Dispositivo intelligente per la determinazione della variabilità della frequenza cardiaca in tempo reale

author
21 minutes, 46 seconds Read

Abstract

Questo lavoro presenta un primo approccio alla progettazione, allo sviluppo e all’implementazione di un dispositivo intelligente per la misurazione e la rilevazione in tempo reale delle alterazioni della variabilità della frequenza cardiaca (HRV). Il dispositivo intelligente segue uno schema di progettazione modulare, che consiste in un modulo di acquisizione del segnale dell’elettrocardiogramma (ECG), un modulo di elaborazione e un modulo di comunicazione wireless. Dai segnali ECG di cinque minuti, gli algoritmi del modulo di elaborazione eseguono una stima spettrale della HRV. I risultati sperimentali dimostrano la fattibilità del dispositivo intelligente e degli algoritmi di elaborazione proposti.

1. Introduzione

Le malattie cardiovascolari sono tra le principali cause di morte della popolazione. Si stima che 17,3 milioni di persone in tutto il mondo muoiono a causa di malattie cardiovascolari, che rappresenta il 30% di tutti i casi. L’ipertensione, l’abitudine al fumo, il diabete, l’obesità viscerale, la dislipidemia, l’inattività fisica e i modelli alimentari malsani sono i principali fattori di rischio modificabili associati allo sviluppo delle malattie cardiovascolari. Disfunzione cardiaca autonoma è un fattore di rischio che è anche legato allo sviluppo di malattie cardiovascolari e può essere misurata non invasivamente attraverso la valutazione della variabilità della frequenza cardiaca (HRV).

HRV si riferisce alla frequenza cardiaca continua o continui intervalli di onde RR estratti dal segnale di elettrocardiogramma (ECG) (distanza temporale tra le onde R nel segnale ECG è indicato come intervalli RR). Le variazioni a breve e lungo termine della frequenza cardiaca (HR) possono essere dovute a cause diverse. Il sistema nervoso parasimpatico fa sì che la FC, e a sua volta la pressione sanguigna (BP) diminuisca, mentre il sistema nervoso simpatico favorisce un’azione antagonista, aumentando sia la FC che la BP. L’interazione di questi sistemi è nota come equilibrio simpatico-vagale del sistema nervoso autonomo (ANS). Molti studi hanno dimostrato che la HRV è un utile indicatore quantitativo per valutare l’equilibrio tra il sistema nervoso simpatico cardiaco e il sistema nervoso parasimpatico e può essere utilizzato nella diagnosi e nella prevenzione di alcune malattie cardiovascolari come l’insufficienza cardiaca congestizia, la morte cardiaca improvvisa, l’aritmia o la sindrome di Holmes-Adie.

Negli ultimi decenni, è stato fatto un tentativo di analizzare e quantificare la HRV in modo che possa servire come utilità clinica. Le misurazioni della HRV sono effettuate su periodi a lungo e a breve termine. Le registrazioni a lungo termine durano tipicamente 24 ore e sono effettuate per mezzo di un Holter, mentre le registrazioni a breve termine durano 2-5 minuti e sono di solito effettuate con un ECG dinamico.

L’analisi della HRV è di interesse in altre condizioni multiple, come le malattie respiratorie. Questa analisi può essere utilizzata come un metodo semplice e non invasivo per la stima della capacità aerobica in soggetti con BPCO, e può anche essere utilizzato come strumento prognostico, dal momento che in questi pazienti, un HRV ridotto è stato collegato ad un aumento della morbilità e della mortalità. Inoltre, la forza dei muscoli respiratori è stata collegata alla risposta simpatico-vagale, che può essere valutata dalla HRV. Altre applicazioni della HRV vanno dal biomarcatore precoce per la valutazione del progresso del diabete mellito, e marcatore diagnostico nel dolore cervicale cronico, alla salute mentale e fisica, o la qualità del sonno, e lo stress da lavoro, tra gli altri.

I metodi per la misurazione della HRV possono essere classificati in metodi di dominio temporale e di frequenza. I primi consistono principalmente in un’analisi statistica degli intervalli RR. Tuttavia, le loro capacità sono limitate, poiché non mostrano sufficiente specificità e sensibilità, oltre alla necessità di lunghi periodi di registrazione.

I metodi nel dominio della frequenza o stima spettrale della HRV possono essere classificati in metodi parametrici e non parametrici. I metodi non parametrici basati sulla trasformata veloce di Fourier (FFT) hanno come vantaggio principale la loro semplicità e velocità algoritmica, mentre i metodi parametrici, come i modelli autoregressivi (AR), forniscono una componente spettrale più definita, liscia e facile da identificare. Inoltre, per le misurazioni di breve durata, i metodi parametrici forniscono una migliore risoluzione spettrale rispetto ai metodi non parametrici.

A conoscenza degli autori, non ci sono dispositivi che permettono l’analisi in tempo reale della HRV attraverso i metodi sopra citati. Alcuni metodi adattati sono stati proposti per l’analisi in tempo reale, come la trasformata di Fourier in tempo breve (STFT), la trasformata wavelet, la trasformata di Hilbert-Huang, e da filtri a risposta impulsiva infinita (IIR), ma sempre eseguiti off-line con segnali ECG da record precedentemente acquisiti.

Il presente lavoro mostra un primo approccio alla progettazione di un dispositivo portatile, personalizzabile e a basso costo intelligente per la misurazione in tempo reale di HRV nel dominio della frequenza attraverso modelli AR.

2. Materiali e metodi

Nel contesto del presente lavoro, per dispositivo intelligente si intende un dispositivo che non solo ha capacità di rilevamento per la misurazione di determinate variabili, ma è anche dotato di un’unità di comunicazione wireless e ha la capacità di eseguire un processo delle informazioni acquisite. I processi di progettazione, sviluppo e valutazione del dispositivo sono stati eseguiti in una metodologia iterativa (o a spirale), testando gli sviluppi prima e più spesso che nel tradizionale ciclo di vita a cascata. Nella fase di progettazione e simulazione è stato utilizzato il software Orcad (versione 16.0) di Cadence. Per la realizzazione dei prototipi sono stati utilizzati i programmi CircuitCam (versione 5.2) e BoardMaster (versione 5.0), nonché una fresatrice ProtoMat S62, tutti della LPKF.

Una prima valutazione delle prestazioni del dispositivo è stata fatta considerando le sue caratteristiche più rappresentative, confrontandole con altri dispositivi e sistemi recentemente proposti in letteratura. Il guadagno e la larghezza di banda sono stati calcolati dalla simulazione del progetto elettronico utilizzando il software Tina-TI della Texas Instruments. Il consumo di energia è stato stimato utilizzando la procedura descritta in . A tal fine, una resistenza di 10 ohm è stata posta in serie nella linea che alimenta lo stadio Front-End dalla batteria. Con un oscilloscopio (MSO6032A di Agilent Technologies), la tensione al resistore è stata misurata per approssimare, secondo la legge di Ohm, la corrente in ingresso al circuito. Questa corrente, costante nel tempo, è stata moltiplicata per la tensione di alimentazione di 3,3 V per ottenere il consumo energetico.

L’interesse del presente dispositivo è la sua capacità di calcolare i parametri HRV nel dominio della frequenza in tempo reale. Per questo processo, è comune fare una stima della densità spettrale di potenza (PSD) del segnale HRV. Come mostrato nella Figura 1, si ottengono componenti spettrali a frequenza molto bassa (VLF) nell’intervallo 0,0033-0,04 Hz, componenti spettrali a bassa frequenza (LF) nell’intervallo 0,04-0,15 Hz e componenti spettrali ad alta frequenza (HF) nell’intervallo 0,15-0,4 Hz. Queste componenti forniscono informazioni cliniche sulla variazione del ritmo sinusale del cuore. I componenti LF riflettono entrambe le influenze simpatiche e parasimpatiche, anche se LF può essere indicativo della sensibilità baroreflex . Le componenti HF sono legate al sistema parasimpatico; quindi, il rapporto LF/HF è indicativo dell’equilibrio simpatovagale.

Figura 1
Esempio di segnale PSD ottenuto dal dispositivo intelligente.

Le componenti spettrali di potenza sono quantificate misurando l’area sotto le tre bande di frequenza: Potenza VLF, Potenza LF e Potenza HF. Le componenti spettrali della HRV dovrebbero essere presentate in base naturale; quindi, una trasformazione logaritmica potrebbe essere necessaria. Per facilitare il confronto tra diversi studi, le componenti sono di solito presentate in unità normalizzate, secondo le seguenti espressioni: dove e rappresentano la potenza delle componenti LF o HF, rispettivamente, e sono indicativi delle potenze corrispondenti in unità normalizzate (percentuale), rappresenta la potenza totale (equivalente alla varianza calcolata con approcci di dominio del tempo), e indica la potenza della componente VLF. il rapporto è calcolato come il rapporto di e .

Per la convalida del sensore e gli algoritmi utilizzati, sono stati eseguiti due set di esperimenti. I soggetti respiravano spontaneamente ma non potevano parlare. Il consenso informato è stato ottenuto da tutti i soggetti.

Nella prima serie di esperimenti, due esperimenti di acquisizione del segnale ECG con una durata di 5 minuti sono stati eseguiti su un volontario maschio di 23 anni del peso di 90 kg, con una condizione apparentemente sana e in diverse situazioni. Negli esperimenti, il volontario è rimasto immobile, senza parlare ed evitando qualsiasi tipo di biofeedback. Per il primo esperimento (esperimento di seduta), al soggetto è stato chiesto di sedersi su una sedia in modo comodo e rilassato con gli occhi chiusi. Il secondo esperimento (esperimento di stimoli) è stato eseguito nelle stesse condizioni del primo esperimento, ma in questo caso, il volontario è stato sottoposto a stimoli uditivi casuali con lo scopo di analizzare l’influenza dei disturbi esterni sull’ANS. Ciascuno degli esperimenti è stato a sua volta ripetuto in due occasioni separate.

Nel secondo set di esperimenti, è stato utilizzato un protocollo standardizzato per lo studio della HRV, per consentire un’analisi comparativa del sistema rispetto ai risultati ottenuti negli studi precedenti. Lo studio ha coinvolto 5 volontari, di apparente condizione sana. La tabella 1 mostra un dettaglio delle caratteristiche antropometriche dei volontari. Le misurazioni sono state effettuate al mattino. Ogni soggetto ha eseguito due esperimenti, ciascuno della durata di cinque minuti:(i)Esperimento di riposo: il volontario rimane immobile in posizione supina.(ii)Esperimento di inclinazione: il volontario rimane immobile in posizione eretta.

Numero di volontari 5
Uomini/donne 3/2
Età (anni) 26.4 ± 4.9
Peso (kg) 73,6 ± 11,1
Altezza (cm) 174,6 ± 8,2
Indice di massa corporea 24,1 ± 1.7
Tabella 1
Caratteristiche degli esperimenti eseguiti nel secondo set di esperimenti (valore medio ± deviazione standard).

3. Risultati del progetto

3.1. Smart Device Design

La figura 2 mostra il design del dispositivo intelligente secondo uno schema modulare che comprende i seguenti elementi:(i)Modulo di rilevamento: la sua funzione è quella di fornire un’interfaccia elettrochimica tra il tessuto e il sottosistema elettronico di misurazione (modulo front-end) per il rilevamento della tensione. Questa interfaccia viene eseguita attraverso il contatto elettrodo-pelle, costituito da un elettrodo metallico, un gel elettrolitico (solitamente contenente Cl-) e la pelle umana. A tale scopo, tre elettrodi diagnostici DORMO-TAB (elettrodi flessibili Ag-AgCl pregellati con dimensioni di 26,4 mm × 22,5 mm) sono stati posizionati sugli utenti del test, il primo situato sotto la clavicola sulla spalla destra, il secondo sotto la clavicola sulla spalla sinistra, e il terzo sull’addome in basso a sinistra. Questi elettrodi erano collegati al modulo front-end tramite cavi.(ii)Modulo front-end: è l’elemento di acquisizione del segnale monitorato. Consiste in un sistema di acquisizione del segnale ECG basato su un amplificatore strumentale (INA), un circuito di feedback attraverso il terzo elettrodo, tre stadi di filtraggio e una fase di amplificazione, il tutto implementato tramite amplificatori operazionali.(iii)Modulo di elaborazione: è responsabile dell’elaborazione del segnale ECG e dell’analisi di frequenza per la stima spettrale della HRV. Un modulo OLIMEX PIC32-PINGÜINO-OTG è stato utilizzato per l’elaborazione dei dati, che possono essere inviati senza fili in tempo reale. Il modulo OLIMEX fa uso di un microcontrollore PIC32MX440F256H, con 256 KB di memoria programma, 32 KB di memoria dati e una velocità massima di 80 MHz.(iv)Modulo di comunicazione: è responsabile delle comunicazioni wireless bidirezionali del dispositivo intelligente: la trasmissione del risultato dell’elaborazione del segnale a un’unità esterna (un computer in questo primo prototipo) in un senso, e la ricezione di comandi di configurazione per la personalizzazione degli algoritmi di elaborazione nell’altro. In questo caso, è stato usato un modulo RN42-I/RM della microchip per implementare le comunicazioni basate sullo standard Bluetooth.

Figura 2
Schema di progettazione modulare proposto.

3.2. Progettazione del modulo front-end

Lo stadio di ingresso front-end consiste in un INA composto da tre amplificatori operazionali con un guadagno approssimativo di 33 dB. L’impedenza differenziale d’ingresso è bootstrapped per aumentare la resistenza d’ingresso e aumentare la qualità del rapporto segnale-rumore. Attraverso un inseguitore di tensione, si ottiene il modo comune dell’INA, che viene invertito e amplificato in modo da essere successivamente retroazionato attraverso la gamba destra per ottenere un aumento del rapporto di reiezione di modo comune (CMRR), riducendo l’impatto delle interferenze nel segnale d’uscita.

Viene poi implementato un filtro passa alto con una frequenza di taglio di 0,5 Hz. Questo filtraggio viene eseguito da un filtro passa-basso, con la stessa frequenza di taglio, che restituisce il livello continuo del segnale di uscita INA come sua tensione di riferimento. Questa configurazione permette un guadagno più elevato nell’amplificatore evitando la saturazione negli stadi successivi a causa di un alto livello DC.

In seguito, vengono inclusi due passi di filtraggio del guadagno. L’interferenza dell’impianto elettrico è attenuata da un filtro notch regolato alla frequenza di 50 Hz. Poi, un filtro passa-basso è configurato con una frequenza di taglio di 150 Hz per minimizzare gli effetti di altre possibili fonti di rumore, di solito ad alta frequenza.

Infine, un amplificatore inverter con un guadagno di circa 30 dB è usato come ultimo stadio di guadagno per fornire un segnale misurabile al convertitore analogico-digitale (ADC) del modulo di elaborazione.

L’ADC è stato implementato sfruttando una delle periferiche disponibili del microcontrollore PIC32MX440F256H, che è il cuore del modulo OLIMEX PIC32-PINGÜINO-OTG. Questo dispositivo permette di avere fino a 16 canali ADC a 10 bit, con una frequenza di campionamento massima di 1000 ksps. Anche se è stato dimostrato che una frequenza di campionamento fino a 50 Hz potrebbe essere utilizzata per misurare il segnale ECG senza compromettere la precisione dei parametri HRV calcolati nel dominio del tempo, altri studi raccomandano la frequenza di 200 Hz per evitare possibili distorsioni nello spettro di frequenza del segnale, la base dell’analisi mostrata nel presente lavoro. Per questo motivo, una frequenza di campionamento di 200 Hz è stata selezionata come frequenza di lavoro del dispositivo, per minimizzare il carico computazionale e il consumo di energia, pur garantendo una qualità nei risultati dopo l’elaborazione.

Per la progettazione del front-end, sono stati utilizzati resistenze e condensatori a montaggio superficiale di dimensioni standard 0603 e amplificatori operativi a montaggio superficiale della serie Texas Instruments OPA211. L’OPA211 è stato scelto perché ha una caratteristica principale, un rumore di ingresso molto basso (80nVpp), ed è ideale per applicazioni mediche.

3.3. Modulo di elaborazione

La stima di HRV nel dominio della frequenza dal segnale ECG è ottenuta con un algoritmo in cinque fasi:(i)In una prima fase, il segnale S0 corrispondente al segnale di uscita del front-end ECG è elevato alla terza potenza. In questo modo, si ottiene il segnale che permette una migliore definizione del complesso QRS.(ii)Nella seconda fase, dalla derivata seconda di , si genera un nuovo segnale corrispondente alle seguenti espressioni: dove rappresenta il campione corrente. Questa elaborazione permette di individuare facilmente l’onda R.(iii)Nel terzo stadio, il segnale S3 è ottenuto come stima degli intervalli RR, espressi in secondi. Un registro degli ultimi valori massimi dell’onda R nel segnale S2 viene salvato, eliminando i valori più vecchi per adattarsi dinamicamente ai cambiamenti dell’ampiezza del segnale. Da questo registro, la soglia di rilevamento Thd è definita come il 30% del valore massimo di tutti loro. Questa soglia permette di limitare l’intervallo di ricerca dell’onda R. L’istante in cui l’onda è massima nell’intervallo di ricerca è impostato come R-instant. Un nuovo valore è quindi definito nel vettore dell’intervallo RR come la differenza tra l’istante R corrente e quello precedente.(iv)Nella quarta fase, la stima spettrale di S3 utilizzando modelli AR è ottenuta con il metodo Burg di ordine N, dove N è un parametro configurabile. Poiché il tempo di acquisizione del segnale è piccolo, l’uso del metodo Burg è un’opzione appropriata, poiché ha il vantaggio di una maggiore risoluzione e stabilità per una piccola quantità di dati. L’algoritmo è stato implementato seguendo le raccomandazioni descritte in per migliorare la stima della frequenza.(v)Infine, nel quinto stadio, , , e i parametri sono stati calcolati secondo le equazioni e le procedure descritte nella sezione Materiali e Metodi.

4. Risultati della validazione

Come esempio dei segnali con cui opera il modulo di elaborazione, la Figura 3 mostra il risultato delle prime tre fasi dell’algoritmo descritto nella sezione precedente per un esperimento da seduti. La figura 3(a) mostra un segmento di 20 secondi del segnale di uscita S0 dal front-end ECG. La figura 3(b) mostra il segnale come risultato dell’innalzamento del segnale S0 alla terza potenza per aumentare la definizione del complesso QRS del segnale ECG. La figura 3(c) mostra il segnale S2, che permette di rilevare facilmente l’onda R. Infine, la figura 3(d) mostra il segnale completo S3 come risultato della stima degli intervalli RR del segnale S2. Quest’ultimo segnale rappresenta un segnale temporale distribuito lungo l’asse orizzontale, anch’esso di natura temporale, che sarà la base della successiva analisi nel dominio della frequenza.


(a)

(b)

(c)

(d)

(a)
(b)
(c)
(d)

Figura 3
Segnali ottenuti in uno degli esperimenti: (a) frammento del segnale di uscita del front-end ECG (S0); (b) segnale S1; (c) segnale S2; (d) intervalli RR del segnale completo (S3).

Dato l’interesse rappresentato dal calcolo della densità spettrale di potenza per l’analisi del segnale HRV, il parametro Burg N nel quarto stadio dell’algoritmo è stato ottimizzato. Per selezionare l’ordine del filtro, sono stati testati diversi valori da a , che è il range raccomandato per questo tipo di applicazioni, aumentando il loro valore a passi di due.

La figura 4 mostra i risultati ottenuti per alcuni dei valori analizzati del parametro N. Il valore che ha permesso una corretta stima spettrale è stato considerato ottimale. Più piccolo è N più il segnale è liscio, rendendo difficile l’individuazione delle componenti spettrali, mentre più alto è N più alto è il numero di picchi generati nello spettro di frequenza, rendendo così difficile l’analisi e richiedendo in questo caso un tempo di calcolo più lungo. Dopo questa analisi, è stato stabilito come valore ottimale del parametro, poiché era l’ordine minore che offriva un’adeguata definizione delle componenti spettrali.

Figura 4
Stima spettrale dell’HRV del segnale sperimentale per alcuni degli ordini analizzati del modello AR con il metodo Burg.

L’implementazione del prototipo del dispositivo intelligente è mostrato nella Figura 5.

Figura 5
Prototipo del dispositivo intelligente per la misurazione della HRV.

L’analisi spettrale del primo set di esperimenti (esperimento da seduti ed esperimento con stimoli) è stata applicata in una prima validazione del dispositivo e del suo algoritmo di elaborazione. Questa valutazione è stata fatta in questo caso in modo qualitativo, analizzando lo spettro dei segnali per ispezione. La figura 6 mostra un confronto della stima spettrale di due degli esperimenti eseguiti, in cui vengono identificate le componenti spettrali LF e HF.


(a)

(b)


(a)
(b)

Figura 6
Esempio della stima spettrale del primo set di esperimenti: (a) esperimento da seduti e (b) esperimento con stimoli.

Nell’esperimento da seduti, in cui l’utente era rilassato, si può vedere che la componente HF è dominante sulla componente LF. Questo risultato è in accordo con il risultato atteso, poiché in questo caso, ci dovrebbe essere una maggiore attività del sistema parasimpatico sopra il simpatico, in quanto corrisponde a uno stato di riposo e rilassato. Nell’esperimento degli stimoli, il volontario è stato sottoposto a diversi disturbi. In questo caso, la componente LF era dominante, che concorda anche con i risultati attesi.

I risultati ottenuti hanno incoraggiato uno studio più dettagliato utilizzando il protocollo standardizzato descritto nella sezione Materiali e metodi e la seconda serie di esperimenti (esperimenti di riposo ed esperimenti di inclinazione). Come esempio, le figure 7 e 8 mostrano la stima spettrale HRV di un volontario donna e di un volontario uomo, rispettivamente. Ciascuna delle figure rappresenta anche la PSD dei due esperimenti eseguiti da ciascun volontario: esperimenti di riposo e di inclinazione. In entrambi i grafici, si osserva un aumento della componente LF e una diminuzione della componente HF quando si passa dalla posizione supina alla posizione in piedi. Nel caso mostrato nella Figura 7, c’è anche un’inversione nella posizione del massimo delle componenti spettrali, situate in HF durante l’esperimento di riposo e in LF durante l’esperimento di tilt.

Figura 7
Esempio della stima spettrale di HRV (volontaria donna) nel secondo set di esperimenti.

Figura 8
Esempio della stima spettrale della HRV (volontario maschio) nella seconda serie di esperimenti.

Per definire più precisamente la relazione tra le componenti spettrali quando si confrontano i due casi (riposo e tilt), è stata eseguita anche un’analisi quantitativa utilizzando i parametri normalizzati delle caratteristiche spettrali HRV descritte sopra: , , e .

L’uso di parametri normalizzati e di un protocollo standard favorisce il confronto con altri risultati in letteratura. La tabella 2 mostra i risultati ottenuti in questo studio e un campione di dati equivalenti ottenuti da altri autori per soggetti sani.

Questo lavoro
(%) Rest Media 42.7 71 56 61 74.6
SD 13.6 6 17 14.5
Massimo 54.8 73
Minimo 16.4 48
Tilt Media 78.3 85 83 69 76.4
SD 11.8 4.5 12 14.4
Massimo 93.5 80
Minimo 63.1 56
(%) Rest Media 53.3 29 44 39 26.3
SD 14 6 17 10.9
Massimo 80.1 52
Minimo 43.7 27
Tilt Media 19.7 15 17 31 20.3
SD 11.2 4.8 12 10.1
Massimo 36.2 44
Minimo 6.1 20
Rest Media 0.89 2.47 1.7 1.5 3.4 1.69 1.15
SD 0,36 1,01 1,4 1,6 0,42 0.3
Massimo 1.23 2.16
Minimo 0,2 0.9
Tilt Media 6.64 5.56 8.4 2.1 5.3 10.4 4
Media 5.16 2.48 6.9 3.8 1.82 1
Massimo 15.32 4.1
Minimo 1.74 1.3
Tabella 2
Comparazione dei risultati ottenuti con il prototipo nella seconda serie di esperimenti rispetto ad altri studi (media, deviazione standard (SD), massimo (M) e minimo di , , e ).

I dati della tabella 2 mostrano risultati comparabili a quelli trovati in altri studi, sia in valori assoluti che relativi. Inoltre, si osservano la stessa tendenza e le stesse relazioni tra i parametri. è maggiore negli esperimenti di inclinazione che negli esperimenti di riposo. Il contrario è vero per HFnu. Il rapporto LF/HF ha un valore vicino all’unità negli esperimenti di riposo, ma è molto più alto per gli esperimenti di inclinazione.

Si può anche vedere dalla tabella 2 che i valori massimi e minimi dei diversi parametri non si sovrappongono. In questo senso, si può quindi stabilire una soglia per ciascuno dei parametri che potrebbe essere impiegata in un ipotetico riconoscimento e classificazione degli esperimenti. Per , il valore medio tra il valore massimo del parametro negli esperimenti di riposo e il valore minimo del parametro negli esperimenti di inclinazione è fissato come soglia di classificazione. La stessa procedura viene utilizzata per calcolare la soglia del parametro LF/HF. Al contrario, la soglia del parametro HFnu è calcolata come il valore medio tra il valore minimo negli esperimenti di riposo e il valore massimo negli esperimenti di inclinazione. La tabella 3 mostra le regole di classificazione secondo le soglie precedenti.

<58.94% esperimento di riposo
≥58.94% esperimento di inclinazione
<39.93% esperimento di inclinazione
≥39.93% esperimento di riposo
<1.49 esperimento di riposo
≥1.49 Esperimento di inclinazione
Tabella 3
Soglie e regole di classificazione in base al valore di , , e .

La figura 9 mostra graficamente la distribuzione dei parametri intorno alle soglie di classificazione, contrassegnate da una linea continua. I grafici mostrano anche l’intervallo di confidenza del 68,27% (±deviazione standard) ottenuto per ogni parametro in ciascuno degli esperimenti. Questi intervalli sono contrassegnati da linee tratteggiate e servono a evidenziare la distribuzione statistica dei risultati.


(a)

(b)

(c)


(a)
(b)
(c)

Figura 9
Risultati dei parametri nella seconda serie di esperimenti: (a) , (b) , e (c) .

Per quanto riguarda le prestazioni del dispositivo, la tabella 4 riassume alcune caratteristiche del dispositivo e le confronta con alcuni lavori recenti. Il principale vantaggio del dispositivo rispetto ad altre proposte commerciali e della letteratura è la sua capacità di rilevare in tempo reale le alterazioni della variabilità della frequenza cardiaca (HRV) attraverso l’analisi della frequenza. A conoscenza degli autori, questa capacità non è implementata in dispositivi portatili, essendo l’analisi offline dai dati memorizzati il metodo più comune.

Questo lavoro
Gain 1412 40 100 1000
Bandwidth (Hz) 150 8000 100 100 100
Tensione di alimentazione (V) 3.3 1.2 3.3 1.8
Potenza assorbita mW/canale 5.4 0.436 0.087 0.6 0.008
Frequenza di campionamento (Hz) 200 1000 1000
Bit ADC 10 12 16 16
Embedded HRV analisi No No No No No
Tabella 4
Caratteristiche degli esperimenti effettuati nella seconda serie di esperimenti (valore medio ± deviazione standard).

Nel primo set di esperimenti, corrispondente alla valutazione funzionale del front-end, i dati ECG catturati dal dispositivo sono stati inviati in tempo reale in modalità wireless a un computer, che funge da modulo di elaborazione, dove sono stati analizzati con il software Matlab (versione 2016a). Ogni campione è stato inviato in sequenza dal modulo di comunicazione Bluetooth, utilizzato come una porta seriale, con una velocità di trasmissione di 200 campioni al secondo (due byte per campione).

Dopo questi risultati positivi, nella seconda serie di esperimenti, l’algoritmo è stato incorporato nel modulo di elaborazione fisica del prototipo. La tabella 5 mostra alcuni dettagli dell’implementazione dell’algoritmo nel prototipo del sensore. La seconda serie di esperimenti è stata condotta utilizzando il dispositivo in modalità stand-alone secondo la quale il dispositivo ha svolto i seguenti compiti:(i)Trasmissione wireless sequenziale di campioni ECG per la sua registrazione e la successiva valutazione.(ii)Calcolo S3 in linea come stima degli intervalli RR. Questo processo, eseguito all’interno del dispositivo, richiede un tempo di 193 μs per essere eseguito in tempo reale ogni volta che viene ricevuto un nuovo campione a 200 Hz, senza interferire con il campione successivo.(iii)Ogni cinque minuti, stima dell’HRV nel dominio della frequenza dagli intervalli RR. Questo processo, anch’esso eseguito all’interno del dispositivo, richiede un tempo di 409,2 ms per essere eseguito, sufficiente per un’applicazione in tempo reale.(iv)Calcolo di , , e dalla PSD del segnale HRV e trasmissione wireless del risultato.

Memoria programma 21,57 KB (8,4% della memoria programma prototipo)
Memoria dati 22,56 KB (70.5% della memoria dati del prototipo)
Tempo per il calcolo on-line S3 193 μs
Tempo per la stima HRV 409.2 ms
Tabella 5
Dettagli di implementazione dell’algoritmo nel microcontrollore del dispositivo. La coincidenza dei risultati ottenuti dal dispositivo rispetto al computer dimostra la fattibilità del prototipo per l’esecuzione dell’algoritmo proposto in tempo reale.

5. Conclusioni

Nel presente lavoro è stata mostrata una prima approssimazione di un dispositivo intelligente e un algoritmo di elaborazione per l’analisi spettrale della HRV in tempo reale. Per quanto ne sappiamo, questa capacità non è disponibile in nessun dispositivo di misurazione ECG portatile. Sotto i requisiti di basso costo, personalizzabile e basso consumo energetico, l’hardware e il software necessari per la cattura del segnale ECG e la sua successiva elaborazione sono stati progettati e implementati.

Una validazione qualitativa è stata eseguita in due diversi esperimenti, ripetuti due volte ciascuno. In un primo esperimento, in cui il volontario era rilassato, le componenti spettrali osservate indicavano una maggiore attività del sistema parasimpatico sopra quello simpatico. In un secondo esperimento, in cui il volontario è stato sottoposto a stimoli esterni, le componenti spettrali hanno mostrato una maggiore attività del sistema simpatico su quello parasimpatico. I risultati ottenuti in questa prima approssimazione mostrano la fattibilità del dispositivo e degli algoritmi proposti per un’analisi qualitativa in tempo reale dell’ANS e l’influenza di diverse perturbazioni.

Per una valutazione più esaustiva, è stata eseguita una seconda serie di esperimenti. Sono stati utilizzati parametri standard nell’analisi spettrale dell’HRV e un protocollo di misurazione standardizzato (esperimenti di riposo e inclinazione). Un’analisi comparativa rispetto ai risultati ottenuti in altri studi ha dimostrato la validità sia del dispositivo che degli algoritmi proposti per la valutazione quantitativa delle componenti spettrali della HRV. Inoltre, è stato stabilito un metodo per la classificazione delle attività di riposo e tilt da un segnale ECG.

Conflitti di interesse

Gli autori dichiarano che non vi è alcun conflitto di interessi con alcuna azienda o organizzazione per quanto riguarda il materiale discusso in questo articolo.

Riconoscimenti

Questo lavoro è stato sostenuto in parte dalla Fundación Progreso y Salud, Governo dell’Andalusia, sotto le sovvenzioni PI-0010-2013 e PI-0041-2014, in parte dal Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, sotto le sovvenzioni PI15/00306 e DTS15/00195, e in parte da CIBER-BBN sotto sovvenzioni da INT-2-CARE, NeuroIBC, e ALBUMARK.

Similar Posts

Lascia un commento

Il tuo indirizzo email non sarà pubblicato.