- Abstract
- 1. Bevezetés
- 2. Anyagok és módszerek
- 3. Tervezési eredmények
- 3.1. Tervezési eredmények 3.1. Az intelligens eszköz kialakítása
- 3.2. A moduláris tervezési séma megvalósítása. Az elülső modul tervezése
- 3.3. Az OPA211-nek az a fő jellemzője, hogy nagyon alacsony a bemeneti zajszintje (80nVpp), és ideális az orvosi alkalmazásokhoz. Feldolgozó modul
- 4. Validálási eredmények
- 5. Következtetések
- Érdekütközések
- Köszönet
Abstract
Ez a munka egy olyan intelligens eszköz tervezésének, fejlesztésének és megvalósításának első megközelítését mutatja be, amely a szívfrekvencia-variabilitás (HRV) változásainak valós idejű mérésére és kimutatására szolgál. Az intelligens eszköz moduláris tervezési sémát követ, amely egy elektrokardiogram (EKG) jelgyűjtő modulból, egy feldolgozó modulból és egy vezeték nélküli kommunikációs modulból áll. Az ötperces EKG-jelekből a feldolgozómodul algoritmusai elvégzik a HRV spektrális becslését. A kísérleti eredmények bizonyítják az intelligens eszköz és a javasolt feldolgozási algoritmusok életképességét.
1. Bevezetés
A szív- és érrendszeri betegségek a népesség halálozásának fő okai közé tartoznak . Becslések szerint világszerte 17,3 millió ember hal meg szív- és érrendszeri betegségek következtében, ami az összes eset 30%-át jelenti . A magas vérnyomás, a dohányzási szokások, a cukorbetegség, a zsigeri elhízás, a diszlipidémia, a fizikai inaktivitás és az egészségtelen táplálkozási szokások a fő módosítható kockázati tényezők, amelyek a szív- és érrendszeri betegségek kialakulásához kapcsolódnak . A szív autonóm diszfunkciója olyan kockázati tényező, amely szintén összefügg a szív- és érrendszeri betegségek kialakulásával, és noninvazív módon mérhető a szívfrekvencia-variabilitás (HRV) értékelésével .
AHRV az elektrokardiogram (EKG) jeléből kinyert folyamatos szívfrekvenciára vagy folyamatos RR hullámintervallumokra utal (az R hullámok közötti időbeli távolságot az EKG jelben RR intervallumként jelöljük). A szívfrekvencia (HR) rövid és hosszú távú változásai különböző okokra vezethetők vissza. A paraszimpatikus idegrendszer okozza, hogy a HR, és ezzel együtt a vérnyomás (BP) csökken, míg a szimpatikus idegrendszer antagonista hatásnak kedvez, növelve a HR-t és a BP-t is. E rendszerek kölcsönhatását a vegetatív idegrendszer (ANS) szimpatikus-vagális egyensúlyának nevezik . Számos tanulmány kimutatta, hogy a HRV hasznos kvantitatív mutató a szív szimpatikus idegrendszere és a paraszimpatikus idegrendszer közötti egyensúly értékelésére, és felhasználható egyes kardiovaszkuláris betegségek, például a pangásos szívelégtelenség, a hirtelen szívhalál, az aritmia vagy a Holmes-Adie-szindróma diagnózisában és megelőzésében .
Az elmúlt évtizedekben kísérletet tettek a HRV elemzésére és számszerűsítésére, hogy az klinikai hasznosságot szolgáljon. A HRV mérését hosszú és rövid távú időszakokban végzik. A hosszú távú felvételek jellemzően 24 órán át tartanak, és Holterrel, míg a rövid távú felvételek 2-5 percig tartanak, és általában dinamikus EKG-val készülnek .
A HRV elemzése más többféle állapot, például légzőszervi betegségek esetén is érdekes. Ez az elemzés egyszerű és noninvazív módszerként használható az aerob kapacitás becslésére COPD-ben szenvedő személyeknél , és prognosztikai eszközként is használható, mivel ezeknél a betegeknél a csökkent HRV összefüggésbe hozható a morbiditás és a mortalitás növekedésével . Ezenkívül a légzőizomzat erejét összefüggésbe hozták a szimpatikus-vagális válasszal, amely a HRV-vel értékelhető. A HRV egyéb alkalmazásai a cukorbetegség előrehaladásának értékelésére szolgáló korai biomarkertől , és a krónikus nyaki fájdalom diagnosztikai markerétől kezdve a mentális és fizikai egészségig , vagy az alvásminőségig , és a munkahelyi stresszig terjednek.
A HRV mérésére szolgáló módszerek időbeli és frekvenciatartománybeli módszerekbe sorolhatók. Az előbbiek főként az RR-intervallumok statisztikai elemzéséből állnak. Képességeik azonban korlátozottak, mivel nem mutatnak megfelelő specificitást és érzékenységet, ráadásul hosszú rögzítési időszakokra van szükségük .
A frekvenciatartományban alkalmazott módszerek vagy a HRV spektrális becslése parametrikus és nemparametrikus módszerekbe sorolhatók. A gyors Fourier-transzformáción (FFT) alapuló nemparametrikus módszerek fő előnye az egyszerűség és az algoritmikus sebesség , míg a parametrikus módszerek, mint például az autoregresszív (AR) modellek, egy jobban meghatározott, sima és könnyen azonosítható spektrális komponenst biztosítanak . Ráadásul rövid időtartamú mérések esetén a parametrikus módszerek jobb spektrális felbontást biztosítanak, mint a nem parametrikus módszerek .
A szerzők tudomása szerint nincsenek olyan eszközök, amelyek lehetővé tennék a HRV valós idejű elemzését a fent említett módszerekkel. Néhány adaptált módszert javasoltak a valós idejű elemzéshez , mint például a rövid idejű Fourier-transzformáció (STFT), a wavelet-transzformáció, a Hilbert-Huang-transzformáció és a végtelen impulzusválasz (IIR) szűrőkből , de mindig off-line hajtották végre a korábban rögzített EKG-jelekkel.
A jelen munka egy hordozható, testre szabható és alacsony költségű intelligens eszköz tervezésének első megközelítését mutatja be a HRV valós idejű mérésére a frekvenciatartományban AR modelleken keresztül.
2. Anyagok és módszerek
A jelen munka kontextusában az intelligens eszközre olyan eszközként hivatkozunk, amely nemcsak érzékelési képességekkel rendelkezik bizonyos változók mérésére, hanem vezeték nélküli kommunikációs egységgel is fel van szerelve, és képes a megszerzett információk feldolgozására. Az eszköz tervezési, fejlesztési és értékelési folyamatait iteratív (vagy spirális) módszertan szerint végeztük, a fejlesztéseket korábban és gyakrabban tesztelve, mint a hagyományos kaszkádos életciklusban. A tervezési és szimulációs szakaszban a Cadence Orcad szoftverét (16.0 verzió) használták. A prototípusok megvalósításához CircuitCam (5.2 verzió) és BoardMaster (5.0 verzió) programokat, valamint egy ProtoMat S62 marógépet használtak, mind az LPKF-től.
Az eszköz teljesítményének első értékelése a legjellemzőbb jellemzők figyelembevételével történt, összehasonlítva azokat más, az irodalomban nemrég javasolt eszközökkel és rendszerekkel. Az erősítést és a sávszélességet a Texas Instruments Tina-TI szoftverével az elektronikai kialakítás szimulációjából számították ki. A teljesítményfelvételt a . Ebből a célból egy 10 ohmos ellenállást helyeztek sorba a vezetékbe, amely az elülső végfokozatot az akkumulátorról táplálja. Egy oszcilloszkóppal (MSO6032A, Agilent Technologies) megmértük az ellenálláson mért feszültséget, hogy az Ohm-törvénynek megfelelően megközelítsük az áramkör bemeneti áramát. Ezt az időben állandó áramot megszoroztuk a 3,3 V-os tápfeszültséggel, hogy megkapjuk a fogyasztást.
A jelen eszköz érdekessége, hogy képes a HRV paramétereket a frekvenciatartományban valós időben kiszámítani. Ehhez a folyamathoz általában a HRV jel teljesítményspektrális sűrűségének (PSD) becslését kell elvégezni. Amint az 1. ábrán látható, nagyon alacsony frekvenciájú (VLF) spektrális komponenseket kapunk a 0,0033-0,04 Hz tartományban , alacsony frekvenciájú (LF) spektrális komponenseket a 0,04-0,15 Hz tartományban, és magas frekvenciájú (HF) spektrális komponenseket a 0,15-0,4 Hz tartományban. Ezek a komponensek klinikai információt szolgáltatnak a szív szinuszritmusának változásáról. Az LF komponensek szimpatikus és paraszimpatikus hatásokat egyaránt tükröznek, bár az LF jelezheti a baroreflex érzékenységet . A HF komponensek a paraszimpatikus rendszerhez kapcsolódnak; így az LF/HF arány a szimpatovagális egyensúlyt jelzi .
A teljesítményspektrális komponensek számszerűsítése a három frekvenciasáv alatti terület mérésével történik: VLF teljesítmény, LF teljesítmény és HF teljesítmény. A HRV spektrális komponenseit természetes bázisban kell bemutatni; ezért logaritmikus transzformációra lehet szükség. A különböző tanulmányok közötti összehasonlítás megkönnyítése érdekében a komponenseket általában normalizált egységekben mutatják be, a következő kifejezések szerint :ahol az és az LF, illetve a HF komponensek teljesítményét jelöli, és a megfelelő teljesítményeket jelzi normalizált egységekben (százalékban), a teljes teljesítményt jelenti (az időtartománybeli megközelítéssel számított varianciával egyenértékű), és a VLF komponens teljesítményét jelzi. arány a és .
A szenzor és az alkalmazott algoritmusok validálásához két kísérletsorozatot végeztünk. Az alanyok spontán lélegeztek, de nem beszélhettek. Minden alanytól tájékozott beleegyezést kaptunk.
Az első kísérletsorozatban két 5 perces EKG-jelgyűjtési kísérletet végeztünk egy 90 kg súlyú, látszólag egészséges állapotban lévő, 23 éves férfi önkéntes személyen, különböző helyzetekben. A kísérletek során az önkéntes mozdulatlanul maradt, nem beszélt, és kerülte a biofeedback minden formáját. Az első kísérletben (ülő kísérlet) a kísérleti személyt arra kérték, hogy csukott szemmel, kényelmesen és nyugodtan üljön egy székben. A második kísérletet (stimulációs kísérlet) ugyanolyan körülmények között végeztük, mint az első kísérletet, de ebben az esetben az önkéntest véletlenszerű auditív ingereknek tettük ki azzal a céllal, hogy elemezzük a külső zavarok ANS-re gyakorolt hatását. Mindegyik kísérletet sorban megismételtük két különböző alkalommal.
A második kísérletsorozatban a HRV vizsgálatára szabványosított protokollt használtunk , hogy lehetővé tegyük a rendszer összehasonlító elemzését a korábbi vizsgálatokban kapott eredményekkel . A vizsgálatban 5 önkéntes vett részt, látszólag egészséges állapotban. Az 1. táblázat részletesen bemutatja az önkéntesek antropometriai jellemzőit. A méréseket reggel végezték. Minden alany két kísérletet hajtott végre, amelyek mindegyike öt percig tartott: (i) Nyugalmi kísérlet: az önkéntes fekvő helyzetben mozdulatlanul marad. (ii) Döntési kísérlet: az önkéntes álló helyzetben mozdulatlanul marad.
|
||||||||||||||||
3. Tervezési eredmények
3.1. Tervezési eredmények
3.1. Az intelligens eszköz kialakítása
A 2. ábra mutatja az intelligens eszköz kialakítását a következő elemekből álló moduláris sémát követve: (i) Érzékelő modul: feladata, hogy elektrokémiai interfészt biztosítson a szövet és az elektronikus mérő alrendszer (front-end modul) között a feszültségérzékeléshez. Ez az interfész az elektróda-bőr kapcsolaton keresztül valósul meg, amely egy fémelektródból, egy (általában Cl- tartalmú) elektrolitgélből és az emberi bőrből áll. Ebből a célból három diagnosztikai DORMO-TAB elektródát (26,4 mm × 22,5 mm méretű, Ag-AgCl előzsírozott hajlékony elektródák) helyeztek el a tesztalanyokon, az elsőt a jobb vállon a kulcscsont alatt, a másodikat a bal vállon a kulcscsont alatt, a harmadikat pedig a bal oldalon a has alsó részén. Ezeket az elektródákat kábeleken keresztül csatlakoztatták az elülső modulhoz. ii) Elülső modul: ez a megfigyelt jel felvételi eleme. Egy műszeres erősítőn (INA) alapuló EKG-jelfelvételi rendszerből, a harmadik elektródán keresztül egy visszacsatoló áramkörből, három szűrőfokozatból és egy erősítési lépésből áll, amelyek mindegyike műveleti erősítőkön keresztül valósul meg.(iii)Feldolgozó modul: az EKG-jel feldolgozásáért és a HRV spektrális becsléséhez szükséges frekvenciaelemzésért felelős. Az adatfeldolgozáshoz egy OLIMEX PIC32-PINGÜINO-OTG modult használtak, amely vezeték nélkül, valós időben küldhető. Az OLIMEX modul egy PIC32MX440F256H mikrokontrollert használ, 256 KB programmemóriával, 32 KB adatmemóriával és 80 MHz maximális sebességgel. iv) Kommunikációs modul: az intelligens eszköz kétirányú vezeték nélküli kommunikációjáért felelős: egyrészt a jelfeldolgozás eredményének külső egység (ebben az első prototípusban egy számítógép) felé történő továbbításáért, másrészt a feldolgozási algoritmusok személyre szabásához szükséges konfigurációs parancsok fogadásáért. Ebben az esetben a Bluetooth-szabványon alapuló kommunikáció megvalósításához a microchip RN42-I/RM modulját használták.
3.2. A moduláris tervezési séma megvalósítása. Az elülső modul tervezése
A front-end bemeneti fokozatát egy három műveleti erősítőből álló INA alkotja, megközelítőleg 33 dB-es erősítéssel. A bemeneti differenciális impedancia bootstrapped a bemeneti ellenállás növelése és a jel-zaj arány minőségének javítása érdekében . Egy feszültségkövetőn keresztül kapjuk az INA közös módját, amelyet invertálunk és erősítünk, hogy aztán a jobb lábon keresztül visszacsatoljuk a közös módú elutasítási arány (CMRR) növelése érdekében, csökkentve az interferenciák hatását a kimeneti jelben .
Ezután egy 0,5 Hz-es vágási frekvenciájú magas átjárású szűrő kerül végrehajtásra. Ez a szűrés egy ugyanolyan vágási frekvenciájú aluláteresztő szűrőből történik, amely az INA kimeneti jel folyamatos szintjét referenciafeszültségként visszacsatolja. Ez a konfiguráció nagyobb erősítést tesz lehetővé az erősítőben, elkerülve a magas egyenáramú szint miatti telítődést a következő fokozatokban.
A következőkben két egységnyi erősítésszűrési lépések szerepelnek. Az elektromos berendezés zavarát egy 50 Hz-es frekvenciára beállított rovátkaszűrő csillapítja. Ezután egy aluláteresztő szűrő van beállítva 150 Hz-es határfrekvenciával, hogy minimalizálják az egyéb lehetséges, általában magas frekvenciájú zajforrások hatását.
Végül egy megközelítőleg 30 dB-es erősítésű inverteres erősítőt használnak utolsó erősítési fokozatként, hogy mérhető jelet szolgáltasson a feldolgozó modul analóg-digitális átalakítójának (ADC).
Az ADC-t az OLIMEX PIC32-PINGÜINO-OTG modul magját képező PIC32MX440F256H mikrokontroller egyik rendelkezésre álló perifériáját kihasználva valósították meg. Ez az eszköz akár 16 csatornás 10 bites ADC-t is lehetővé tesz, 1000 kpss maximális mintavételi sebességgel. Bár kimutatták, hogy akár 50 Hz-es mintavételi frekvencia is használható az EKG jel mérésére anélkül, hogy a kiszámított időtartománybeli HRV paraméterek pontossága sérülne, más tanulmányok 200 Hz-es frekvenciát javasolnak a jel frekvenciaspektrumának esetleges torzulásainak elkerülése érdekében, ami a jelen munkában bemutatott elemzés alapja. Emiatt az eszköz munkafrekvenciájaként 200 Hz-es mintavételi frekvenciát választottak, hogy minimalizálják a számítási terhelést és az energiafogyasztást, miközben biztosítják a feldolgozás utáni eredmények minőségét.
A front-end kialakításához 0603-as szabványos méretű felületszerelt ellenállásokat és kondenzátorokat, valamint a Texas Instruments OPA211 sorozatú felületszerelt műveleti erősítőket használtak. Az OPA211-et azért választottuk, mert fő jellemzője, a nagyon alacsony bemeneti zaj (80nVpp), és ideális az orvosi alkalmazásokhoz.
3.3. Az OPA211-nek az a fő jellemzője, hogy nagyon alacsony a bemeneti zajszintje (80nVpp), és ideális az orvosi alkalmazásokhoz. Feldolgozó modul
A HRV becslését a frekvenciatartományban az EKG jelből egy ötlépéses algoritmussal kapjuk: (i) Az első lépésben az EKG front-end kimeneti jelének megfelelő S0 jelet a harmadik hatványra emeljük. Így kapjuk meg a jelet, amely lehetővé teszi a QRS-komplexus jobb meghatározását.(ii)A második lépésben a , második deriváltjából egy új jelet generálunk, amely megfelel a következő kifejezéseknek: ahol az aktuális mintát jelöli. Ez a feldolgozás lehetővé teszi az R-hullám könnyű felismerését.(iii)A harmadik szakaszban az S3 jelet az RR-intervallumok becsléseként kapjuk, másodpercekben kifejezve. Az S2 jelben az R-hullám utolsó maximális értékeit tartalmazó regisztert elmentjük, kiküszöbölve a régebbi értékeket, hogy dinamikusan alkalmazkodni tudjunk a jel amplitúdójának változásaihoz. Ebből a regiszterből a Thd érzékelési küszöbértéket az összes maximális érték 30%-ában határozzuk meg. Ez a küszöbérték lehetővé teszi az R-hullám keresési intervallumának korlátozását. Azt a pillanatot, amikor a hullám a keresési intervallumban maximális, R-instansként határozzuk meg. Ezután az RR intervallumvektorban egy új értéket határozunk meg az aktuális R-instantum és az előző közötti különbségként. iv) A negyedik szakaszban az S3 spektrális becslését AR-modellek felhasználásával a Burg-módszer N-rendű módszerével kapjuk, ahol N egy konfigurálható paraméter . Mivel a jelfelvételi idő kicsi, a Burg-módszer alkalmazása megfelelő lehetőség, mivel előnye a nagyobb felbontás és a stabilitás kis adatmennyiség esetén . Az algoritmust a frekvenciabecslés javítása érdekében az itt leírt ajánlásokat követve valósítottuk meg. v)Végül az ötödik szakaszban , , , és a paramétereket az Anyagok és módszerek szakaszban leírt egyenletek és eljárások szerint számoltuk ki.
4. Validálási eredmények
A 3. ábra a feldolgozó modul által kezelt jelek mintájaként az előző szakaszban leírt algoritmus első három szakaszának eredményét mutatja egy ülő kísérletre. A 3. a) ábra az EKG front-end S0 kimeneti jelének egy 20 másodperces szegmensét mutatja. A 3. b) ábra az S0 jel harmadik hatványra emelésének eredményeként kapott jelet mutatja, hogy növeljük az EKG jel QRS-komplexumának meghatározását. A 3(c) ábra az S2 jelet mutatja, amely lehetővé teszi az R-hullám könnyű felismerését. Végül a 3. (d) ábra a teljes S3 jelet mutatja, amely az S2 jel RR-intervallumainak becslésének eredménye. Ez utóbbi jel a vízszintes tengely mentén elosztott, szintén időbeli jellegű időjelet képvisel, amely a későbbi frekvenciatartománybeli elemzés alapja lesz.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
A HRV-jel elemzéséhez a teljesítményspektrális sűrűség kiszámítása által képviselt érdekesség miatt az algoritmus negyedik szakaszában az N Burg paramétert optimalizáltuk. A szűrő sorrendjének kiválasztásához különböző értékeket teszteltünk , ami az ilyen típusú alkalmazásokhoz ajánlott tartomány , értéküket kettes lépésekben növelve.
A 4. ábra mutatja az N paraméter néhány elemzett értékére kapott eredményeket. Azt az értéket tekintettük optimálisnak, amely lehetővé tette a helyes spektrális becslést. Minél kisebb az N, annál simább a jel, ami megnehezíti a spektrális komponensek felismerését, míg minél nagyobb az N, annál több csúcs keletkezik a frekvencia spektrumban, ami megnehezíti az elemzést, és ebben az esetben hosszabb számítási időt igényel. Ezt az elemzést követően a paraméter optimális értékeként az alakult ki, mivel ez volt az a kisebb rend, amely a spektrális komponensek megfelelő meghatározását kínálta.
Az okoseszköz prototípusának megvalósítása az 5. ábrán látható.
Az első kísérletsorozat (ülő kísérlet és stimulációs kísérlet) spektrális elemzését alkalmaztuk a készülék és feldolgozó algoritmusának első validálásában. Ez az értékelés ebben az esetben kvalitatív módon, a jelek spektrumának szemrevételezéssel történő elemzésével történt. A 6. ábra a két elvégzett kísérlet spektrális becslésének összehasonlítását mutatja, amelyben az LF és HF spektrális komponensek azonosíthatók.
(a)
(b)
(a)
(b)
Az ülő kísérletben, amelyben a felhasználó ellazult, látható, hogy a HF komponens dominál az LF komponenssel szemben. Ez az eredmény összhangban van a várt eredménnyel, mivel ebben az esetben a paraszimpatikus rendszernek nagyobb aktivitást kellene mutatnia a szimpatikus felett, mivel ez megfelel a nyugalmi és relaxált állapotnak. A stimulációs kísérletben az önkéntes különböző zavaroknak volt kitéve. Ebben az esetben az LF komponens dominált, ami szintén megfelel a várt eredményeknek.
A kapott eredmények részletesebb vizsgálatra ösztönöztek az Anyagok és módszerek fejezetben leírt szabványosított protokoll és a második kísérletsorozat (nyugalmi kísérletek és billenési kísérletek) alkalmazásával. Példaként a 7. és 8. ábra egy női önkéntes és egy férfi önkéntes HRV spektrális becslését mutatja be. Mindegyik ábra az egyes önkéntesek által elvégzett két kísérlet PSD-jét is ábrázolja: nyugalmi és billenési kísérletek. Mindkét ábrán az LF komponens növekedése és a HF komponens csökkenése figyelhető meg, amikor a fekvő helyzetből álló helyzetbe lépünk. A 7. ábrán látható esetben még a spektrális komponensek maximumának pozíciójában is inverzió figyelhető meg, amely a nyugalmi kísérlet során a HF-ban, a dőlési kísérlet során pedig az LF-ben helyezkedik el.
A spektrális komponensek közötti kapcsolat pontosabb meghatározása érdekében a két eset (nyugalom és billenés) összehasonlításakor kvantitatív elemzést is végeztünk a HRV spektrális jellemzőinek fent leírt normalizált paraméterei alapján: , , és .
A szabványosított paraméterek és a szabványos protokoll használata kedvez az irodalomban található más eredményekkel való összehasonlításnak. A 2. táblázat az ebben a vizsgálatban kapott eredményeket és más szerzők által egészséges alanyok esetében kapott egyenértékű adatok egy mintáját mutatja be.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
A 2. táblázat adatai mind abszolút, mind relatív értékek tekintetében a más vizsgálatokban tapasztaltakhoz hasonló eredményeket mutatnak. Ezenkívül ugyanaz a tendencia és ugyanazok az összefüggések figyelhetők meg a paraméterek között. magasabb a billenési kísérletekben, mint a többi kísérletben. A HFnu esetében ez fordítva igaz. Az LF/HF arány a nyugalmi kísérletekben egységhez közeli értéket mutat, de a billenési kísérleteknél sokkal magasabb.
A 2. táblázatból az is látható, hogy a különböző paraméterek maximális és minimális értékei nem fedik egymást. Ebben az értelemben tehát minden egyes paraméterhez meghatározható egy küszöbérték, amelyet a kísérletek hipotetikus felismerésében és osztályozásában lehetne alkalmazni. A többi kísérletben a paraméter maximális értéke és a paraméter minimális értéke közötti átlagértéket határozzuk meg az osztályozási küszöbértékként. Ugyanezt az eljárást alkalmazzuk az LF/HF paraméter küszöbértékének kiszámításához. Ezzel szemben a HFnu paraméter küszöbértékét a nyugalmi kísérletek minimális értéke és a billenési kísérletek maximális értéke közötti átlagértékként kell kiszámítani. A 3. táblázat az előző küszöbértékek szerinti osztályozási szabályokat mutatja.
|
|||||||||||||||||||||||||||
A 9. ábra grafikusan ábrázolja a paraméterek eloszlását az osztályozási küszöbértékek körül, amelyeket egy folytonos vonal jelöl. A grafikonok az egyes paraméterekre az egyes kísérletekben kapott 68,27%-os (±standardeltérés) konfidenciaintervallumot is mutatják. Ezek az intervallumok szaggatott vonalakkal vannak jelölve, és az eredmények statisztikai eloszlásának kiemelésére szolgálnak.
(a)
(b)
(c)
(a)
(b)
(c)
A készülék teljesítményét illetően a 4. táblázat összefoglalja a készülék néhány jellemzőjét, és összehasonlítja azt néhány közelmúltbeli munkával. A készülék fő előnye más kereskedelmi és szakirodalmi javaslatokkal szemben az, hogy frekvenciaelemzéssel képes a szívfrekvencia-variabilitás (HRV) változásainak valós idejű kimutatására. A szerzők tudomása szerint ezt a képességet hordozható eszközökben nem valósítják meg, mivel a memóriában tárolt adatokból történő offline elemzés a legelterjedtebb módszer.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
A front-end funkcionális értékelésének megfelelő első kísérletsorozatban a készülék által rögzített EKG-adatokat vezeték nélkül, valós időben továbbítottuk a feldolgozó modulként működő számítógépre, ahol azokat Matlab szoftverrel (2016a verzió) elemeztük. Minden mintát szekvenciálisan küldött a soros portként használt Bluetooth kommunikációs modul, 200 minta/másodperc átviteli sebességgel (mintánként két bájt).
A pozitív eredmények után a második kísérletsorozatban az algoritmust a prototípus fizikai feldolgozó moduljába ágyazták be. Az 5. táblázat az algoritmusnak az érzékelő prototípusban történő megvalósításának néhány részletét mutatja be. A második kísérletsorozatot az eszközzel önálló üzemmódban végeztük, amely szerint az eszköz a következő feladatokat látta el: (i)EKG-minták szekvenciális vezeték nélküli továbbítása a regisztrálás és az azt követő kiértékelés céljából (ii)On-line S3-számítás, mint az RR-intervallumok becslése. Ez a folyamat, amelyet az eszközön belül hajtottak végre, 193 μs időt igényel, ami elég ahhoz, hogy valós időben végrehajtható legyen, amikor egy új minta érkezik 200 Hz-en, a következő minta zavarása nélkül.(iii)Ötpercenként a HRV becslése a frekvenciatartományban az RR-intervallumokból. Ez a szintén az eszközön belül végrehajtott folyamat 409,2 ms időt igényel, ami elegendő egy valós idejű alkalmazáshoz.(iv)A , , , és kiszámítása a HRV jel PSD-jéből és az eredmény vezeték nélküli továbbítása.
|
||||||||||||
Az algoritmust a készülék által küldött EKG-mintákkal egyidejűleg számítógépen is végrehajtották. A készülék és a számítógép által kapott eredmények egybeesése bizonyítja a prototípus életképességét a javasolt algoritmus valós idejű végrehajtására.
5. Következtetések
A jelen munkában bemutattuk egy intelligens eszköz és egy feldolgozó algoritmus első közelítését a HRV valós idejű spektrális elemzéséhez. Legjobb tudomásunk szerint ez a képesség egyetlen hordozható EKG-mérőeszközben sem áll rendelkezésre. Az alacsony költségű, testre szabható és alacsony energiafogyasztás követelményei alapján megterveztük és megvalósítottuk az EKG-jel rögzítéséhez és az azt követő feldolgozáshoz szükséges hardvert és szoftvert.
A minőségi validációt két különböző, egyenként kétszer megismételt kísérletben végeztük el. Az első kísérletben, amelyben az önkéntes relaxált volt, a megfigyelt spektrális komponensek a paraszimpatikus rendszer nagyobb aktivitását jelezték a szimpatikus felett. Egy második kísérletben, amelyben az önkéntest külső ingereknek tették ki, a spektrális komponensek a szimpatikus rendszer nagyobb aktivitását mutatták a paraszimpatikus felett. Az ebben az első közelítésben kapott eredmények mutatják az eszköz és a javasolt algoritmusok életképességét az ANS valós idejű minőségi elemzésére és a különböző perturbációk hatására.
A kimerítőbb értékelés érdekében egy második kísérletsorozatot végeztek. A HRV spektrális elemzéséhez standard paramétereket használtunk, valamint egy standardizált mérési protokollt (nyugalmi és billenési kísérletek). A más tanulmányokban kapott eredményekkel való összehasonlító elemzés kimutatta mind a készülék, mind a javasolt algoritmusok érvényességét a HRV spektrális komponenseinek kvantitatív értékelésére. Emellett módszert dolgoztak ki a nyugalmi és billenési aktivitások EKG-jelből történő osztályozására.
Érdekütközések
A szerzők kijelentik, hogy a jelen tanulmányban tárgyalt anyaggal kapcsolatban semmilyen céggel vagy szervezettel nem áll fenn érdekellentét.
Köszönet
Ezt a munkát részben az andalúziai kormány Fundación Progreso y Saludja támogatta a PI-0010-2013 és PI-0041-2014 támogatások keretében, részben a Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, a PI15/00306 és a DTS15/00195 támogatások keretében, valamint részben a CIBER-BBN az INT-2-CARE, a NeuroIBC és az ALBUMARK támogatásával.