Abstract
Dit werk presenteert een eerste benadering van het ontwerp, de ontwikkeling, en de implementatie van een smart device voor de real-time meting en detectie van veranderingen in hartslagvariabiliteit (HRV). Het slimme apparaat volgt een modulair ontwerp schema, dat bestaat uit een elektrocardiogram (ECG) signaal acquisitie module, een verwerkingsmodule en een draadloze communicatie module. Op basis van ECG-signalen van vijf minuten voert de verwerkingsmodule algoritmen uit voor een spectrale schatting van de HRV. De experimentele resultaten demonstreren de levensvatbaarheid van het slimme apparaat en de voorgestelde verwerkingsalgoritmen.
1. Inleiding
Cardiovasculaire ziekten behoren tot de belangrijkste doodsoorzaken van de bevolking . Geschat wordt dat wereldwijd 17,3 miljoen mensen sterven als gevolg van hart- en vaatziekten, wat neerkomt op 30% van alle gevallen . Hoge bloeddruk, rookgewoonten, diabetes, viscerale obesitas, dyslipidemie, lichamelijke inactiviteit en ongezonde voedingspatronen zijn de belangrijkste modificeerbare risicofactoren die in verband worden gebracht met de ontwikkeling van hart- en vaatziekten . Cardiale autonome disfunctie is een risicofactor die ook verband houdt met de ontwikkeling van hart- en vaatziekten en kan niet-invasief worden gemeten door middel van beoordeling van de hartslagvariabiliteit (HRV) .
HRV verwijst naar de continue hartslag of continue RR-golfintervallen die worden geëxtraheerd uit het elektrocardiogram (ECG)-signaal (de tijdafstand tussen de R-golven in het ECG-signaal wordt aangeduid als RR-intervallen). Korte- en langetermijnvariaties in de hartslag (HR) kunnen verschillende oorzaken hebben. Het parasympatische zenuwstelsel zorgt ervoor dat de HR, en daardoor ook de bloeddruk (BP), daalt, terwijl het sympathische zenuwstelsel een antagonistische werking heeft, waardoor zowel de HR als de BP stijgen. De interactie tussen deze systemen staat bekend als het sympatische-vagale evenwicht van het autonome zenuwstelsel (ANS). Vele studies hebben aangetoond dat HRV een nuttige kwantitatieve indicator is om de balans tussen het cardiale sympatische zenuwstelsel en het parasympatische zenuwstelsel te beoordelen en kan worden gebruikt bij de diagnose en preventie van sommige cardiovasculaire ziekten zoals congestief hartfalen, plotse hartdood, aritmie of Holmes-Adie syndroom .
In de laatste decennia heeft men geprobeerd HRV te analyseren en te kwantificeren zodat het kan dienen als klinisch nut. Metingen van HRV worden gedaan over lange- en korte-termijn perioden. Lange-termijn opnamen duren meestal 24 uur en worden uitgevoerd door middel van een Holter, terwijl korte-termijn opnamen 2-5 minuten duren en meestal worden uitgevoerd met een dynamisch ECG .
De analyse van HRV is van belang bij andere meervoudige aandoeningen, zoals aandoeningen van de luchtwegen. Deze analyse kan worden gebruikt als een eenvoudige en niet-invasieve methode voor de schatting van aërobe capaciteit in proefpersonen met COPD , en het kan ook worden gebruikt als een prognostisch instrument, aangezien bij deze patiënten, een verminderde HRV is gerelateerd aan een toename in morbiditeit en mortaliteit . Bovendien is de kracht van de ademhalingsspieren in verband gebracht met de sympathisch-vagale respons, die door HRV kan worden geëvalueerd. Andere toepassingen van HRV variëren van de vroege biomarker voor de evaluatie van diabetes mellitus vooruitgang , en diagnostische marker in chronische nekpijn , tot geestelijke en lichamelijke gezondheid , of slaapkwaliteit , en werk stress , onder anderen.
Methoden voor de meting van HRV kan worden ingedeeld in temporele en frequentiedomein methoden. De eerste bestaan hoofdzakelijk uit een statistische analyse van RR-intervallen. Hun mogelijkheden zijn echter beperkt, aangezien zij onvoldoende specificiteit en gevoeligheid vertonen, naast de noodzaak van lange opnameperioden.
De methoden in het frequentiedomein of spectrale schatting van HRV kunnen worden ingedeeld in parametrische en niet-parametrische methoden. Niet-parametrische methoden op basis van de snelle Fouriertransformatie (FFT) hebben als belangrijkste voordeel hun eenvoud en algoritmische snelheid, terwijl parametrische methoden, zoals autoregressieve (AR) modellen, een meer gedefinieerde, gladde en gemakkelijk te identificeren spectrale component bieden. Bovendien, voor korte duur metingen, parametrische methoden bieden een betere spectrale resolutie dan niet-parametrische methoden .
Voor zover de auteurs weten, zijn er geen apparaten die real-time analyse van HRV door middel van de hierboven genoemde methoden. Enkele aangepaste methoden zijn voorgesteld voor de real-time analyse , zoals de korte-tijd Fourier transform (STFT), wavelet transform, Hilbert-Huang transform, en van oneindige impulsrespons (IIR) filters , maar altijd uitgevoerd off-line met ECG-signalen van eerder verworven records.
Het huidige werk toont een eerste benadering van het ontwerp van een draagbare, aanpasbare, en goedkope slimme apparaat voor de real-time meting van HRV in het frequentiedomein door middel van AR-modellen.
2. Materialen en methoden
In de context van het huidige werk wordt met smart device een apparaat bedoeld dat niet alleen over detectiecapaciteiten beschikt voor het meten van bepaalde variabelen, maar ook is uitgerust met een draadloze communicatie-eenheid en de mogelijkheid heeft om een verwerking van de verkregen informatie uit te voeren. De ontwerp-, ontwikkelings- en evaluatieprocessen van het apparaat zijn uitgevoerd in een iteratieve (of spiralende) methodologie, waarbij de ontwikkelingen eerder en vaker worden getest dan in de traditionele levenscyclus in cascade. In de ontwerp- en simulatiefase is gebruik gemaakt van Orcad-software (versie 16.0) van Cadence. Voor de implementatie van de prototypes zijn de programma’s CircuitCam (versie 5.2) en BoardMaster (versie 5.0) gebruikt, alsmede een ProtoMat S62 freesmachine, alle van LPKF.
Een eerste evaluatie van de prestaties van het apparaat is gemaakt door de meest representatieve kenmerken te beschouwen, en deze te vergelijken met andere apparaten en systemen die recentelijk in de literatuur zijn voorgesteld. De versterking en de bandbreedte werden berekend uit de simulatie van het elektronische ontwerp met behulp van de Tina-TI software van Texas Instruments. Het stroomverbruik werd geraamd volgens de procedure beschreven in . Daartoe werd een weerstand van 10 ohm in serie geplaatst in de leiding die de eindtrap voedt vanaf de batterij. Met een oscilloscoop (MSO6032A van Agilent Technologies) werd de spanning op de weerstand gemeten om, volgens de wet van Ohm, de ingangsstroom naar de schakeling te benaderen. Deze stroom, constant in de tijd, werd vermenigvuldigd met de voedingsspanning van 3,3 V om het stroomverbruik te verkrijgen.
Het belang van het huidige apparaat is de mogelijkheid om de HRV parameters in het frequentiedomein in real time te berekenen. Voor dit proces is het gebruikelijk een schatting te maken van de spectrale vermogensdichtheid (PSD) van het HRV-signaal. Zoals blijkt uit figuur 1, worden spectrale componenten met zeer lage frequentie (VLF) verkregen in het bereik van 0,0033-0,04 Hz , spectrale componenten met lage frequentie (LF) in het bereik van 0,04-0,15 Hz, en spectrale componenten met hoge frequentie (HF) in het bereik van 0,15-0,4 Hz . Deze componenten verschaffen klinische informatie over de variatie in het sinusritme van het hart. LF-componenten weerspiegelen zowel sympatische als parasympathische invloeden, hoewel LF indicatief kan zijn voor de gevoeligheid van de baroreflex. HF-componenten houden verband met het parasympatische systeem; de LF/HF-verhouding is dus een indicatie voor het sympathovagale evenwicht .
De spectrale vermogenscomponenten worden gekwantificeerd door het oppervlak onder de drie frequentiebanden te meten: VLF-vermogen, LF-vermogen en HF-vermogen. De spectrale componenten van HRV moeten in de natuurlijke basis worden weergegeven; vandaar dat een logaritmische transformatie noodzakelijk kan zijn. Om de vergelijking tussen verschillende studies te vergemakkelijken, worden de componenten gewoonlijk in genormaliseerde eenheden weergegeven, volgens de volgende uitdrukkingen: waarbij en het vermogen van respectievelijk de LF- of de HF-component weergeven, en de overeenkomstige vermogens in genormaliseerde eenheden (percentage) aangeven, het totale vermogen (gelijkwaardig aan de variantie berekend met tijddomeinbenaderingen) weergeeft, en het vermogen van de VLF-component aangeeft. ratio wordt berekend als de verhouding van en .
Voor de validatie van de sensor en de gebruikte algoritmen werden twee reeksen experimenten uitgevoerd. De proefpersonen ademden spontaan, maar mochten niet praten. Van alle proefpersonen werd geïnformeerde toestemming verkregen.
In de eerste reeks experimenten werden twee ECG-signaal acquisitie-experimenten met een duur van 5 minuten uitgevoerd op een 23-jarige mannelijke vrijwilliger met een gewicht van 90 kg, met een schijnbaar gezonde conditie en onder verschillende situaties. In de experimenten, de vrijwilliger bleef bewegingsloos, zonder te spreken en het vermijden van elke vorm van biofeedback. Voor het eerste experiment (zitexperiment) werd de proefpersoon gevraagd comfortabel en ontspannen in een stoel te gaan zitten met gesloten ogen. Het tweede experiment (stimuli experiment) werd uitgevoerd onder dezelfde omstandigheden als het eerste experiment, maar in dit geval werd de vrijwilliger onderworpen aan willekeurige auditieve stimuli met het doel de invloed van externe verstoringen op het ANS te analyseren. Elk van de experimenten werd op zijn beurt herhaald op twee afzonderlijke gelegenheden.
In de tweede reeks experimenten, een gestandaardiseerd protocol voor de studie van HRV werd gebruikt , om een vergelijkende analyse van het systeem met de resultaten verkregen in de vorige studies mogelijk te maken. De studie betrof 5 vrijwilligers, van schijnbaar gezonde conditie. Tabel 1 geeft een gedetailleerd overzicht van de antropometrische kenmerken van de vrijwilligers. De metingen werden ’s morgens uitgevoerd. Elk onderwerp voerde twee experimenten, elk met een duur van vijf minuten: (i) Rust experiment: de vrijwilliger blijft onbeweeglijk in een rugligging. (ii) Tilt experiment: de vrijwilliger blijft onbeweeglijk in een staande positie.
|
||||||||||||||||
3. Ontwerpresultaten
3.1. Smart Device Design
Figuur 2 toont het ontwerp van de smart device volgens een modulair schema bestaande uit de volgende elementen:(i)Sensing module: de functie is om een elektrochemische interface tussen het weefsel en de elektronische meting subsysteem (front-end module) voor spanningsdetectie. Deze interface wordt gerealiseerd via het elektrode-huidcontact, bestaande uit een metalen elektrode, een elektrolytische gel (gewoonlijk met Cl-) en de menselijke huid. Daartoe werden drie diagnostische DORMO-TAB-elektroden (Ag-AgCl voorgegeleerde flexibele elektroden met afmetingen van 26,4 mm × 22,5 mm) op de testgebruikers geplaatst, de eerste onder het sleutelbeen op de rechterschouder, de tweede onder het sleutelbeen op de linkerschouder en de derde op de buik aan de linkeronderzijde. Deze elektroden waren via kabels verbonden met de front-end module. ii) Front-end module: dit is het element dat het bewaakte signaal opneemt. Hij bestaat uit een ECG-signaalregistratiesysteem op basis van een instrumentatieversterker (INA), een feedbackcircuit via de derde elektrode, drie filterstadia en een versterkingsstap, alle geïmplementeerd via operationele versterkers.(iii)Verwerkingsmodule: deze is verantwoordelijk voor de verwerking van het ECG-signaal en de frequentieanalyse voor de spectrale schatting van de HRV. Voor de gegevensverwerking is een OLIMEX PIC32-PINGÜINO-OTG module gebruikt, die draadloos in real time kan worden verzonden. De OLIMEX-module maakt gebruik van een PIC32MX440F256H microcontroller, met 256 KB programmageheugen, 32 KB datageheugen en een maximumsnelheid van 80 MHz.(iv)Communicatiemodule: deze is verantwoordelijk voor de bidirectionele draadloze communicatie van het slimme apparaat: de transmissie van het resultaat van de signaalverwerking naar een externe eenheid (een computer in dit eerste prototype) in de ene zin, en de ontvangst van configuratiecommando’s voor de personalisering van de verwerkingsalgoritmen in de andere zin. In dit geval is een RN42-I/RM-module van microchip gebruikt om de communicatie op basis van de Bluetooth-standaard te implementeren.
3.2. Ontwerp van de Front-End Module
De front-end ingangstrap bestaat uit een INA die is samengesteld uit drie operationele versterkers met een geschatte versterking van 33 dB. De ingangs differentiële impedantie is bootstrapped om de ingangsweerstand te verhogen en de kwaliteit van de signaal-ruis verhouding te verbeteren. Via een spanningsvolger wordt de gemeenschappelijke modus van de INA verkregen, die wordt geïnverteerd en versterkt zodat hij vervolgens via het rechterbeen wordt teruggekoppeld om een verhoging van de common-mode rejection ratio (CMRR) te verkrijgen, waardoor de invloed van storingen in het uitgangssignaal wordt verminderd.
Een hoogdoorlaatfilter met een afsnijfrequentie van 0,5 Hz wordt dan toegepast. Deze filtering wordt uitgevoerd vanaf een laagdoorlaatfilter, met dezelfde afsnijfrequentie, dat het continue niveau van het INA-uitgangssignaal terugkoppelt als zijn referentiespanning. Deze configuratie maakt een hogere versterking in de versterker mogelijk, waardoor de verzadiging in de daaropvolgende fasen ten gevolge van een hoog DC-niveau wordt vermeden.
Volgende versterkingsfilters met twee eenheden zijn opgenomen. De storing van de elektrische installatie wordt verzwakt door een notch filter dat is afgesteld op de frequentie van 50 Hz. Vervolgens wordt een laagdoorlaatfilter geconfigureerd met een afsnijfrequentie van 150 Hz om de effecten van andere mogelijke bronnen van ruis, meestal op een hoge frequentie, te minimaliseren.
Ten slotte wordt een inverterversterker met een versterking van ongeveer 30 dB gebruikt als laatste versterkingsstap om een meetbaar signaal te leveren aan de analoog-digitaal-omzetter (ADC) van de verwerkingsmodule.
De ADC is geïmplementeerd door gebruik te maken van een van de beschikbare randapparaten van de PIC32MX440F256H microcontroller, die de kern vormt van de OLIMEX PIC32-PINGÜINO-OTG module. Dit apparaat maakt tot 16-kanaals 10-bit ADC mogelijk, met een maximale bemonsteringsfrequentie van 1000 ksps. Hoewel is aangetoond dat een bemonsteringsfrequentie zo laag als 50 Hz kan worden gebruikt om het ECG-signaal te meten zonder afbreuk te doen aan de nauwkeurigheid van de berekende tijddomein HRV-parameters, bevelen andere studies een frequentie van 200 Hz aan om mogelijke vervormingen in het frequentiespectrum van het signaal te voorkomen , de basis van de analyse die in het huidige werk wordt getoond. Om deze reden werd een bemonsteringsfrequentie van 200 Hz gekozen als de werkfrequentie van het apparaat, om de rekenbelasting en het energieverbruik te minimaliseren, terwijl de kwaliteit van de resultaten na verwerking gewaarborgd blijft.
Voor het front-end ontwerp zijn surface mount weerstanden en condensatoren van standaardformaat 0603 en surface mount operationele versterkers van de Texas Instruments OPA211 serie gebruikt. De OPA211 werd gekozen omdat deze als belangrijkste eigenschap heeft, een zeer lage ingangsruis (80nVpp), en ideaal is voor medische toepassingen.
3.3. Verwerkingsmodule
De schatting van de HRV in het frequentiedomein uit het ECG-signaal wordt verkregen door een algoritme in vijf stappen:(i)In een eerste stap wordt het signaal S0 dat overeenkomt met het uitgangssignaal van het ECG-front-end tot de derde macht verheven. Op deze wijze wordt het signaal verkregen dat een betere definitie van het QRS-complex mogelijk maakt.(ii)In de tweede stap wordt uit de tweede afgeleide van , een nieuw signaal gegenereerd dat overeenkomt met de volgende uitdrukkingen: waarbij het huidige monster staat voor. Door deze bewerking kan de R-golf gemakkelijk worden gedetecteerd. iii) In de derde fase wordt het signaal S3 verkregen als schatting van de RR-intervallen, uitgedrukt in seconden. Een register van de laatste maximumwaarden van de R-golf in het signaal S2 wordt opgeslagen, waarbij de oudere waarden worden geëlimineerd om zich dynamisch aan veranderingen in de amplitude van het signaal aan te passen. Uit dit register wordt de detectiedrempel Thd gedefinieerd als 30% van de maximumwaarde van al deze waarden. Deze drempel maakt het mogelijk het zoekinterval van de R-golf te beperken. Het moment waarop de golf maximaal is in het zoekinterval wordt ingesteld als de R-instant. Een nieuwe waarde in de RR-intervalvector wordt dan gedefinieerd als het verschil tussen de huidige R-instant en de vorige. iv) In de vierde fase wordt de spectrale schatting van S3 met behulp van AR-modellen verkregen met de Burg-methode van orde N, waarbij N een configureerbare parameter is. Aangezien de tijd voor de signaalverwerving klein is, is het gebruik van de methode-Burg een geschikte optie, aangezien deze het voordeel heeft van een hogere resolutie en stabiliteit voor een kleine hoeveelheid gegevens . Het algoritme werd geïmplementeerd door de aanbevelingen te volgen die zijn beschreven in om de frequentieraming te verbeteren.(v)Tenslotte werden in de vijfde fase , , en parameters berekend volgens de vergelijkingen en procedures die zijn beschreven in het hoofdstuk Materialen en methoden.
4. Validatieresultaten
Als voorbeeld van de signalen waarmee de verwerkingsmodule werkt, toont figuur 3 het resultaat van de eerste drie fasen van het algoritme dat in de vorige paragraaf is beschreven voor een zitexperiment. Figuur 3(a) toont een 20 seconden durend segment van het S0-uitgangssignaal van het ECG-front-end. Figuur 3(b) toont het signaal als gevolg van het verhogen van het S0-signaal tot de derde macht om de definitie van het QRS-complex van het ECG-signaal te verhogen. Figuur 3(c) toont het signaal S2, dat een gemakkelijke detectie van de R-golf mogelijk maakt. Tenslotte toont figuur 3(d) het volledige signaal S3 als resultaat van de schatting van de RR-intervallen van het S2-signaal. Dit laatste signaal vertegenwoordigt een langs de horizontale as verdeeld tijdsignaal, eveneens van temporele aard, dat de basis zal vormen van de latere analyse in het frequentiedomein.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
Gezien het belang dat de berekening van de spectrale vermogensdichtheid voor de analyse van het HRV-signaal vertegenwoordigt, werd de Burg-parameter N in de vierde fase van het algoritme geoptimaliseerd. Om de volgorde van de filter te kiezen, werden verschillende waarden getest van tot , wat het aanbevolen bereik is voor dit soort toepassingen, waarbij de waarde in stappen van twee werd verhoogd.
Figuur 4 toont de verkregen resultaten voor enkele van de geanalyseerde waarden van de parameter N. De waarde die een correcte spectrale schatting mogelijk maakte, werd als optimaal beschouwd. Hoe kleiner N, hoe gladder het signaal, waardoor het moeilijk wordt de spectrale componenten te detecteren, terwijl hoe hoger N, hoe groter het aantal pieken dat in het frequentiespectrum wordt gegenereerd, waardoor het moeilijk te analyseren is en in dit geval een langere rekentijd vereist. Na deze analyse werd de optimale waarde van de parameter vastgesteld, aangezien het de kleinste orde was die een adequate definitie van de spectrale componenten bood.
De implementatie van het prototype van het slimme apparaat wordt getoond in figuur 5.
De spectrale analyse van de eerste reeks experimenten (zitexperiment en stimuli-experiment) werd toegepast in een eerste validatie van het apparaat en het verwerkingsalgoritme ervan. Deze evaluatie werd in dit geval op een kwalitatieve manier uitgevoerd, waarbij het spectrum van de signalen door inspectie werd geanalyseerd. Figuur 6 toont een vergelijking van de spectrale schatting van twee van de uitgevoerde experimenten, waarin de spectrale componenten LF en HF worden geïdentificeerd.
(a)
(b)
(a)
(b)
In het zitexperiment, waarin de gebruiker ontspannen was, is te zien dat de HF-component dominant is over de LF-component. Dit resultaat komt overeen met het verwachte resultaat, aangezien er in dit geval een grotere activiteit van het parasympatische systeem zou moeten zijn dan van het sympathische, aangezien dit overeenkomt met een toestand van rust en ontspanning. In het stimuli experiment werd de vrijwilliger onderworpen aan verschillende verstoringen. In dit geval, de LF component was dominant, die ook overeenkomt met de verwachte resultaten.
De verkregen resultaten aangemoedigd een meer gedetailleerde studie met behulp van de gestandaardiseerde protocol beschreven in Materialen en Methoden sectie en de tweede reeks experimenten (rust experimenten en tilt experimenten). Als voorbeeld, Figuren 7 en 8 tonen de HRV spectrale schatting van een vrouwelijke vrijwilliger en een mannelijke vrijwilliger, respectievelijk. Elk van de figuren geeft ook de PSD van de twee experimenten uitgevoerd door elke vrijwilliger: rust en tilt experimenten. In beide grafieken, een toename van de LF-component en een afname van de HF-component worden waargenomen wanneer het gaan van de rugligging naar de staande positie. In het geval in figuur 7 is er zelfs een omkering in de positie van het maximum van de spectrale componenten, gelegen in HF tijdens het rustexperiment en in LF tijdens het kantelexperiment.
Om de relatie tussen de spectrale componenten bij vergelijking van de twee gevallen (rust en kanteling) nauwkeuriger te bepalen, werd ook een kwantitatieve analyse uitgevoerd met behulp van genormaliseerde parameters van de hierboven beschreven HRV-spectrale kenmerken: , , en .
Het gebruik van gestandaardiseerde parameters en een standaard protocol bevordert de vergelijking met andere resultaten in de literatuur. Tabel 2 toont de resultaten verkregen in deze studie en een steekproef van gelijkwaardige gegevens verkregen door andere auteurs voor gezonde proefpersonen.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
De gegevens van tabel 2 laten resultaten zien die vergelijkbaar zijn met die welke in andere studies zijn gevonden, zowel in absolute als in relatieve waarden. Bovendien worden dezelfde tendens en dezelfde relaties tussen de parameters waargenomen. is hoger bij kantelexperimenten dan bij de overige experimenten. Het omgekeerde is waar voor HFnu. De verhouding LF/HF heeft een waarde die dicht bij de eenheid ligt in de rustexperimenten, maar is veel hoger in de kantelexperimenten.
Uit tabel 2 blijkt ook dat de maximum- en minimumwaarden van de verschillende parameters elkaar niet overlappen. In die zin kan dan voor elk van de parameters een drempelwaarde worden vastgesteld die kan worden gebruikt bij een hypothetische herkenning en classificatie van de experimenten. Voor , wordt de gemiddelde waarde tussen de maximumwaarde van de parameter in de rustexperimenten en de minimumwaarde van de parameter in de kantelexperimenten vastgesteld als de classificatiedrempel. Dezelfde procedure wordt gebruikt om de drempelwaarde van de LF/HF-parameter te berekenen. De drempelwaarde van de parameter HFnu wordt daarentegen berekend als de gemiddelde waarde tussen de minimumwaarde in de rustexperimenten en de maximumwaarde in de kantelexperimenten. Tabel 3 bevat de classificatieregels volgens de voorgaande drempelwaarden.
|
||||||||||||||||||||||||||||
In figuur 9 wordt de verdeling van de parameters rond de indelingsdrempels, aangegeven met een ononderbroken lijn, grafisch weergegeven. De grafieken tonen ook het betrouwbaarheidsinterval van 68,27% (±standaardafwijking) verkregen voor elke parameter in elk van de experimenten. Deze intervallen zijn gemarkeerd met streepjeslijnen en dienen om de statistische verdeling van de resultaten te benadrukken.
(a)
(b)
(c)
(a)
(b)
(c)
Met betrekking tot de prestaties van het apparaat, tabel 4 vat een aantal kenmerken van het apparaat en vergeleken met een paar recente werken. Het belangrijkste voordeel van het apparaat in vergelijking met andere commerciële en literatuurvoorstellen is zijn vermogen om veranderingen in de hartslagvariabiliteit (HRV) in real time te detecteren door middel van frequentieanalyse. Voor zover de auteurs weten, is deze capaciteit niet geïmplementeerd in draagbare apparaten, waarbij de offline analyse van de gegevens opgeslagen in het geheugen de meest gebruikelijke methode .
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
In de eerste reeks experimenten, die overeenkomt met de functionele evaluatie van het front-end, werden de door het apparaat vastgelegde ECG-gegevens draadloos in realtime verzonden naar een computer, die fungeerde als de verwerkingsmodule, waar ze werden geanalyseerd met Matlab-software (versie 2016a). Elk monster werd sequentieel verzonden door de Bluetooth-communicatiemodule, gebruikt als een seriële poort, met een transmissiesnelheid van 200 monsters per seconde (twee bytes per monster).
Na deze positieve resultaten werd in de tweede reeks experimenten het algoritme ingebed in de fysieke verwerkingsmodule van het prototype. Tabel 5 geeft enkele details van de implementatie van het algoritme in het sensor-prototype. De tweede reeks experimenten werd uitgevoerd met het apparaat in stand-alone modus, waarbij het apparaat de volgende taken uitvoerde:(i)Sequentiële draadloze overdracht van ECG-monsters voor de registratie en daaropvolgende evaluatie.(ii)On-line S3-berekening als de schatting van de RR-intervallen. Dit proces, dat in het apparaat wordt uitgevoerd, vergt een tijdsduur van 193 μs, genoeg om in real time te worden uitgevoerd telkens wanneer een nieuw monster met 200 Hz wordt ontvangen, zonder interferentie met het volgende monster. iii) Om de vijf minuten, schatting van HRV in het frequentiedomein op basis van de RR-intervallen. Dit proces, dat ook in het apparaat wordt uitgevoerd, vergt een uitvoeringstijd van 409,2 ms, voldoende voor een real-time toepassing.(iv)Berekening van , , en uit de PSD van het HRV-signaal en draadloze transmissie van het resultaat.
|
||||||||||||
Het algoritme werd ook gelijktijdig op een computer uitgevoerd met de ECG-monsters die door het apparaat werden verzonden. Het samenvallen van de resultaten verkregen door het apparaat ten opzichte van de computer toont de uitvoerbaarheid aan van het prototype voor de uitvoering van het voorgestelde algoritme in real time.
5. Conclusies
In het huidige werk is een eerste benadering getoond van een slim apparaat en een verwerkingsalgoritme voor de spectrale analyse van HRV in real time. Voor zover wij weten, is deze mogelijkheid in geen enkel draagbaar ECG-meetapparaat aanwezig. Onder de eisen van lage kosten, aanpasbaar, en laag stroomverbruik, zijn de hardware en software die nodig zijn voor ECG-signaal captatie en de daaropvolgende verwerking ontworpen en geïmplementeerd.
Een kwalitatieve validatie werd uitgevoerd in twee verschillende experimenten, elk twee keer herhaald. In een eerste experiment, waarin de vrijwilliger was ontspannen, de waargenomen spectrale componenten aangegeven een grotere activiteit van het parasympatische systeem boven de sympathische een. In een tweede experiment, waarbij de vrijwilliger werd blootgesteld aan externe stimuli, vertoonden de spectrale componenten een grotere activiteit van het sympathische systeem dan van het parasympathische. De in deze eerste benadering verkregen resultaten tonen de levensvatbaarheid aan van het apparaat en de voorgestelde algoritmen voor een real-time kwalitatieve analyse van het ANS en de invloed van verschillende verstoringen.
Voor een meer uitputtende evaluatie werd een tweede reeks experimenten uitgevoerd. Bij de spectrale analyse van de HRV werden standaardparameters gebruikt, evenals een gestandaardiseerd meetprotocol (rust- en kantelexperimenten). Een vergelijkende analyse met betrekking tot de in andere studies verkregen resultaten heeft de validiteit aangetoond van zowel het toestel als de voorgestelde algoritmen voor de kwantitatieve evaluatie van de HRV-spectrale componenten. Bovendien werd een methode vastgesteld voor de classificatie van rust- en kantelactiviteiten op basis van een ECG-signaal.
Belangenconflicten
De auteurs verklaren dat er geen belangenconflict is met een bedrijf of organisatie met betrekking tot het materiaal dat in dit artikel wordt besproken.
Acknowledgments
Dit werk werd gedeeltelijk ondersteund door de Fundación Progreso y Salud, regering van Andalusië, onder subsidies PI-0010-2013 en PI-0041-2014, gedeeltelijk door het Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, onder de subsidies PI15/00306 en DTS15/00195, en gedeeltelijk door CIBER-BBN onder de subsidies INT-2-CARE, NeuroIBC, en ALBUMARK.