement
L’estimation du VRC dans le domaine fréquentiel à partir du signal ECG est obtenue par un algorithme en cinq étapes :(i)Dans une première étape, le signal S0 correspondant au signal de sortie du frontal ECG est élevé à la troisième puissance. De cette façon, le signal obtenu permet une meilleure définition du complexe QRS.(ii)Dans la deuxième étape, à partir de la dérivée seconde de , un nouveau signal est généré correspondant aux expressions suivantes : où représente l’échantillon courant. Ce traitement permet de détecter facilement l’onde R.(iii)Dans la troisième étape, le signal S3 est obtenu comme l’estimation des intervalles RR, exprimés en secondes. Un registre des dernières valeurs maximales de l’onde R dans le signal S2 est sauvegardé, éliminant les valeurs les plus anciennes pour s’adapter dynamiquement aux changements d’amplitude du signal. A partir de ce registre, le seuil de détection Thd est défini comme étant égal à 30% de la valeur maximale de l’ensemble de ces valeurs. Ce seuil permet de limiter l’intervalle de recherche de l’onde R. L’instant où l’onde est maximale dans l’intervalle de recherche est défini comme l’instant R. Une nouvelle valeur est alors définie dans le vecteur d’intervalle RR comme la différence entre l’instant R actuel et le précédent.(iv)Dans la quatrième étape, l’estimation spectrale de S3 à l’aide de modèles AR est obtenue par la méthode de Burg d’ordre N, où N est un paramètre configurable . Comme le temps d’acquisition du signal est faible, l’utilisation de la méthode de Burg est une option appropriée, car elle présente l’avantage d’une résolution et d’une stabilité plus élevées pour une petite quantité de données . L’algorithme a été mis en œuvre en suivant les recommandations décrites dans pour améliorer l’estimation de la fréquence.(v)Enfin, dans la cinquième étape, , , et les paramètres ont été calculés selon les équations et les procédures décrites dans la section Matériaux et méthodes.
4. Résultats de validation
Comme un échantillon des signaux avec lesquels le module de traitement fonctionne, la figure 3 montre le résultat des trois premières étapes de l’algorithme décrit dans la section précédente pour une expérience en position assise. La figure 3(a) montre un segment de 20 secondes du signal de sortie S0 provenant du frontal ECG. La figure 3(b) montre le signal résultant de l’augmentation du signal S0 à la troisième puissance pour augmenter la définition du complexe QRS du signal ECG. La Figure 3(c) montre le signal S2, qui permet de détecter facilement l’onde R. Enfin, la figure 3(d) montre le signal complet S3, résultat de l’estimation des intervalles RR du signal S2. Ce dernier signal représente un signal temporel distribué le long de l’axe horizontal, également de nature temporelle, qui sera la base de l’analyse ultérieure dans le domaine fréquentiel.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
Vu l’intérêt que représente le calcul de la densité spectrale de puissance pour l’analyse du signal HRV, le paramètre N de Burg dans la quatrième étape de l’algorithme a été optimisé. Pour sélectionner l’ordre du filtre, différentes valeurs ont été testées de à , qui est la plage recommandée pour ce type d’applications, en augmentant leur valeur par pas de deux.
La figure 4 montre les résultats obtenus pour certaines des valeurs analysées du paramètre N. La valeur qui permettait une estimation spectrale correcte a été considérée comme optimale. Plus N est petit, plus le signal est lisse, ce qui rend difficile la détection des composantes spectrales, tandis que plus N est élevé, plus le nombre de pics générés dans le spectre de fréquence est important, ce qui le rend difficile à analyser et nécessite dans ce cas un temps de calcul plus long. Après cette analyse, a été établie comme la valeur optimale du paramètre, puisque c’était l’ordre mineur qui offrait une définition adéquate des composantes spectrales.
La mise en œuvre du prototype de dispositif intelligent est présentée sur la figure 5.
L’analyse spectrale de la première série d’expériences (expérience assise et expérience stimuli) a été appliquée dans une première validation du dispositif et de son algorithme de traitement. Cette évaluation a été faite dans ce cas de manière qualitative, en analysant le spectre des signaux par inspection. La figure 6 montre une comparaison de l’estimation spectrale de deux des expériences réalisées, dans laquelle les composantes spectrales LF et HF sont identifiées.
(a)
(b)
(a)
(b)
Dans l’expérience assise, dans laquelle l’utilisateur était détendu, on peut voir que la composante HF est dominante sur la composante LF. Ce résultat est en accord avec le résultat attendu, puisque dans ce cas, il devrait y avoir une plus grande activité du système parasympathique au-dessus du sympathique, puisqu’il correspond à un état de repos et de détente. Dans l’expérience sur les stimuli, le volontaire a été soumis à différentes perturbations. Dans ce cas, la composante LF était dominante, ce qui concorde également avec les résultats attendus.
Les résultats obtenus ont encouragé une étude plus détaillée utilisant le protocole standardisé décrit dans la section Matériaux et Méthodes et la deuxième série d’expériences (expériences de repos et expériences d’inclinaison). À titre d’exemple, les figures 7 et 8 montrent l’estimation spectrale de la VRC d’un volontaire féminin et d’un volontaire masculin, respectivement. Chacune des figures représente également la DSP des deux expériences réalisées par chaque volontaire : expériences au repos et expériences d’inclinaison. Dans les deux graphiques, une augmentation de la composante LF et une diminution de la composante HF sont observées lors du passage de la position couchée à la position debout. Dans le cas présenté dans la figure 7, il y a même une inversion de la position du maximum des composantes spectrales, situées en HF lors de l’expérience de repos et en LF lors de l’expérience d’inclinaison.
Pour définir plus précisément la relation entre les composantes spectrales lors de la comparaison des deux cas (repos et inclinaison), une analyse quantitative a également été réalisée en utilisant les paramètres normalisés des caractéristiques spectrales de la VRC décrites ci-dessus : , , et .
L’utilisation de paramètres normalisés et d’un protocole standardisé favorise la comparaison avec d’autres résultats de la littérature. Le tableau 2 montre les résultats obtenus dans cette étude et un échantillon de données équivalentes obtenues par d’autres auteurs pour des sujets sains.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Les données du tableau 2 montrent des résultats comparables à ceux trouvés dans d’autres études, tant en valeurs absolues que relatives. De plus, la même tendance et les mêmes relations entre les paramètres sont observées. est plus élevée dans les expériences d’inclinaison que dans les expériences de repos. L’inverse est vrai pour HFnu. Le rapport LF/HF a une valeur proche de l’unité dans les expériences de repos, mais est beaucoup plus élevé pour les expériences d’inclinaison.
On peut également voir dans le tableau 2 que les valeurs maximales et minimales des différents paramètres ne se chevauchent pas. En ce sens, on peut alors fixer un seuil pour chacun des paramètres qui pourrait être employé dans une hypothétique reconnaissance et classification des expériences. Pour , la valeur moyenne entre la valeur maximale du paramètre dans les expériences de repos et la valeur minimale du paramètre dans les expériences d’inclinaison est fixée comme seuil de classification. La même procédure est utilisée pour calculer le seuil du paramètre LF/HF. En revanche, le seuil du paramètre HFnu est calculé comme la valeur moyenne entre la valeur minimale dans les expériences de repos et la valeur maximale dans les expériences d’inclinaison. Le tableau 3 montre les règles de classification selon les seuils précédents.
|
|||||||||||||||||||||||||||
La figure 9 représente graphiquement la distribution des paramètres autour des seuils de classification, marqués par une ligne solide. Les graphiques montrent également l’intervalle de confiance de 68,27% (±écart-type) obtenu pour chaque paramètre dans chacune des expériences. Ces intervalles sont marqués par des lignes en tirets et servent à mettre en évidence la distribution statistique des résultats.
(a)
(b)
(c)
(a)
(b)
(c)
En ce qui concerne les performances du dispositif, le tableau 4 résume certaines caractéristiques du dispositif et les compare à quelques travaux récents. Le principal avantage de l’appareil par rapport aux autres propositions commerciales et de la littérature est sa capacité à détecter en temps réel les altérations de la variabilité de la fréquence cardiaque (VRC) par l’analyse des fréquences. A la connaissance des auteurs, cette capacité n’est pas implémentée dans les dispositifs portables, l’analyse hors ligne à partir des données stockées en mémoire étant la méthode la plus courante .
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Dans la première série d’expériences, correspondant à l’évaluation fonctionnelle du frontal, les données ECG capturées par le dispositif ont été envoyées sans fil en temps réel à un ordinateur, faisant office de module de traitement, où elles ont été analysées avec le logiciel Matlab (version 2016a). Chaque échantillon a été envoyé séquentiellement par le module de communication Bluetooth, utilisé comme un port série, avec un taux de transmission de 200 échantillons par seconde (deux octets par échantillon).
Après ces résultats positifs, dans la deuxième série d’expériences, l’algorithme a été intégré dans le module de traitement physique du prototype. Le tableau 5 montre quelques détails de l’implémentation de l’algorithme dans le prototype de capteur. La deuxième série d’expériences a été réalisée en utilisant l’appareil en mode autonome selon lequel l’appareil a effectué les tâches suivantes :(i)Transmission séquentielle sans fil d’échantillons d’ECG pour leur enregistrement et leur évaluation ultérieure.(ii)Calcul en ligne de S3 comme estimation des intervalles RR. Ce processus, exécuté au sein de l’appareil, nécessite un temps d’exécution de 193 μs, suffisant pour être exécuté en temps réel chaque fois qu’un nouvel échantillon est reçu à 200 Hz, sans interférer avec l’échantillon suivant.(iii)Toutes les cinq minutes, estimation de la VRC dans le domaine fréquentiel à partir des intervalles RR. Ce processus, également exécuté dans l’appareil, nécessite un temps de 409,2 ms pour s’exécuter, suffisant pour une application en temps réel.(iv)Calcul de , , et à partir de la PSD du signal VRC et transmission sans fil du résultat.
|
||||||||||||
L’algorithme a également été exécuté simultanément sur un ordinateur avec les échantillons d’ECG envoyés par le dispositif. La coïncidence des résultats obtenus par l’appareil par rapport à l’ordinateur démontre la viabilité du prototype pour l’exécution de l’algorithme proposé en temps réel.
5. Conclusions
Dans le présent travail, une première approximation d’un dispositif intelligent et d’un algorithme de traitement pour l’analyse spectrale de la VRC en temps réel a été montrée. À notre connaissance, cette capacité n’est disponible dans aucun appareil de mesure ECG portable. Sous les exigences de faible coût, personnalisable et de faible consommation d’énergie, le matériel et le logiciel requis pour la capture du signal ECG et son traitement ultérieur ont été conçus et mis en œuvre.
Une validation qualitative a été effectuée dans deux expériences différentes, répétées deux fois chacune. Dans une première expérience, dans laquelle le volontaire était détendu, les composantes spectrales observées indiquaient une plus grande activité du système parasympathique au-dessus du système sympathique. Dans une deuxième expérience, au cours de laquelle le volontaire a été soumis à des stimuli externes, les composantes spectrales ont montré une plus grande activité du système sympathique que du système parasympathique. Les résultats obtenus dans cette première approximation montrent la viabilité du dispositif et des algorithmes proposés pour une analyse qualitative en temps réel du SNA et l’influence de différentes perturbations.
Pour une évaluation plus exhaustive, une deuxième série d’expériences a été réalisée. Des paramètres standards ont été utilisés dans l’analyse spectrale du VRC ainsi qu’un protocole de mesure standardisé (expériences de repos et d’inclinaison). Une analyse comparative par rapport aux résultats obtenus dans d’autres études a montré la validité de l’appareil et des algorithmes proposés pour l’évaluation quantitative des composantes spectrales de la VRC. En outre, une méthode a été établie pour la classification des activités de repos et d’inclinaison à partir d’un signal ECG.
Conflits d’intérêts
Les auteurs déclarent qu’il n’y a aucun conflit d’intérêts avec une société ou une organisation concernant le matériel discuté dans cet article.
Remerciements
Ce travail a été soutenu en partie par la Fundación Progreso y Salud, gouvernement d’Andalousie, dans le cadre des subventions PI-0010-2013 et PI-0041-2014, en partie par le Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, sous les subventions PI15/00306 et DTS15/00195, et en partie par CIBER-BBN sous les subventions INT-2-CARE, NeuroIBC, et ALBUMARK.