Abstract
Detta arbete presenterar ett första tillvägagångssätt för design, utveckling och implementering av en smart enhet för mätning och upptäckt i realtid av förändringar i hjärtfrekvensvariabilitet (HRV). Den smarta enheten följer ett modulärt konstruktionsschema som består av en modul för insamling av EKG-signaler (elektrokardiogram), en bearbetningsmodul och en modul för trådlös kommunikation. Utifrån fem minuters EKG-signaler utför algoritmerna i bearbetningsmodulen en spektral uppskattning av HRV. De experimentella resultaten visar att den smarta enheten och de föreslagna bearbetningsalgoritmerna är genomförbara.
1. Introduktion
Hjärt- och kärlsjukdomar är en av de främsta orsakerna till att befolkningen dör . Det uppskattas att 17,3 miljoner människor i världen dör till följd av kardiovaskulära sjukdomar, vilket motsvarar 30 % av alla fall . Högt blodtryck, rökvanor, diabetes, visceral fetma, dyslipidemi, fysisk inaktivitet och ohälsosamma matvanor är de viktigaste modifierbara riskfaktorerna som förknippas med utvecklingen av kardiovaskulära sjukdomar . Kardiell autonom dysfunktion är en riskfaktor som också är relaterad till utvecklingen av kardiovaskulära sjukdomar och kan mätas icke-invasivt genom bedömning av hjärtfrekvensvariabilitet (HRV) .
HRV hänvisar till den kontinuerliga hjärtfrekvensen eller de kontinuerliga RR-vågsintervallerna som extraheras från elektrokardiogramsignalen (EKG-signalen) (tidsavståndet mellan R-vågorna i EKG-signalen benämns som RR-intervall). Kort- och långsiktiga variationer i hjärtfrekvensen (HR) kan bero på olika orsaker. Det parasympatiska nervsystemet orsakar att HR, och i sin tur blodtrycket (BP) minskar, medan det sympatiska nervsystemet gynnar en antagonistisk verkan och ökar både HR och BP. Samspelet mellan dessa system är känt som den sympatisk-vagala balansen i det autonoma nervsystemet (ANS) . Många studier har visat att HRV är en användbar kvantitativ indikator för att bedöma balansen mellan hjärtats sympatiska nervsystem och det parasympatiska nervsystemet och kan användas för att diagnostisera och förebygga vissa kardiovaskulära sjukdomar, t.ex. hjärtsvikt, plötslig hjärtdöd, arytmi eller Holmes-Adie-syndrom .
Under de senaste decennierna har man försökt att analysera och kvantifiera HRV så att den kan tjäna som klinisk nytta. Mätningar av HRV görs under långa och korta perioder. Långtidsinspelningar varar vanligtvis 24 timmar och utförs med hjälp av en Holter, medan korttidsinspelningar varar 2-5 minuter och utförs vanligtvis med ett dynamiskt EKG .
Analysen av HRV är av intresse vid andra multipla tillstånd, t.ex. sjukdomar i andningsorganen. Denna analys kan användas som en enkel och icke-invasiv metod för uppskattning av aerob kapacitet hos personer med KOL , och den kan också användas som ett prognostiskt verktyg, eftersom en minskad HRV hos dessa patienter har relaterats till en ökad sjuklighet och dödlighet . Dessutom har andningsmuskelstyrkan relaterats till den sympatisk-vagala responsen, som kan utvärderas med hjälp av HRV . Andra tillämpningar av HRV sträcker sig från tidig biomarkör för utvärdering av diabetes mellitus framsteg , och diagnostisk markör vid kronisk nacksmärta , till psykisk och fysisk hälsa , eller sömnkvalitet , och arbetsstress , bland annat.
Metoder för mätning av HRV kan klassificeras i metoder för tidsdomän och frekvensdomän. De första består huvudsakligen av en statistisk analys av RR-intervall. Deras möjligheter är dock begränsade, eftersom de inte visar tillräcklig specificitet och känslighet, förutom behovet av långa inspelningsperioder .
Metoderna i frekvensdomänen eller spektral uppskattning av HRV kan klassificeras i parametriska och icke-parametriska metoder. Icke-parametriska metoder baserade på den snabba Fouriertransformen (FFT) har som främsta fördel sin enkelhet och algoritmiska snabbhet , medan parametriska metoder, t.ex. autoregressiva (AR) modeller, ger en mer definierad, jämn och lättidentifierad spektralkomponent . För kortvariga mätningar ger parametriska metoder dessutom en bättre spektral upplösning än icke-parametriska metoder .
Som författarna känner till finns det ingen utrustning som gör det möjligt att analysera HRV i realtid med hjälp av ovan nämnda metoder. Vissa anpassade metoder har föreslagits för realtidsanalys , t.ex. korttids-Fouriertransform (STFT), wavelet-transform, Hilbert-Huang-transform och från IIR-filter (infinite impulse response) , men de utförs alltid off-line med EKG-signaler från tidigare förvärvade register.
Detta arbete visar ett första tillvägagångssätt för att utforma en bärbar, anpassningsbar och billig smart enhet för realtidsmätning av HRV i frekvensdomänen genom AR-modeller.
2. Material och metoder
I samband med detta arbete avses med smart enhet en enhet som inte bara har sensoriska egenskaper för mätning av vissa variabler, utan också är utrustad med en trådlös kommunikationsenhet och har förmåga att utföra en process av den förvärvade informationen. Processen för konstruktion, utveckling och utvärdering av anordningen har utförts enligt en iterativ (eller spiralformad) metodik, där utvecklingen testas tidigare och oftare än i den traditionella kaskadformade livscykeln. I konstruktions- och simuleringsfasen har Cadences programvara Orcad (version 16.0) använts. För genomförandet av prototyperna CircuitCam (version 5.2) och BoardMaster (version 5.0) har programmen använts, liksom en ProtoMat S62-fräsmaskin, alla av LPKF.
En första utvärdering av anordningens prestanda gjordes genom att ta hänsyn till dess mest representativa egenskaper och jämföra dem med andra anordningar och system som nyligen föreslagits i litteraturen. Förstärkningen och bandbredden beräknades från simuleringen av den elektroniska konstruktionen med hjälp av programvaran Tina-TI från Texas Instruments. Strömförbrukningen uppskattades med hjälp av det förfarande som beskrivs i . För detta ändamål placerades ett motstånd på 10 ohm i serie i den ledning som matar frontsteget från batteriet. Med ett oscilloskop (MSO6032A från Agilent Technologies) mättes spänningen vid motståndet för att enligt Ohm’s lag uppskatta ingångsströmmen till kretsen. Denna ström, som är konstant över tiden, multiplicerades med matningsspänningen på 3,3 V för att få fram strömförbrukningen.
Det intressanta med den nuvarande anordningen är dess förmåga att beräkna HRV-parametrarna i frekvensdomänen i realtid. För denna process är det vanligt att göra en uppskattning av effektspektraltätheten (PSD) för HRV-signalen. Som framgår av figur 1 erhålls mycket lågfrekventa (VLF) spektralkomponenter i intervallet 0,0033-0,04 Hz , lågfrekventa (LF) spektralkomponenter i intervallet 0,04-0,15 Hz och högfrekventa (HF) spektralkomponenter i intervallet 0,15-0,4 Hz . Dessa komponenter ger klinisk information om variationen i hjärtats sinusrytm. LF-komponenterna återspeglar både sympatiska och parasympatiska influenser, även om LF kan indikera baroreflexkänslighet . HF-komponenterna är relaterade till det parasympatiska systemet; således är LF/HF-förhållandet indikativt för sympathovagal balans .
De spektrala effektkomponenterna kvantifieras genom att mäta arean under de tre frekvensbanden: VLF-effekt, LF-effekt och HF-effekt. Spektralkomponenterna i HRV bör presenteras i den naturliga basen; därför kan en logaritmisk omvandling vara nödvändig. För att underlätta jämförelsen mellan olika studier presenteras komponenterna vanligen i normaliserade enheter enligt följande uttryck: där och representerar effekten av antingen LF- eller HF-komponenterna och anger motsvarande effekt i normaliserade enheter (procent), representerar total effekt (motsvarande varians beräknad med tidsdomänmetoder) och anger effekten av VLF-komponenten. Försökspersonerna andades spontant men fick inte prata. Informerat samtycke inhämtades från alla försökspersoner.
I den första uppsättningen experiment utfördes två experiment för insamling av EKG-signaler med en varaktighet på 5 minuter på en 23-årig manlig volontär som vägde 90 kg, som hade ett uppenbart friskt tillstånd och som befann sig i olika situationer. Under experimenten förblev den frivillige orörlig, utan att tala och utan att undvika någon form av biofeedback. I det första experimentet (sittande experiment) ombads försökspersonen att sitta bekvämt och avslappnat i en stol med slutna ögon. Det andra experimentet (stimuliexperimentet) utfördes under samma förhållanden som det första experimentet, men i det här fallet utsattes försökspersonen för slumpmässiga auditiva stimuli i syfte att analysera påverkan av yttre störningar på ANS. Varje experiment upprepades i sin tur vid två separata tillfällen.
I den andra uppsättningen experiment användes ett standardiserat protokoll för studier av HRV , för att möjliggöra en jämförande analys av systemet mot resultat som erhållits i tidigare studier . I studien ingick 5 frivilliga personer, som var i ett uppenbart friskt skick. Tabell 1 visar en detaljerad beskrivning av de frivilliga personernas antropometriska egenskaper. Mätningarna utfördes på morgonen. Varje försöksperson utförde två experiment som vardera varade i fem minuter: i) Viljeexperiment: försökspersonen förblir orörlig i ryggläge. ii) Lutningsexperiment: försökspersonen förblir orörlig i stående ställning.
|
||||||||||||||||
3. Resultat av utformningen
3.1. Smart enhetens utformning
Figur 2 visar den smarta enhetens utformning enligt ett modulärt schema som omfattar följande delar:(i)Sensormodul: dess funktion är att tillhandahålla ett elektrokemiskt gränssnitt mellan vävnaden och det elektroniska undersystemet för mätning (front-end-modul) för spänningsdetektering. Detta gränssnitt sker genom elektrode-hudkontakten, som består av en metallelektrod, en elektrolytisk gel (som vanligtvis innehåller Cl-) och mänsklig hud. För detta ändamål placerades tre diagnostiska DORMO-TAB-elektroder (flexibla Ag-AgCl-elektroder med förgelat material med måtten 26,4 mm × 22,5 mm) på testanvändarna, varav den första placerades under nyckelbenet på den högra axeln, den andra under nyckelbenet på den vänstra axeln och den tredje på buken på den nedre vänstra sidan. Dessa elektroder var anslutna till front-end-modulen via kablar. ii) Front-end-modulen: Den är insamlingselementet för den övervakade signalen. Den består av ett ECG-signalupptagningssystem baserat på en instrumentationsförstärkare (INA), en återkopplingskrets genom den tredje elektroden, tre filtersteg och ett förstärkningssteg, allt genomfört med hjälp av operationsförstärkare.(iii) Bearbetningsmodul: Den ansvarar för bearbetningen av ECG-signalen och frekvensanalysen för den spektrala uppskattningen av HRV. En OLIMEX PIC32-PINGÜINO-OTG-modul har använts för databehandling, som kan skickas trådlöst i realtid. OLIMEX-modulen använder sig av en PIC32MX440F256H-mikrokontroller med 256 KB programminne, 32 KB dataminne och en maxhastighet på 80 MHz. iv) Kommunikationsmodul: den ansvarar för den smarta enhetens dubbelriktade trådlösa kommunikation: överföring av resultatet av signalbehandlingen till en extern enhet (en dator i den här första prototypen) i den ena riktningen, och mottagning av konfigurationskommandon för att personalisera behandlingsalgoritmerna i den andra riktningen. I detta fall har en RN42-I/RM-modul från microchip använts för att genomföra kommunikation baserad på Bluetooth-standarden.
3.2. Utformning av den främre modulen
Det främre ingångssteget består av en INA som består av tre operationsförstärkare med en ungefärlig förstärkning på 33 dB. Den differentiella ingångsimpedansen är bootstrappad för att öka ingångsresistansen och öka kvaliteten på signal-brusförhållandet . Genom en spänningsföljare erhålls INA:s gemensamma läge, som inverteras och förstärks så att det därefter återkopplas genom det högra benet för att erhålla en ökning av CMRR-förhållandet (Common Mode Rejection Ratio), vilket minskar inverkan av störningar i utgångssignalen .
Ett högpassfilter med en gränsfrekvens på 0,5 Hz implementeras sedan. Denna filtrering utförs från ett lågpassfilter, med samma gränsfrekvens, som återkopplar den kontinuerliga nivån på INA-utgångssignalen som referensspänning. Denna konfiguration möjliggör en högre förstärkning i förstärkaren och undviker mättnad i de efterföljande stegen på grund av en hög likströmsnivå.
Nästan två steg för förstärkningsfiltrering ingår. Störningarna från den elektriska installationen dämpas av ett notchfilter anpassat till frekvensen 50 Hz. Därefter konfigureras ett lågpassfilter med en gränsfrekvens på 150 Hz för att minimera effekterna av andra möjliga bullerkällor, vanligen med hög frekvens.
Slutligt används en inverterförstärkare med en ungefärlig förstärkning på 30 dB som det sista förstärkningssteget för att ge en mätbar signal till den analoga-till-digitala omvandlaren (ADC) i bearbetningsmodulen.
Adc:n implementerades genom att utnyttja en av de tillgängliga periferierna i mikrokontrollern PIC32MX440F256H, som är kärnan i OLIMEX PIC32-PINGÜINO-OTG-modulen. Denna enhet möjliggör upp till 16-kanals 10-bitars ADC, med en maximal samplingsfrekvens på 1000 ksps. Även om det visades att en samplingsfrekvens så låg som 50 Hz kan användas för att mäta EKG-signalen utan att äventyra noggrannheten hos de beräknade HRV-parametrarna i tidsdomänen rekommenderar andra studier en frekvens på 200 Hz för att undvika eventuella snedvridningar i signalens frekvensspektrum, vilket ligger till grund för analysen i det här arbetet. Av denna anledning valdes en samplingsfrekvens på 200 Hz som arbetsfrekvens för enheten, för att minimera beräkningsbelastningen och energiförbrukningen, samtidigt som man säkerställer en kvalitet i resultaten efter bearbetning.
För front-end-designen har ytmonterade motstånd och kondensatorer av standardstorlek 0603 och ytmonterade operationsförstärkare av Texas Instruments OPA211-serie använts. OPA211 valdes eftersom den har en huvudegenskap, ett mycket lågt ingångsbrus (80nVpp), och är idealisk för medicinska tillämpningar.
3.3. Bearbetningsmodul
Skattningen av HRV i frekvensdomänen från EKG-signalen erhålls genom en femstegsalgoritm:(i)I ett första steg höjs signalen S0 som motsvarar utgångssignalen från EKG-frontendensen till den tredje potensen. På detta sätt erhålls en signal som möjliggör en bättre definition av QRS-komplexet. ii) I det andra steget, från den andra derivatan av , genereras en ny signal som motsvarar följande uttryck: där representerar det aktuella provet. Denna behandling gör det möjligt att enkelt upptäcka R-vågen.(iii)I det tredje steget erhålls signalen S3 som en uppskattning av RR-intervallen, uttryckt i sekunder. Ett register över de senaste maximala värdena för R-vågen i signalen S2 sparas, vilket eliminerar de äldre värdena för att dynamiskt anpassa sig till förändringar i signalens amplitud. Utifrån detta register definieras detektionströskeln Thd som 30 % av det maximala värdet av alla dessa. Detta tröskelvärde gör det möjligt att begränsa sökintervallet för R-vågen. Det ögonblick då vågen är maximal i sökintervallet fastställs som R-ögonblicket. Ett nytt värde definieras sedan i RR-intervallvektorn som skillnaden mellan den aktuella R-instanten och den föregående. iv) I det fjärde steget erhålls den spektrala uppskattningen av S3 med hjälp av AR-modeller genom Burg-metoden av ordning N, där N är en konfigurerbar parameter . Eftersom signalinsamlingstiden är liten är användningen av Burg-metoden ett lämpligt alternativ, eftersom den har fördelen av en högre upplösning och stabilitet för en liten mängd data . Algoritmen implementerades genom att följa de rekommendationer som beskrivs i för att förbättra frekvensskattningen.(v)Slutligen, i det femte steget, beräknades , , , och parametrarna enligt de ekvationer och förfaranden som beskrivs i avsnittet Material och metoder.
4. Valideringsresultat
Som ett exempel på de signaler som bearbetningsmodulen arbetar med visar figur 3 resultatet av de tre första stegen i den algoritm som beskrivs i det föregående avsnittet för ett sittande experiment. Figur 3(a) visar ett 20 sekunders segment av S0-utgångssignalen från EKG-frontendensen. Figur 3(b) visar signalen som resultat av att S0-signalen höjs till den tredje potensen för att öka definitionen av QRS-komplexet i EKG-signalen. Figur 3(c) visar signalen S2, som gör det lätt att upptäcka R-vågen. Slutligen visar figur 3 d den fullständiga signalen S3 som ett resultat av uppskattningen av RR-intervallen i S2-signalen. Denna sista signal representerar en tidssignal fördelad längs den horisontella axeln, också av temporal karaktär, som kommer att ligga till grund för den efterföljande analysen i frekvensdomänen.
(a)
(b)
(c)
(d)
(a)
(b)
(c)
(d)
Med tanke på det intresse som beräkningen av effekttäthetsspektraltätheten för analysen av HRV-signalen representerar, optimerades Burg-parametern N i algoritmens fjärde steg. För att välja ordning på filtret testades olika värden från till , vilket är det rekommenderade intervallet för den här typen av tillämpningar , och deras värde ökades i steg om två.
Figur 4 visar de resultat som erhållits för några av de analyserade värdena på parametern N. Det värde som möjliggjorde en korrekt spektral uppskattning betraktades som optimalt. Ju mindre N desto jämnare är signalen, vilket gör det svårt att upptäcka spektralkomponenterna, medan ju högre N desto fler toppar genereras i frekvensspektrumet, vilket gör det svårt att analysera och kräver i detta fall en längre beräkningstid. Efter denna analys fastställdes, som det optimala värdet på parametern, eftersom det var den mindre ordning som erbjöd en adekvat definition av spektralkomponenterna.
Implementeringen av prototypen av den smarta enheten visas i figur 5.
Spektralanalysen av den första uppsättningen experiment (experiment i sittande ställning och stimuliexperiment) tillämpades i en första validering av enheten och dess bearbetningsalgoritm. Denna utvärdering gjordes i detta fall på ett kvalitativt sätt, genom att analysera signalernas spektrum genom inspektion. Figur 6 visar en jämförelse av den spektrala uppskattningen av två av de utförda experimenten, där spektralkomponenterna LF och HF identifieras.
(a)
(b)
(a)
(b)
De erhållna resultaten uppmuntrade en mer detaljerad studie med hjälp av det standardiserade protokollet som beskrivs i avsnittet Material och metoder och den andra uppsättningen experiment (viloexperiment och lutningsexperiment). Som exempel visar figurerna 7 och 8 HRV-spektralskattningen för en kvinnlig frivillig respektive en manlig frivillig. Varje figur visar också PSD för de två experiment som utförts av varje volontär: viloexperiment och lutningsexperiment. I båda graferna observeras en ökning av LF-komponenten och en minskning av HF-komponenten när man går från ryggläge till stående läge. I det fall som visas i figur 7 finns det till och med en inversion i positionen för spektralkomponenternas maximum, som ligger i HF under viloexperimentet och i LF under lutningsexperimentet.
För att mer exakt definiera förhållandet mellan spektralkomponenterna när man jämför de två fallen (vila och lutning) utfördes också en kvantitativ analys med hjälp av normaliserade parametrar för HRV-spektralegenskaperna som beskrivs ovan: , , , och .
Användningen av standardiserade parametrar och ett standardprotokoll gynnar jämförelsen med andra resultat i litteraturen. Tabell 2 visar de resultat som erhållits i denna studie och ett urval av likvärdiga data som erhållits av andra författare för friska försökspersoner.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Data i tabell 2 visar resultat som är jämförbara med dem som hittats i andra studier, både i absoluta och relativa värden. Dessutom observeras samma trend och samma samband mellan parametrarna. är högre i lutningsförsöken än i de övriga försöken. Det omvända gäller för HFnu. LF/HF-förhållandet har ett värde nära ett i viloexperimenten, men är mycket högre i lutningsexperimenten.
Det framgår också av tabell 2 att de maximala och minimala värdena för de olika parametrarna inte överlappar varandra. I denna mening kan sedan ett tröskelvärde fastställas för var och en av parametrarna som skulle kunna användas i en hypotetisk igenkänning och klassificering av experimenten. För , fastställs medelvärdet mellan parameterns maximala värde i viloexperimenten och parameterns minimala värde i lutningsexperimenten som tröskelvärde för klassificering. Samma förfarande används för att beräkna tröskelvärdet för parametern LF/HF. Tröskelvärdet för parametern HFnu beräknas däremot som medelvärdet mellan det lägsta värdet i viloexperimenten och det högsta värdet i lutningsexperimenten. Tabell 3 visar klassificeringsreglerna enligt de tidigare trösklarna.
|
|||||||||||||||||||||||||||
Figur 9 visar grafiskt fördelningen av parametrarna runt klassificeringströsklarna, markerade med en heldragen linje. Graferna visar också det konfidensintervall på 68,27 % (± standardavvikelse) som erhållits för varje parameter i vart och ett av experimenten. Dessa intervall är markerade med strecklinjer och tjänar till att belysa den statistiska fördelningen av resultaten.
(a)
(b)
(c)
(a)
(b)
(c)
När det gäller anordningens prestanda sammanfattar tabell 4 vissa egenskaper hos anordningen och jämför den med några nyligen utförda arbeten. Den största fördelen med anordningen jämfört med andra kommersiella förslag och förslag från litteraturen är dess förmåga att i realtid upptäcka förändringar i hjärtfrekvensvariabiliteten (HRV) genom frekvensanalys. Såvitt författarna vet har denna kapacitet inte genomförts i bärbara apparater, utan den vanligaste metoden är offline-analys av data som lagrats i minnet.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
I den första uppsättningen experiment, som motsvarar den funktionella utvärderingen av front-end, skickades de EKG-data som registrerades av enheten trådlöst i realtid till en dator, som fungerade som bearbetningsmodul, där de analyserades med programvaran Matlab (version 2016a). Varje prov skickades sekventiellt av Bluetooth-kommunikationsmodulen, som användes som en seriell port, med en överföringshastighet på 200 prov per sekund (två byte per prov).
Efter dessa positiva resultat, i den andra uppsättningen experiment, bäddades algoritmen in i den fysiska bearbetningsmodulen i prototypen. Tabell 5 visar några detaljer om genomförandet av algoritmen i sensorprototypen. Den andra uppsättningen experiment genomfördes med hjälp av enheten i fristående läge enligt vilket enheten utförde följande uppgifter: i) Sekventiell trådlös överföring av EKG-prover för registrering och efterföljande utvärdering. ii) On-line S3-beräkning som uppskattning av RR-intervallen. Denna process, som utförs i enheten, kräver en tid på 193 μs för att köras, vilket är tillräckligt för att utföras i realtid varje gång ett nytt prov tas emot vid 200 Hz, utan att störa nästa prov.(iii)Var femte minut, uppskattning av HRV i frekvensdomänen från RR-intervallerna. Denna process, som också utförs i enheten, kräver en tid på 409,2 ms för att köras, vilket är tillräckligt för en tillämpning i realtid. iv) Beräkning av , , , och från HRV-signalens PSD och trådlös överföring av resultatet.
|
||||||||||||
Algoritmen utfördes också samtidigt på en dator med EKG-proverna som skickades av enheten. Samfälligheten i de resultat som erhålls av enheten i förhållande till datorn visar att prototypen är genomförbar när det gäller utförandet av den föreslagna algoritmen i realtid.
5. Slutsatser
I detta arbete har en första approximation av en smart enhet och en bearbetningsalgoritm för spektralanalys av HRV i realtid visats. Såvitt vi vet finns denna möjlighet inte tillgänglig i någon bärbar EKG-mätningsutrustning. Med krav på låg kostnad, anpassningsbarhet och låg energiförbrukning har den hårdvara och mjukvara som krävs för insamling av EKG-signaler och den efterföljande bearbetningen utformats och implementerats.
En kvalitativ validering utfördes i två olika experiment som upprepades två gånger vardera. I ett första experiment, där volontären var avslappnad, visade de observerade spektralkomponenterna på en större aktivitet hos det parasympatiska systemet än hos det sympatiska. I det andra experimentet, där den frivillige utsattes för yttre stimuli, visade spektralkomponenterna en större aktivitet hos det sympatiska systemet än hos det parasympatiska. De resultat som erhållits i denna första approximation visar att apparaten och de föreslagna algoritmerna är genomförbara för en kvalitativ analys i realtid av ANS och påverkan av olika störningar.
För en mer uttömmande utvärdering utfördes en andra uppsättning experiment. Standardparametrar användes i spektralanalysen av HRV samt ett standardiserat mätprotokoll (vilo- och lutningsexperiment). En jämförande analys med avseende på de resultat som erhållits i andra studier har visat att både apparaten och de föreslagna algoritmerna är giltiga för den kvantitativa utvärderingen av HRV-spektralkomponenterna. Dessutom har en metod etablerats för klassificering av vilo- och lutningsaktiviteter från en EKG-signal.
Intressekonflikter
Författarna förklarar att det inte finns någon intressekonflikt med något företag eller någon organisation när det gäller det material som diskuteras i denna artikel.
Acknowledgments
Detta arbete stöddes delvis av Fundación Progreso y Salud, Andalusiens regering, under bidrag PI-0010-2013 och PI-0041-2014, delvis av Fondo de Investigaciones Sanitarias, Instituto de Salud Carlos III, genom bidrag PI15/00306 och DTS15/00195, och delvis av CIBER-BBN genom bidrag från INT-2-CARE, NeuroIBC och ALBUMARK.