Abstract
This work presents a first approach to the design, development, and implementation of a smart device for the real-time measurement and detection of alterations in heart rate variability (HRV). Inteligentne urządzenie jest zaprojektowane zgodnie z modułowym schematem, który składa się z modułu akwizycji sygnału elektrokardiogramu (ECG), modułu przetwarzania oraz modułu komunikacji bezprzewodowej. Na podstawie pięciominutowych sygnałów EKG, algorytmy modułu przetwarzającego dokonują estymacji spektralnej HRV. Wyniki eksperymentalne wykazują przydatność inteligentnego urządzenia i proponowanych algorytmów przetwarzania.
1. Wstęp
Choroby układu krążenia są jedną z głównych przyczyn zgonów ludności. Szacuje się, że 17,3 mln ludzi na świecie umiera w wyniku chorób układu krążenia, co stanowi 30% wszystkich przypadków. Wysokie ciśnienie krwi, nałóg palenia tytoniu, cukrzyca, otyłość trzewna, dyslipidemia, brak aktywności fizycznej i niezdrowe wzorce żywieniowe są głównymi modyfikowalnymi czynnikami ryzyka związanymi z rozwojem chorób sercowo-naczyniowych. Dysfunkcja autonomiczna serca jest czynnikiem ryzyka, który jest również związany z rozwojem chorób sercowo-naczyniowych i może być nieinwazyjnie mierzony poprzez ocenę zmienności rytmu serca (HRV) .
HRV odnosi się do ciągłego rytmu serca lub ciągłych odstępów fali RR wyodrębnionych z sygnału elektrokardiogramu (EKG) (odległość czasowa między falami R w sygnale EKG jest oznaczana jako odstępy RR). Krótko- i długoterminowe wahania częstości akcji serca (HR) mogą być spowodowane różnymi przyczynami. Przywspółczulny układ nerwowy powoduje, że HR, a w konsekwencji ciśnienie krwi (BP) obniża się, podczas gdy współczulny układ nerwowy sprzyja działaniu antagonistycznemu, zwiększając zarówno HR, jak i BP. Interakcja tych układów znana jest jako równowaga współczulno-współczulna autonomicznego układu nerwowego (ANS). Wiele badań wykazało, że HRV jest przydatnym wskaźnikiem ilościowym do oceny równowagi między sercowym współczulnym układem nerwowym a przywspółczulnym układem nerwowym i może być wykorzystywana w diagnostyce i profilaktyce niektórych chorób układu sercowo-naczyniowego, takich jak zastoinowa niewydolność serca, nagła śmierć sercowa, arytmia lub zespół Holmesa-Adiego .
W ostatnich dziesięcioleciach podjęto próbę analizy i kwantyfikacji HRV, aby mogła ona służyć jako narzędzie kliniczne. Pomiary HRV są dokonywane w okresach długo- i krótkoterminowych. Długoterminowe zapisy trwają zwykle 24 godziny i są przeprowadzane za pomocą Holtera, podczas gdy krótkoterminowe zapisy trwają 2-5 minut i są zwykle wykonywane za pomocą dynamicznego EKG .
Analiza HRV jest interesująca w innych wielu warunkach, takich jak choroby układu oddechowego. Analiza ta może być stosowana jako prosta i nieinwazyjna metoda oceny wydolności tlenowej u osób z POChP, a także może być wykorzystywana jako narzędzie prognostyczne, ponieważ u tych pacjentów zmniejszona HRV była związana ze wzrostem zachorowalności i śmiertelności. Ponadto, siła mięśni oddechowych została powiązana z odpowiedzią współczulno-wagalną, która może być oceniana za pomocą HRV. Inne zastosowania HRV obejmują zakres od wczesnego biomarkera do oceny postępu cukrzycy i markera diagnostycznego w przewlekłym bólu szyi, do zdrowia psychicznego i fizycznego, lub jakości snu i stresu w pracy, między innymi.
Metody pomiaru HRV można podzielić na metody czasowe i metody w dziedzinie częstotliwości. Pierwsze z nich polegają głównie na analizie statystycznej odstępów RR. Ich możliwości są jednak ograniczone, gdyż nie wykazują wystarczającej swoistości i czułości, a ponadto wymagają długich okresów rejestracji .
Metody w dziedzinie częstotliwości lub estymacji spektralnej HRV można podzielić na parametryczne i nieparametryczne. Metody nieparametryczne oparte na szybkiej transformacie Fouriera (FFT) mają za główną zaletę prostotę i szybkość algorytmiczną, podczas gdy metody parametryczne, takie jak modele autoregresyjne (AR), zapewniają bardziej zdefiniowaną, gładką i łatwą do zidentyfikowania składową spektralną. Ponadto, w przypadku pomiarów o krótkim czasie trwania, metody parametryczne zapewniają lepszą rozdzielczość spektralną niż metody nieparametryczne .
Według wiedzy autorów, nie ma urządzeń umożliwiających analizę HRV w czasie rzeczywistym za pomocą wyżej wymienionych metod. Zaproponowano pewne dostosowane metody analizy w czasie rzeczywistym, takie jak krótkoczasowa transformata Fouriera (STFT), transformata falkowa, transformata Hilberta-Huanga i z filtrów o nieskończonej odpowiedzi impulsowej (IIR), ale zawsze wykonywane w trybie off-line z sygnałami EKG z wcześniej pozyskanych zapisów.
Prezentowana praca pokazuje pierwsze podejście do projektowania przenośnego, konfigurowalnego i taniego inteligentnego urządzenia do pomiaru HRV w czasie rzeczywistym w dziedzinie częstotliwości za pomocą modeli AR.
2. Materiały i metody
W kontekście niniejszej pracy, inteligentne urządzenie jest określane jako urządzenie, które nie tylko posiada zdolności sensoryczne do pomiaru pewnych zmiennych, ale jest również wyposażone w jednostkę komunikacji bezprzewodowej i ma możliwość przeprowadzenia procesu pozyskanych informacji. Procesy projektowania, rozwoju i oceny urządzenia zostały przeprowadzone w iteracyjnej (lub spiralnej) metodologii, testując rozwój wcześniej i częściej niż w tradycyjnym, kaskadowym cyklu życia. Na etapie projektowania i symulacji wykorzystano oprogramowanie Orcad (wersja 16.0) firmy Cadence. Do realizacji prototypów wykorzystano programy CircuitCam (wersja 5.2) i BoardMaster (wersja 5.0) oraz frezarkę ProtoMat S62, wszystkie firmy LPKF.
Pierwszej oceny działania urządzenia dokonano rozpatrując jego najbardziej reprezentatywne charakterystyki, porównując je z innymi urządzeniami i układami zaproponowanymi ostatnio w literaturze. Wzmocnienie i szerokość pasma zostały obliczone na podstawie symulacji projektu elektronicznego przy użyciu programu Tina-TI firmy Texas Instruments. Pobór mocy został oszacowany przy użyciu procedury opisanej w . W tym celu w linii zasilającej stopień Front-End z akumulatora umieszczono szeregowo rezystor o wartości 10 omów. Za pomocą oscyloskopu (MSO6032A firmy Agilent Technologies) mierzono napięcie na rezystorze, aby w przybliżeniu, zgodnie z prawem Ohma, określić prąd wejściowy do obwodu. Ten prąd, stały w czasie, był mnożony przez napięcie zasilania 3,3 V, aby uzyskać zużycie energii.
Interesującą cechą tego urządzenia jest jego zdolność do obliczania parametrów HRV w dziedzinie częstotliwości w czasie rzeczywistym. Dla tego procesu, powszechne jest oszacowanie gęstości widmowej mocy (PSD) sygnału HRV. Jak pokazano na rycinie 1, składowe widmowe o bardzo niskiej częstotliwości (VLF) uzyskuje się w zakresie 0,0033-0,04 Hz, składowe widmowe o niskiej częstotliwości (LF) w zakresie 0,04-0,15 Hz, a składowe widmowe o wysokiej częstotliwości (HF) w zakresie 0,15-0,4 Hz . Składowe te dostarczają klinicznych informacji o zmienności rytmu zatokowego serca. Składowe LF odzwierciedlają zarówno wpływy współczulne, jak i przywspółczulne, chociaż LF może wskazywać na wrażliwość baroreceptorów. Składowe HF są związane z układem przywspółczulnym; zatem stosunek LF/HF wskazuje na równowagę sympatykowagalną .
Składowe widma mocy są kwantyfikowane poprzez pomiar obszaru pod trzema pasmami częstotliwości: VLF power, LF power i HF power. Składowe spektralne HRV powinny być przedstawione w podstawie naturalnej, stąd może być konieczna transformacja logarytmiczna. W celu ułatwienia porównania między różnymi badaniami, składowe są zwykle przedstawiane w jednostkach znormalizowanych, zgodnie z następującymi wyrażeniami: gdzie i reprezentują odpowiednio moc składowych LF lub HF, a są wskaźnikami odpowiadających im mocy w jednostkach znormalizowanych (procent), reprezentuje całkowitą moc (równoważną wariancji obliczonej w podejściu domeny czasowej), a oznacza moc składowej VLF. stosunek jest obliczany jako stosunek i .
W celu walidacji czujnika i zastosowanych algorytmów przeprowadzono dwa zestawy eksperymentów. Osoby badane oddychały spontanicznie, ale nie wolno im było mówić. Od wszystkich badanych uzyskano świadomą zgodę.
W pierwszym zestawie eksperymentów przeprowadzono dwa eksperymenty akwizycji sygnału EKG o czasie trwania 5 minut na 23-letnim ochotniku płci męskiej ważącym 90 kg, o pozornie zdrowym stanie zdrowia i w różnych sytuacjach. W trakcie eksperymentów ochotnik pozostawał w bezruchu, nie mówił i unikał jakiegokolwiek biofeedbacku. W pierwszym eksperymencie (eksperymencie siedzącym) poproszono badanego, aby usiadł na krześle w wygodny i zrelaksowany sposób z zamkniętymi oczami. Drugi eksperyment (eksperyment bodźcowy) przeprowadzono w takich samych warunkach jak pierwszy, ale w tym przypadku ochotnik był poddawany losowym bodźcom słuchowym w celu przeanalizowania wpływu zewnętrznych zakłóceń na ANS. Każdy z eksperymentów został z kolei powtórzony przy dwóch osobnych okazjach.
W drugim zestawie eksperymentów wykorzystano standaryzowany protokół badania HRV, aby umożliwić analizę porównawczą systemu z wynikami uzyskanymi w poprzednich badaniach. W badaniu wzięło udział 5 ochotników, o pozornie zdrowym stanie zdrowia. Tabela 1 przedstawia szczegółową charakterystykę antropometryczną ochotników. Pomiary przeprowadzono w godzinach porannych. Każdy uczestnik wykonywał dwa doświadczenia, każde z nich trwało 5 minut:(i)Doświadczenie z odpoczynkiem: ochotnik pozostaje nieruchomo w pozycji leżącej.(ii)Doświadczenie z pochyleniem: ochotnik pozostaje nieruchomo w pozycji stojącej.
|
||||||||||||||||
3. Design Results
3.1. Projekt inteligentnego urządzenia
Rysunek 2 przedstawia projekt inteligentnego urządzenia według schematu modułowego składającego się z następujących elementów:(i)Moduł sensoryczny: jego funkcją jest zapewnienie elektrochemicznego interfejsu pomiędzy tkanką a elektronicznym podsystemem pomiarowym (moduł front-end) w celu detekcji napięcia. Interfejs ten jest realizowany poprzez kontakt elektroda-skóra, składający się z elektrody metalowej, żelu elektrolitycznego (zwykle zawierającego Cl-) i ludzkiej skóry. W tym celu, trzy elektrody diagnostyczne DORMO-TAB (wstępnie żelowane elastyczne elektrody Ag-AgCl o wymiarach 26,4 mm × 22,5 mm) zostały umieszczone na badanych użytkownikach, pierwsza umieszczona pod obojczykiem na prawym ramieniu, druga pod obojczykiem na lewym ramieniu, a trzecia na brzuchu na dole po lewej stronie. Elektrody te były połączone kablami z modułem front-end.(ii)Moduł front-end: jest elementem akwizycji monitorowanego sygnału. Składa się on z systemu przechwytywania sygnału ECG opartego na wzmacniaczu instrumentalnym (INA), obwodu sprzężenia zwrotnego poprzez trzecią elektrodę, trzech stopni filtracji oraz stopnia wzmocnienia, wszystkie realizowane poprzez wzmacniacze operacyjne.(iii)Moduł przetwarzania: jest on odpowiedzialny za przetwarzanie sygnału ECG oraz analizę częstotliwościową w celu estymacji spektralnej HRV. Moduł OLIMEX PIC32-PINGÜINO-OTG został wykorzystany do przetwarzania danych, które mogą być przesyłane bezprzewodowo w czasie rzeczywistym. Moduł OLIMEX wykorzystuje mikrokontroler PIC32MX440F256H, z 256 KB pamięci programu, 32 KB pamięci danych i maksymalną prędkością 80 MHz.(iv)Moduł komunikacyjny: jest odpowiedzialny za dwukierunkową komunikację bezprzewodową urządzenia inteligentnego: w jednym sensie za transmisję wyniku przetwarzania sygnału do jednostki zewnętrznej (komputera w tym pierwszym prototypie), a w drugim za odbiór poleceń konfiguracyjnych do personalizacji algorytmów przetwarzania. W tym przypadku do realizacji komunikacji opartej na standardzie Bluetooth wykorzystano moduł RN42-I/RM firmy microchip.
3.2. Projekt modułu front-end
Stopień wejściowy front-end składa się z układu INA złożonego z trzech wzmacniaczy operacyjnych o przybliżonym wzmocnieniu 33 dB. Wejściowa impedancja różnicowa jest bootstrapowana w celu zwiększenia rezystancji wejściowej i podniesienia jakości stosunku sygnału do szumu. Poprzez wtórnik napięciowy uzyskuje się tryb wspólny INA, który jest odwracany i wzmacniany tak, że jest następnie sprzężony przez prawą nóżkę, aby uzyskać wzrost współczynnika odrzucania trybu wspólnego (CMRR), zmniejszając wpływ zakłóceń w sygnale wyjściowym .
Następnie wprowadza się filtr górnoprzepustowy o częstotliwości odcięcia 0,5 Hz. Ta filtracja jest wykonywana z filtru dolnoprzepustowego, o tej samej częstotliwości odcięcia, który podaje ciągły poziom sygnału wyjściowego INA jako jego napięcie odniesienia. Taka konfiguracja pozwala na uzyskanie większego wzmocnienia we wzmacniaczu, unikając nasycenia w kolejnych stopniach z powodu wysokiego poziomu DC.
Następnie włączane są dwustopniowe stopnie filtracji wzmocnienia. Zakłócenia pochodzące od instalacji elektrycznej tłumione są przez filtr notch dostosowany do częstotliwości 50 Hz. Następnie konfigurowany jest filtr dolnoprzepustowy o częstotliwości odcięcia 150 Hz w celu zminimalizowania wpływu innych możliwych źródeł szumów, zwykle o wysokiej częstotliwości.
Na koniec jako ostatni stopień wzmocnienia stosowany jest wzmacniacz inwertorowy o przybliżonym wzmocnieniu 30 dB w celu dostarczenia mierzalnego sygnału do przetwornika analogowo-cyfrowego (ADC) modułu przetwarzania.
Przetwornik ADC został zaimplementowany z wykorzystaniem jednego z dostępnych układów peryferyjnych mikrokontrolera PIC32MX440F256H, który stanowi rdzeń modułu OLIMEX PIC32-PINGÜINO-OTG. Urządzenie to umożliwia pracę do 16-kanałowego 10-bitowego przetwornika ADC, o maksymalnej częstotliwości próbkowania 1000 ksps. Chociaż wykazano, że częstotliwość próbkowania tak niska jak 50 Hz może być stosowana do pomiaru sygnału EKG bez uszczerbku dla dokładności obliczonych parametrów HRV w dziedzinie czasu, inne badania zalecają częstotliwość 200 Hz w celu uniknięcia możliwych zniekształceń w widmie częstotliwościowym sygnału, co stanowi podstawę analizy przedstawionej w niniejszej pracy. Z tego powodu wybrano częstotliwość próbkowania 200 Hz jako częstotliwość roboczą urządzenia, aby zminimalizować obciążenie obliczeniowe i zużycie energii, zapewniając jednocześnie jakość wyników po przetworzeniu.
Do konstrukcji front-endu wykorzystano rezystory i kondensatory do montażu powierzchniowego o standardowym rozmiarze 0603 oraz wzmacniacze operacyjne do montażu powierzchniowego serii OPA211 firmy Texas Instruments. OPA211 został wybrany, ponieważ posiada główną cechę, bardzo niski szum wejściowy (80nVpp), i jest idealny do zastosowań medycznych.
3.3. Moduł przetwarzania
Oszacowanie HRV w dziedzinie częstotliwości na podstawie sygnału EKG jest uzyskiwane za pomocą pięcioetapowego algorytmu:(i)W pierwszym kroku sygnał S0 odpowiadający sygnałowi wyjściowemu z front-endu EKG jest podniesiony do trzeciej potęgi. W ten sposób uzyskuje się sygnał pozwalający na lepsze zdefiniowanie zespołu QRS.(ii)W drugim etapie, z drugiej pochodnej , generowany jest nowy sygnał odpowiadający następującym wyrażeniom: gdzie reprezentuje bieżącą próbkę. Przetwarzanie to pozwala na łatwe wykrycie załamka R.(iii)W trzecim etapie otrzymuje się sygnał S3 będący estymacją odstępów RR, wyrażonych w sekundach. Zapisuje się rejestr ostatnich maksymalnych wartości fali R w sygnale S2, eliminując starsze wartości w celu dynamicznego dostosowania się do zmian amplitudy sygnału. Na podstawie tego rejestru określany jest próg detekcji Thd jako 30% maksymalnej wartości wszystkich z nich. Próg ten pozwala ograniczyć przedział poszukiwań fali R. Chwila, w której fala jest maksymalna w przedziale poszukiwań jest ustawiana jako stała R. Nowa wartość jest następnie definiowana w wektorze przedziału RR jako różnica pomiędzy bieżącym i poprzednim punktem R. (iv) W czwartym etapie estymacja spektralna S3 przy użyciu modeli AR jest uzyskiwana metodą Burg rzędu N, gdzie N jest konfigurowalnym parametrem. Ponieważ czas akwizycji sygnału jest niewielki, zastosowanie metody Burg jest odpowiednim rozwiązaniem, ponieważ jej zaletą jest większa rozdzielczość i stabilność dla niewielkiej ilości danych. Algorytm został zaimplementowany zgodnie z zaleceniami opisanymi w celu poprawy estymacji częstotliwości.(v)Wreszcie, w piątym etapie, , , i parametry zostały obliczone zgodnie z równaniami i procedurami opisanymi w rozdziale Materiały i metody.
4. Wyniki walidacji
Jako próbkę sygnałów, z którymi pracuje moduł przetwarzania, na rysunku 3 przedstawiono wynik pierwszych trzech etapów algorytmu opisanego w poprzednim rozdziale dla eksperymentu siedzącego. Rysunek 3(a) przedstawia 20-sekundowy segment sygnału wyjściowego S0 z front-end’u EKG. Rysunek 3(b) przedstawia sygnał będący wynikiem podniesienia sygnału S0 do trzeciej potęgi w celu zwiększenia definicji zespołu QRS sygnału EKG. Rysunek 3(c) przedstawia sygnał S2, który pozwala na łatwe wykrycie załamka R. Wreszcie, rysunek 3(d) pokazuje kompletny sygnał S3 jako wynik estymacji odstępów RR sygnału S2. Ten ostatni sygnał reprezentuje sygnał czasowy rozłożony wzdłuż osi poziomej, również o charakterze czasowym, który będzie podstawą późniejszej analizy w dziedzinie częstotliwości.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
Z uwagi na zainteresowanie, jakie reprezentuje obliczanie gęstości widmowej mocy dla analizy sygnału HRV, zoptymalizowano parametr Burg N w czwartym etapie algorytmu. W celu doboru rzędu filtra testowano różne wartości od do , co jest zalecanym zakresem dla tego typu zastosowań, zwiększając ich wartość w krokach co dwa.
Rysunek 4 przedstawia wyniki uzyskane dla niektórych z analizowanych wartości parametru N. Za optymalną uznano wartość, która pozwalała na poprawną estymację widma. Im mniejsza wartość N tym sygnał jest gładszy, co utrudnia wykrycie składowych spektralnych, natomiast im większa wartość N tym większa liczba pików generowanych w widmie częstotliwościowym, co utrudnia jego analizę i wymaga w tym przypadku dłuższego czasu obliczeniowego. Po tej analizie, został ustalony jako optymalna wartość parametru, ponieważ był to rząd mniejszy, który oferował odpowiednie zdefiniowanie składowych spektralnych.
Realizacja prototypu urządzenia inteligentnego została przedstawiona na rysunku 5.
Analiza spektralna pierwszego zestawu eksperymentów (eksperyment siedzący i eksperyment z bodźcami) została zastosowana w pierwszej walidacji urządzenia i jego algorytmu przetwarzania. Oceny tej dokonano w tym przypadku w sposób jakościowy, analizując widmo sygnałów metodą inspekcji. Na rysunku 6 przedstawiono porównanie estymacji widmowej dwóch przeprowadzonych eksperymentów, w których zidentyfikowano składowe spektralne LF i HF.
(a)
(b)
(a)
(b)
W eksperymencie siedzącym, w którym użytkownik był zrelaksowany, można zauważyć, że składowa HF jest dominująca nad składową LF. Wynik ten jest zgodny z oczekiwanym, gdyż w tym przypadku powinna występować większa aktywność układu przywspółczulnego nad współczulnym, gdyż odpowiada to stanowi spoczynku i relaksu. W eksperymencie z bodźcami ochotnik poddawany był różnym zaburzeniom. W tym przypadku dominowała składowa LF, co również zgadza się z oczekiwanymi wynikami.
Uzyskane wyniki zachęciły do przeprowadzenia bardziej szczegółowych badań z wykorzystaniem standardowego protokołu opisanego w rozdziale Materiały i Metody oraz drugiego zestawu eksperymentów (eksperymenty spoczynkowe i eksperymenty pochyleniowe). Jako przykład, ryciny 7 i 8 przedstawiają estymację spektralną HRV odpowiednio kobiety i mężczyzny. Każda z rycin przedstawia również PSD dwóch eksperymentów wykonanych przez każdego ochotnika: spoczynkowego i pochyleniowego. Na obu wykresach obserwuje się wzrost składowej LF i spadek składowej HF podczas przechodzenia z pozycji leżącej do stojącej. W przypadku przedstawionym na rycinie 7 występuje nawet inwersja położenia maksimum składowych spektralnych, zlokalizowanych w HF podczas eksperymentu spoczynkowego i w LF podczas eksperymentu pochyleniowego.
W celu dokładniejszego określenia zależności pomiędzy składowymi spektralnymi przy porównywaniu dwóch przypadków (spoczynku i pochylenia) przeprowadzono również analizę ilościową z wykorzystaniem znormalizowanych parametrów opisanych powyżej charakterystyk spektralnych HRV: , , i .
Zastosowanie znormalizowanych parametrów i standardowego protokołu sprzyja porównaniu z innymi wynikami w literaturze. W tabeli 2 przedstawiono wyniki uzyskane w niniejszym badaniu oraz próbkę analogicznych danych uzyskanych przez innych autorów dla osób zdrowych.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Dane z tabeli 2 pokazują wyniki porównywalne z wynikami stwierdzonymi w innych badaniach, zarówno w wartościach bezwzględnych, jak i względnych. Ponadto obserwuje się ten sam trend i te same zależności pomiędzy parametrami. is higher in tilt experiments than in the rest experiments. Odwrotna sytuacja ma miejsce w przypadku HFnu. Stosunek LF/HF ma wartość bliską jedności w eksperymentach spoczynkowych, ale jest znacznie wyższy w eksperymentach pochyleniowych.
Z tabeli 2 można również zauważyć, że wartości maksymalne i minimalne poszczególnych parametrów nie pokrywają się. W tym sensie, dla każdego z parametrów można ustalić próg, który mógłby być zastosowany w hipotetycznym rozpoznaniu i klasyfikacji eksperymentów. Dla , średnia wartość pomiędzy maksymalną wartością parametru w eksperymentach z odpoczynkiem i minimalną wartością parametru w eksperymentach z pochyleniem jest ustawiona jako próg klasyfikacji. Ta sama procedura jest stosowana do obliczenia progu dla parametru LF/HF. Z kolei próg dla parametru HFnu jest obliczany jako średnia wartość pomiędzy wartością minimalną w eksperymentach spoczynkowych a wartością maksymalną w eksperymentach pochyleniowych. Tabela 3 przedstawia reguły klasyfikacji według poprzednich progów.
|
|||||||||||||||||||||||||||
Rysunek 9 przedstawia graficznie rozkład parametrów wokół progów klasyfikacyjnych, zaznaczonych linią ciągłą. Wykresy przedstawiają również przedział ufności 68.27% (± odchylenie standardowe) uzyskany dla każdego parametru w każdym z eksperymentów. Przedziały te są oznaczone liniami przerywanymi i służą do podkreślenia statystycznego rozkładu wyników.
(a)
(b)
(c)
(a)
(b)
(c)
W odniesieniu do wydajności urządzenia, tabela 4 podsumowuje niektóre cechy urządzenia i porównuje je z kilkoma ostatnimi pracami. Główną zaletą urządzenia w porównaniu z innymi propozycjami komercyjnymi i literaturowymi jest jego zdolność do wykrywania w czasie rzeczywistym zmian w zmienności rytmu serca (HRV) poprzez analizę częstotliwościową. Według wiedzy autorów, zdolność ta nie jest implementowana w urządzeniach przenośnych, a najczęściej stosowaną metodą jest analiza offline na podstawie danych przechowywanych w pamięci.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
.
W pierwszym zestawie eksperymentów, odpowiadającym ocenie funkcjonalnej front-endu, dane EKG rejestrowane przez urządzenie były bezprzewodowo przesyłane w czasie rzeczywistym do komputera, pełniącego rolę modułu przetwarzającego, gdzie były analizowane za pomocą oprogramowania Matlab (wersja 2016a). Każda próbka była przesyłana sekwencyjnie przez moduł komunikacyjny Bluetooth, wykorzystywany jako port szeregowy, z szybkością transmisji 200 próbek na sekundę (dwa bajty na próbkę).
Po tych pozytywnych wynikach, w drugim zestawie eksperymentów, algorytm został osadzony w fizycznym module przetwarzania prototypu. Tabela 5 przedstawia niektóre szczegóły implementacji algorytmu w prototypie czujnika. Drugi zestaw eksperymentów przeprowadzono z wykorzystaniem urządzenia w trybie stand-alone, zgodnie z którym urządzenie realizowało następujące zadania:(i)Sekwencyjne bezprzewodowe przesyłanie próbek EKG w celu ich rejestracji i późniejszej oceny.(ii)Obliczanie on-line S3 jako estymacji odstępów RR. Proces ten, wykonywany wewnątrz urządzenia, wymaga czasu 193 μs, wystarczającego do wykonania w czasie rzeczywistym za każdym razem, gdy odbierana jest nowa próbka o częstotliwości 200 Hz, bez interferencji z następną próbką.(iii)Co pięć minut, estymacja HRV w dziedzinie częstotliwości na podstawie odstępów RR. Proces ten, również wykonywany w urządzeniu, wymaga czasu 409,2 ms do uruchomienia, wystarczającego dla aplikacji czasu rzeczywistego.(iv)Obliczanie , , i z PSD sygnału HRV i bezprzewodowa transmisja wyniku.
|
||||||||||||
Algorytm był również wykonywany jednocześnie na komputerze z próbkami EKG przesyłanymi przez urządzenie. Zbieżność wyników uzyskanych przez urządzenie w stosunku do komputera świadczy o możliwości zastosowania prototypu do realizacji proponowanego algorytmu w czasie rzeczywistym.
5. Wnioski
W niniejszej pracy przedstawiono pierwsze przybliżenie inteligentnego urządzenia i algorytmu przetwarzania do spektralnej analizy HRV w czasie rzeczywistym. Według naszej najlepszej wiedzy, taka możliwość nie jest dostępna w żadnym przenośnym urządzeniu do pomiaru EKG. Zgodnie z wymaganiami dotyczącymi niskich kosztów, możliwości dostosowania i niskiego zużycia energii, sprzęt i oprogramowanie wymagane do przechwytywania sygnału EKG i jego późniejszego przetwarzania zostały zaprojektowane i zaimplementowane.
Jakościowa walidacja została przeprowadzona w dwóch różnych eksperymentach, powtarzanych dwukrotnie każdy. W pierwszym eksperymencie, w którym ochotnik był zrelaksowany, obserwowane komponenty spektralne wskazywały na większą aktywność układu przywspółczulnego niż współczulnego. W drugim eksperymencie, w którym ochotnik poddany był działaniu bodźców zewnętrznych, składowe spektralne wskazywały na większą aktywność układu współczulnego nad przywspółczulnym. Wyniki uzyskane w tym pierwszym przybliżeniu pokazują przydatność urządzenia i zaproponowanych algorytmów do jakościowej analizy ANS w czasie rzeczywistym i wpływu różnych perturbacji.
Dla bardziej wyczerpującej oceny, przeprowadzono drugi zestaw eksperymentów. W analizie spektralnej HRV zastosowano standardowe parametry, jak również standaryzowany protokół pomiarowy (eksperymenty spoczynkowe i pochyleniowe). Analiza porównawcza w odniesieniu do wyników uzyskanych w innych badaniach wykazała zasadność zastosowania zarówno urządzenia, jak i proponowanych algorytmów do ilościowej oceny składowych spektralnych HRV. Ponadto ustalono metodę klasyfikacji aktywności spoczynkowej i pochyleniowej na podstawie sygnału EKG.
Konflikt interesów
Autorzy deklarują brak konfliktu interesów z jakąkolwiek firmą lub organizacją w odniesieniu do materiału omawianego w niniejszej pracy.
Podziękowania
Ta praca była wspierana w części przez Fundación Progreso y Salud, Rząd Andaluzji, w ramach Grantów PI-0010-2013 i PI-0041-2014, częściowo przez Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, w ramach Grantów PI15/00306 i DTS15/00195, oraz częściowo przez CIBER-BBN w ramach grantów INT-2-CARE, NeuroIBC, i ALBUMARK.