心拍変動のリアルタイム測定のためのスマートデバイス

Abstract

この研究は，心拍変動（HRV）の変化をリアルタイムで測定・検出するためのスマートデバイスの設計，開発，実装への最初のアプローチを示すものである． このスマートデバイスは、心電図（ECG）信号取得モジュール、処理モジュール、無線通信モジュールからなるモジュール設計方式を採用している。 5分間のECG信号から、処理モジュールのアルゴリズムがHRVのスペクトル推定を実行します。 実験結果は、このスマートデバイスと提案された処理アルゴリズムの有効性を示している

1. はじめに

心血管系疾患は、人口の主な死因の1つです。 世界で1730万人が心血管疾患の結果として死亡していると推定され、これは全症例の30%に相当します。 高血圧、喫煙習慣、糖尿病、内臓肥満、脂質異常症、運動不足、不健康な食事パターンが、心血管疾患の発症に関連する主な修正可能な危険因子である。 心臓自律神経機能障害は、心血管疾患の発症にも関連する危険因子であり、心拍変動 (HRV) 評価によって非侵襲的に測定できます。

HRV とは、心電図 (ECG) 信号から抽出した連続心拍または連続 RR 波間隔 (ECG 信号の R 波間の時間距離は RR 間隔と表記) を指します。 心拍数（HR）の短期的および長期的な変動は、さまざまな原因によるものである。 副交感神経系は、HR、ひいては血圧（BP）の低下を引き起こし、交感神経系は拮抗作用を優先してHRとBPをともに上昇させます。 これらのシステムの相互作用は、自律神経系 (ANS) の交感神経と迷走神経系のバランスとして知られています。 HRV は、心臓の交感神経系と副交感神経系のバランスを評価するための有用な定量的指標であり、鬱血性心不全、心臓突然死、不整脈、ホームズ アディー症候群などの心血管疾患の診断および予防に利用できることが、多くの研究によって示されています。 HRV の測定は、長期的および短期的に行われます。 長期的な記録は通常 24 時間で Holter によって行われ、短期的な記録は 2～5 分で、通常は動的 ECG によって行われます。

HRV の分析は、呼吸器疾患など、他の複数の条件においても注目されています。 この分析は、COPD 患者の有酸素運動能力を推定するためのシンプルかつ非侵襲的な手法として使用できます。また、これらの患者では、HRV の低下が疾病率および死亡率の上昇に関連していることから、予後判定ツールとしても使用できます。 さらに、呼吸筋の強さは交感神経-迷走神経反応と関連しており、この反応も HRV で評価することができます . HRV のその他の応用例としては、糖尿病の進行度を評価するための早期バイオマーカー、慢性頸部痛の診断マーカー、精神と身体の健康、睡眠の質、仕事のストレスなど、さまざまなものがあります。

HRV の測定方法は、時間領域法と周波数領域法に分類されます。 前者は主に RR 間隔の統計解析から構成されている。 しかし、長時間の記録が必要なことに加え、十分な特異性と感度を示さないため、その能力には限界がある。

HRV の周波数領域またはスペクトル推定における方法は、パラメトリック法とノンパラメトリック法に分類される。 高速フーリエ変換 (FFT) に基づくノンパラメトリック手法は、そのシンプルさとアルゴリズムの速さが最大の特長ですが、自己回帰 (AR) モデルなどのパラメトリック手法は、より明確で滑らか、かつ識別しやすいスペクトル成分を得ることができます . さらに、短時間の測定では、パラメトリック手法の方がノンパラメトリック手法よりもスペクトル分解能が高くなります。 リアルタイム分析のために、短時間フーリエ変換 (STFT)、ウェーブレット変換、ヒルベルト-フアン変換、無限インパルス応答 (IIR) フィルタなどの適応法が提案されていますが、常に以前に取得した記録からの ECG 信号でオフラインで実行されます。

この研究では、AR モデルによる周波数領域での HRV をリアルタイム測定する、携帯可能、カスタマイズ可能、低コストのスマート デバイスの設計への最初のアプローチを示しています。

2.材料と方法

本研究の文脈において、スマートデバイスとは、特定の変数を測定するためのセンシング機能を有するだけでなく、無線通信ユニットを備え、取得した情報の処理を実行する機能を有するデバイスを指す。 このデバイスの設計・開発・評価プロセスは、従来のカスケード型ライフサイクルよりも前に、より頻繁に開発品をテストする、反復（スパイラル）手法で行われている。 設計とシミュレーションの段階では，Cadence 社の Orcad ソフトウェア（バージョン 16.0） を使用した． プロトタイプの実装には、CircuitCam (バージョン 5.2) と BoardMaster (バージョン 5.0) のプログラム、および ProtoMat S62 ミリングマシン、すべて LPKF のものを使用しました。

デバイス性能の最初の評価は、最近文献で提案された他のデバイスやシステムと比較しながら、最も代表的な特性を考慮して行われました。 利得と帯域幅はテキサスインスツルメンツ社のTina-TIソフトウェアを用いた電子設計のシミュレーションから算出した。 消費電力は，.NET に記載されている手順で推定した． そのために、フロントエンド・ステージにバッテリーから給電するラインに10Ωの抵抗を直列に配置しました。 オシロスコープ（Agilent Technologies社のMSO6032A）を使って、抵抗の電圧を測定し、オームの法則に従って、回路への入力電流を概算しました。

この装置の興味は、HRV パラメーターを周波数領域でリアルタイムに計算できることである。 この処理には、HRV信号のパワースペクトル密度（PSD）の推定を行うことが一般的である。 図 1 に示すように、0.0033 ～ 0.04 Hz の範囲に超低周波 (VLF) スペクトル成分、0.04 ～ 0.15 Hz の範囲に低周波 (LF) スペクトル成分、そして 0.15 ～ 0.4 Hz の範囲に高周波 (HF) スペクトル成分が得られていることが確認されている。 これらの成分は、心臓の洞調律の変動に関する臨床情報を提供する。 LF 成分は交感神経と副交感神経の影響を反映していますが、LF は圧反射の感度を示している可能性があります。 HF成分は副交感神経系に関連しており、したがって、LF/HF比は交感神経のバランスを示す。

3つの周波数帯域の下の面積を測定することで、パワースペクトル成分を定量化する。 VLFパワー、LFパワー、HFパワーの3つの周波数帯の面積を測定することで定量化する。 HRV のスペクトル成分は自然対数で表示する必要があるため、対数変換が必要となる場合がある。 ここで、and はそれぞれ LF または HF 成分のパワーを表し、対応するパワーを正規化単位 (パーセント) で表し、total power (時間領域アプローチで計算される分散に相当) を表し、VLF 成分のパワーを表す。比は、and の比として計算される

センサーと使用アルゴリズムの検証のために、2 組の実験が行われた。 被験者は自発的な呼吸をしていたが、会話はさせなかった。 最初の実験では、体重90kgの23歳男性ボランティアに対して、異なる状況下で5分間のECG信号取得実験を2回実施した。 実験では、ボランティアは動かず、会話もせず、いかなるバイオフィードバックも避けたままであった。 最初の実験（座る実験）では、椅子に座り、目を閉じてリラックスした状態で座ってもらった。 第二の実験（刺激実験）は、第一の実験と同じ条件で行ったが、この場合は、外乱のANSへの影響を分析する目的で、ボランティアにランダムな聴覚刺激を与えた。 1439>

2 番目の実験では、以前の研究で得られた結果との比較分析を可能にするために、HRV 研究のための標準化されたプロトコルが使用されました。 この実験には、健康な状態にある 5 人のボランティアが参加しました。 表 1 は、ボランティアの身体的特徴の詳細を示しています。 測定は午前中に行われた。 (i)安静実験：仰臥位で動かず、(ii)傾斜実験：立位で動かず、それぞれ5分間の2つの実験を行った。

3． 設計結果

3． スマートデバイスの設計

図2は、以下の要素からなるモジュール方式に従ったスマートデバイスの設計を示す：（i）センシングモジュール：その機能は、組織と電圧検出用の電子測定サブシステム（フロントエンドモジュール）の間に電気化学的インターフェースを提供することである。 このインターフェースは、金属電極、電解ゲル（通常Cl-を含む）、および人間の皮膚からなる電極-皮膚接触を通じて実行される。 そのため，診断用ドルモ-TAB電極（Ag-AgClプリゲル軟質電極，寸法26.4 mm×22.5 mm）を，1枚目は右肩の鎖骨下，2枚目は左肩の鎖骨下，3枚目は左下腹部と3箇所テストユーザーに装着した。 これらの電極はケーブルでフロントエンドモジュールに接続された。 フロントエンドモジュール：モニター信号の取得要素である。 このモジュールは、計装用増幅器（INA）に基づくECG信号捕捉システム、第3電極を介したフィードバック回路、3つのフィルタ段、および増幅段からなり、これらはすべてオペアンプで実装されている。 iii）処理モジュール：ECG信号の処理とHRVのスペクトル推定のための周波数分析を担当する。 データ処理にはOLIMEX PIC32-PINGÜINO-OTGモジュールが使用されており、リアルタイムでワイヤレス送信することができる。 このモジュールは、256KBのプログラムメモリ、32KBのデータメモリ、および最大速度80MHzのPIC32MX440F256Hマイクロコントローラを使用している。 iv）通信モジュール：スマートデバイスの双方向無線通信を担当する。ある意味では信号処理の結果を外部ユニット（この最初のプロトタイプではコンピュータ）に送信し、別の意味では処理アルゴリズムの個人設定用コマンドの受信を担当する。 この場合、マイクロチップ社のRN42-I/RMモジュールを使用して、Bluetooth規格に基づく通信を実現している。

3.2. フロントエンドモジュールの設計

フロントエンド入力段は、約33dBの利得を持つ3つのオペアンプで構成されるINAで構成されています。 入力差動インピーダンスをブートストラップして入力抵抗を増加させ、S/N比の品質を向上させた。 ボルテージ・フォロアにより、INAのコモン・モードが得られ、それが反転増幅され、その後、右脚を介してフィードバックされることにより、コモン・モード除去比（CMRR）が増加し、出力信号の干渉の影響が低減されます。 このフィルタリングは、同じカットオフ周波数のローパスフィルタから実行され、INA出力信号の連続レベルをその基準電圧としてフィードバックしています。 この構成により、高いDCレベルによる後続ステージの飽和を回避し、アンプの利得を高くすることができます。 電気設備の干渉は、周波数50Hzに調整されたノッチフィルターによって減衰されます。 次に、ローパスフィルタが150 Hzのカットオフ周波数で構成され、通常高い周波数にある他の可能なノイズ源の影響を最小限に抑える。

最後に、約30 dBのゲインを持つインバータアンプが最後のゲイン段階として用いられ、処理モジュールのアナログ-デジタル変換器（ADC）に測定可能な信号を提供する。

ADCは、OLIMEX PIC32-PINGÜINO-OTGモジュールの中核であるPIC32MX440F256Hマイクロコントローラの利用可能な周辺回路の1つを利用して実装されました。 このデバイスは，最大16チャネルの10ビットADCを実現し，最大サンプリングレートは1000kspsです。 時間領域 HRV パラメータの計算精度を損なうことなく ECG 信号を測定するには、50 Hz という低いサンプリング レートを使用できることが示されていますが、他の研究では、信号の周波数スペクトルの歪みの可能性を避けるために 200 Hz という周波数が推奨されており、今回の解析ではこれが基礎となっています。 このため，計算負荷と消費電力を最小限に抑えつつ，処理後の結果の品質を確保するために，装置の動作周波数としてサンプリング周波数200Hzを選択した。

フロントエンドの設計には，標準サイズ0603の表面実装抵抗とコンデンサ，Texas Instruments社のOPA211シリーズの表面実装オペアンプが使用された。 OPA211は、主な特徴として、入力ノイズが非常に低く（80nVpp）、医療用アプリケーションに最適であることから選択されました

3.3. 処理モジュール

ECG信号から周波数領域におけるHRVの推定は、次の5段階のアルゴリズムによって得られる。(i)第1段階では、ECGフロントエンドの出力信号に相当する信号S0を3乗に上昇させる。 このようにして、QRS複合体のより良い定義を可能にする信号が得られる。(ii)第2段階では、 、の2次微分から、以下の式に対応する新しい信号が生成される。 この処理により、R波を容易に検出することができる。(iii)第3段階では、RR間隔の推定値として、秒単位で表される信号S3が得られる。 信号S2におけるR波の最後の最大値のレジスタを保存し、信号の振幅の変化に動的に適応するために古い値を排除する。 このレジスタから、検出閾値Thdは、すべての最大値の30％と定義される。 この閾値により、R波のサーチ間隔を制限することができる。 探索区間において波が最大となる瞬間をR-instantとして設定する。 (iv)第4段階では、ARモデルを用いたS3のスペクトル推定を、次数NのBurg法（Nは設定可能なパラメータ）により行う。 信号の取得時間が短いため、Burg法の使用は適切な選択肢である。Burg法は、少量のデータに対して高い分解能と安定性を持つという利点があるからである 。 このアルゴリズムは、周波数推定を改善するために、「材料と方法」のセクションで説明した推奨事項に従って実装された。 v）最後に、第5段階で、 、 、パラメータは、「材料と方法」のセクションで説明した方程式と手順に従って計算した。 検証結果

処理モジュールが動作する信号の例として、図3には、座位実験に対する前セクションで述べたアルゴリズムの最初の3段階を実行した結果を示しています。 図3（a）は、ECGフロントエンドからのS0出力信号の20秒のセグメントを示す。 図3（b）は、ECG信号のQRS複合体の定義を増加させるためにS0信号を3乗に上げた結果の信号を示している。 図3（c）は、R波を容易に検出することができる信号S2を示している。 最後に、図3（d）は、S2信号のRR間隔の推定の結果としての完全な信号S3を示している。 この最後の信号は、横軸に沿って分布する時間信号を表し、これも時間的な性質を持っており、その後の周波数領域での解析の基礎となるものである。

(a)

(b)

(c)

(d)

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

図3

ある実験で得られた信号。 (a）ECGフロントエンドの出力信号の断片（S0）、（b）信号S1、（c）信号S2、（d）完全な信号のRR間隔（S3）

HRV信号の分析のためのパワースペクトル密度の計算によって表される関心を考慮して、アルゴリズムの第4段階におけるBurgパラメータNが最適化された。 フィルタの次数を選択するために、この種のアプリケーションで推奨される範囲である、から 2 のステップで値を増加させる、までのさまざまな値をテストしました。 Nが小さいと信号が滑らかになり、スペクトル成分の検出が困難になる。一方、Nが大きいと周波数スペクトルに発生するピークの数が多くなり、解析が困難になり、この場合、計算時間が長くなる。 この分析の結果、スペクトル成分を適切に定義できるマイナー次数であることから、パラメータの最適値として確立された。

スマートデバイスのプロトタイプの実装を図5に示す。

最初の実験セット (座位実験と刺激実験) のスペクトル分析は、デバイスとその処理アルゴリズムの最初の検証で適用されました。 この評価は、この場合、定性的な方法で行われ、検査によって信号のスペクトルを分析した。 図6は、実施した2つの実験のスペクトル推定の比較で、スペクトル成分LFとHFが特定されている。

(a)

(b)

(a)
(b)

最初のセットの実験のスペクトル推定の一例である。 (a) 座位実験、(b) 刺激実験。

リラックスしている座位実験では、HF成分がLF成分より優位であることが分かる。 この場合、安静でリラックスした状態に相当するため、交感神経よりも副交感神経の活動が大きくなるはずであり、この結果は予想と一致している。 刺激実験では、ボランティアは異なる外乱にさらされた。 この場合、LF成分が優位であり、これも予想された結果と一致する。

得られた結果は、材料と方法のセクションで説明した標準化プロトコルと第2セットの実験（安静実験と傾斜実験）を使用して、より詳細な研究を促すものであった。 例として、図 7 と図 8 は、それぞれ女性ボランティアと男性ボランティアの HRV スペクトル推定値を示しています。 また、各図は、各ボランティアが行った2つの実験（安静実験とチルト実験）のPSDを表している。 いずれのグラフでも、仰臥位から立位に移行する際に、LF成分の増加、HF成分の減少が観察される。 図7では、スペクトル成分の最大値の位置が、安静時ではHF、傾斜時ではLFと逆転していることもわかる。

2 つのケース (安静時と傾斜時) を比較する際のスペクトル成分間の関係をより正確に定義するために、前述の HRV スペクトル特性の正規化パラメータを使用して定量分析も実施しました。 標準化されたパラメータと標準的なプロトコルを使用することで、文献上の他の結果との比較が容易になります。 表 2 は、本研究で得られた結果と、他の著者が健康な被験者に対して得た同等のデータの一例を示しています。

表2のデータは、絶対値、相対値ともに他の研究に匹敵する結果であった。 また、同じ傾向、同じパラメータ間の関係が観察される。 は、チルト実験ではレスト実験よりも高い。 HFnu については逆である。 LF/HF比は安静時では1に近い値であるが、傾斜時でははるかに高い。

また表2から、異なるパラメータの最大値と最小値は重複していないことがわかる。 この意味で、実験の仮想的な認識と分類に採用できる閾値を各パラメータに設定することができる。 例えば，静止実験におけるパラメータの最大値と傾斜実験におけるパラメータの最小値との平均値を分類の閾値とする． LF/HF パラメータの閾値も同様の手順で算出する。 一方、パラメータHFnuの閾値は、安静時実験での最小値と傾斜時実験での最大値との平均値として算出される。 表3は、これまでの閾値による分類ルールを示す。

図9は、実線で示した分類閾値付近でのパラメータの分布をグラフ化したものである。 また、グラフには、各実験で各パラメータについて得られた68.27％（±標準偏差）の信頼区間も示されている。 これらの区間はダッシュ線で示されており、結果の統計的分布を強調する役割を果たす。

(a)

(b)

(c)

(a)
(b)
(c)

デバイスの性能に関して、表4はデバイスのいくつかの特徴をまとめ、最近のいくつかの研究と比較したものである。 他の商業的および文献的提案と比較した本装置の主な利点は、周波数分析を通じて心拍変動（HRV）の変化をリアルタイムで検出する能力があることである。 筆者らの知る限り、この機能は携帯機器には実装されておらず、メモリに保存されたデータからオフラインで分析するのが最も一般的な方法となっています。