450. Портативный кардиореспираторный мониторинг с использованием многозадачного накладного цифрового стетоскопа

Портативный кардиореспираторный мониторинг с использованием многозадачного накладного цифрового стетоскопа: оценка ЭКГ, фазы предизгнания, систолы левого желудочка и дыхания с использованием 55-милимметровым одиночным отведением ЭКГ и фонокардиограммы

Краткое изложение: Сердечно-сосудистые заболевания — главная причина смертности по всему миру, но всё усугубляется из-за расстройства дыхания во время сна. Заболевания дыхательных путей находятся на третьем месте среди неинфекционных заболеваний, приводящих к смерти. Существующая на данный момент пандемия COVID-19, однако, подчеркивает влияние инфекционных респираторных заболеваний на уровень смертности. Проведение рутинных клинических исследований показывает, что затянувшаяся постнаркозная дыхательная недостаточность ухудшает прогноз. Даже если был предложен ранний, продолжительный и долгосрочный кардиореспираторный мониторинг, или он оказался полезным в некоторых ситуациях, к нему прибегают довольно редко. Мы применили наш ранее представленный, мультимодальный пластырь-стетоскоп, чтобы оценить электрокардиограмму (ЭКГ) отведений I и II из единственного ЭКГ отведения на 55 милливольт. Фаза предизгнания (ФП) и длительность периода изгнания крови из левого желудочка (Систола левого желудочка) были подсчитаны благодаря этому стетоскопу и подсистемам ЭКГ. Методы дыхания на основе ЭКГ использовались в сочетании с новым дыхательным подходом на основе фонокардиограммы для определения параметров дыхания. Медицинскими рекомендациями были амбулаторный полисомнограф SOMNO HDTM и внешний кардиостимулятор Osypka ICON-CoreTM. Исследуя 10 здоровых человек, мы анализировали показатели в положении лежа на спине, в латеральной позиции (лежа на боку) и в положении лежа на животе. Подсчеты I и II отведений дали корреляцию, превышающую 0.97. Погрешности подсчетов ФП и Систолы левого желудочка были равны 10% и 21% соответственно. Частота дыхания (ЧД) была рассчитана со средними абсолютными погрешностями ниже 1.2 ударов в минуту, и дыхательный импульс превысил 0.66. Мы пришли к заключению, что измерение ЭКГ, ФП, Систолы левого желудочка и дыхательных параметров возможны с использованием портативного мультимодального прибора по сбору информации и это оправдывает дальнейшие исследования мультимодального слияния сигналов для оценки дыхательных сигналов.

Ключевые слова: ЭКГ; ФП; Систола левого желудочка; частота дыхания; портативный кардиореспираторный мониторинг; пластырь; цифровой стетоскоп; дыхание на основе ЭКГ; дыхание на основе фонокардиограммы; нейронная сеть.

1. Вступление

1.1. Клинический опыт и современное состояние

31.3% летальных исходов по всему миру в 2016 году были вызваны сердечно-сосудистыми заболеваниями (ССЗ), что сделало их самой распространенной причиной смертности. Заболевания дыхательных путей находятся на третьем месте среди неинфекционных заболеваний, приводящих к смерти (6,7%)[1]. Сейчас это хорошо известный факт, но следует помнить, что респираторные заболевания также могут значительно повысить риск сердечно-сосудистых и других заболеваний. Сообщается, что в частности синдром обструктивного апноэ сна (СОАС) тесно связан с возрастанием таких ССЗ, как гипертензия [2] и мерцательная аритмия[3]. В то же время СОАС — это одно из самых распространенных расстройств сна у 936 миллионов пациентов по всему миру [4]. Дыхательные параметры также играют важную роль в клинике, постнаркозном периоде. Было выявлено, что респираторные осложнения являются главной причиной длительной госпитализации, плохих общих показателей, и возросшей смертности [5-7]. Вспышки атипичной пневмонии, такие как тяжелый острый респираторный синдром (ТОРС), Ближневосточный респираторный синдром (MERS), и продолжающаяся в настоящее время пандемия КОВИД-19 [8] еще раз подчеркивают важность инструментов ранней диагностики [9]. Из описанной ситуации становится очевидно, что кардиореспираторный мониторинг — это одна из наиболее важных областей, которую необходимо изучить в будущем.
За два последних десятилетия, быстрое развитие технических характеристик аккумуляторов, встроенных процессоров с низким энергопотреблением и интегрированных сенсоров привело к тому, что техника стала намного более портативной. Нынешнее поколение портативных неинвазивных систем сбора биомедицинских сигналов может быть классифицировано по продолжительности их работы, представляющим интерес физиологическим параметрам [10], а также по их применению, отбору биосигналов, и по параметру организованности их в сеть [11]. Принятые во внимание физиологические параметры ориентированы на серьезные вопросы, определенные в сфере здравоохранения настоящего и будущего времени. Таким образом, в результате, большое количество систем сфокусировано на сердечно-сосудистой системе, измерениях активности, дыхательной системе и метаболизме. Отбор биосигналов зависит от вариантов использования и применения. Часто встречающиеся параметры — ЭКГ, показания акселерометров, гироскопов, фотоплетизмограмма, гальванический ответ кожи, температура тела, биоимпедансометрия, уровень глюкозы крови и внешних параметров. Системы могут быть спроектированы таким образом, чтобы функционировать самостоятельно или сообща, например нательная компьютерная сеть (BAN), нательная сенсорная сеть (BSN), или беспроводная сенсорная сеть (MBAN). По причине доступности большого количества материалов начиная от стандартных печатных плат и гибких печатных плат до приборов интегрированных в ткань [12] , установка портативных систем сбора биосигналов обычно варьируется от футболок с ремнями-сенсорами вокруг груди, браслетов и ожерелий до маленьких пластырей, устанавливающихся с помощью гибких материалов [13]. Электрокардиограмма (ЭКГ) широко применяется, как золотой стандарт неинвазивной сердечно-сосудистой системы и диагностики сердечно-сосудистых заболеваний. ЭКГ в состоянии покоя это эффективный метод скрининга для атлетов[14] и инструмент для оценки сердечно-сосудистых рисков у взрослых людей с отсутствием симптоматики[15]. При возникновении внезапных болей в груди рекомендуется провести ЭКГ-диагностику в течение первых 10 минут [16]. Кратковременные симптомы, такие как аритмия, отслеживаются в течение 24 часов с помощью аппарата ЭКГ Холтера или в течение нескольких дней или недель с помощью долгосрочных систем, особенно до и после катетерной абляции[17]. Многие из этих систем все еще функционируют с помощью традиционной конфигурации с большим интервалом между электродами. Однако, исследования показали, что синтезировать множество ЭКГ отведений возможно с помощью небольшого количества стандартных измерений [18]. И только малая часть исследований показала возможность получить стандартные отведения от системы с малым межэлектродным пространством ЭКГ отведений [19], но некоторые исследования предполагают то, что даже 12-ти канальную реконструкцию ЭКГ можно будет использовать в виде устройства с 5-ти сантиметровым пластырем, который включает в себя несколько записей ЭКГ отведения на небольшом расстоянии [20]. Даже при наличии теории полей отведений, казалось бы, подкрепляющей концепцию записи ЭКГ при небольшом расстоянии между электродами, пока не была установлена специфика их расположения, и оценка методов, выходящих за пределы оценки отведений ЭКГ по отведениям на коротких расстояниях, пока недостаточна [21].
В то время как ЭКГ отражает электрические свойства сердца, с его помощью невозможно обнаружить структурные аномалии или дефекты, но в больном сердце слышны патологические шумы [22]. Такие изменения могут быть определены с помощью фонокардиографии (ФКГ). И хотя аускультация стетоскопом — это ценный и зачастую первый инструмент, применяемый в системе первичной медико-санитарной помощи, внедрение в этот процесс цифровых технологий — это относительно недавняя разработка, которую будут применять в медицине для таких определения, к примеру степени пролапса, митрального клапана [23] и других патологичеcких сердечных шумов [24]. Цифровой стетоскоп, доступный в настоящее время, спроектирован так, что его применение похоже на традиционное [25] с некоторыми исключениями [26], возникшими не так давно. Насколько известно от авторов, до недавнего времени не было никакой доступной реализации цифрового портативного стетоскопа.
Благодаря комбинации сигналов, полученных от ЭКГ и ФКГ, может быть получен расчет периода систолы [27]. Значение показателей систолы тесно связаны с обнаружением желудочковой недостаточности, уровнем повышения внутрижелудочкового давления, конечно-диастолического давления и других показателей. В частности было выявлено, что фаза предизгнания ФП (PEP) и длительность периода изгнания крови из левого желудочка (LVET) тесно связаны с этими показателями. Периоды систолы предоставляют уникальную информацию о текущем состоянии механической активности сердца и таким образом могут предоставить дополнительную жизненно важную информацию о сердечно-сосудистой системе. Доступно несколько подходов для оценки периодов систолы, включая эхокардиографию, импедансную кардиографию (ИКГ), фотоплетизмографию, сейсмографию и фонокардиогрфию (ФКГ). Принимая во внимание эхокардиографию, как ориентир, ФКГ-подход превосходит другие методы, когда ФП и период изгнания крови из левого желудочка точно оцениваются [28]; и ФКГ, и сейсмография предоставляют сравнительные результаты оценки общего систолического времени и электромеханической задержки [29] . Таким образом, представлены некоторые подходы измерения периода систолы с помощью ЭКГ и ФКГ [30,31]. Несмотря на общедоступную работу по измерению PEP с помощью ФКГ, судя по всему есть расхожие мнения о том, можно ли в принципе применять ФКГ для измерения фазы предизгнания. [29,32]
Анализ функции дыхательной системы обычно связан с не вполне удобными выступающими датчиками. В особенности если речь идет о мониторинге во время сна, до сих пор рекомендуют такие потоковые датчики, как дыхательные маски или канюли для носа, или датчики контроля при плетизмографии дыхательной активности грудной клетки и ремни для брюшной полости [33]. Пока развитие систем тестирования спокойного сна в домашних условиях шагает далеко вперед, мнение экспертов остается таковым, что необходимы дальнейшие исследования, касаемые минимального количества параметров и методов регистрации сигналов [34]. Перспективный метод для незаметной оценки параметров дыхания это так называемый метод оценки дыхания на основе ЭКГ, который обычно используется вкупе с другими сигнальными механизмами, таким как фотоплетизмография [35]. Очевидное преимущество метода оценки дыхания на основе ЭКГ в случае доступности ЭКГ — отсутствие необходимости в дополнительных датчиках для измерения параметров дыхания. Общепринято положение о том, что на ЭКГ могут отражаться три главных аспекта дыхания: артефакт блуждающей изолинии, пульс и морфология комплекса QRS. Цель метода оценки дыхания на основе ЭКГ — использовать один или несколько из этих трех аспектов для оценки параметров дыхания. Частота сердечного ритма менее чувствительна при записи ЭКГ к расположению электродов и расстоянию между ними благодаря электрической мощности QRS-комплексу. Однако отражение морфологических особенностей намного больше зависит от расположения отведений. Особенно важным это становится, если речь идет о небольших сенсорных системах, расположенных в нестандартных позициях [36].
Кроме методов, основанных на ЭКГ и ФКГ, появилось несколько дополнительных предложений по измерению параметров дыхания. Другие подходы, используемые для оценки параметров дыхания, включают дыхательные шумы, температуру и влажность, компонентов вдыхаемого воздуха [37], осцилляторное давление в манжете [38], метод Короткова наряду с сейсмокардиографией. Что касается последнего, исследования показали, что морфология вибрационных сердечных колебаний зависит от дыхательного объема [39,40] и методов извлечения фаз дыхания [41,42], напряжения [43] и состояния дыхания, таких как нормальное, затрудненное [44], с одышкой, изменение длительности. Тем не менее, межиндивидуальные морфологические вариации, а также зависимости от многочисленных параметров, включая положение субъекта, все еще осложняют дело [45]. Сейсмокардиография и фонокардиография очень близки [46] и в основном отличаются друг от друга диапазоном частот [47]. Однако применение сигналов фонокардиографии для оценки сигналов дыхания все еще не были предложены. Авторы предполагают, что одна из причин этого — недоступность подходящей стетоскопической системы для долгосрочного мониторинга.

1.2. Область исследования

Наличие убедительных доказательств того, что непрерывный и долговременный мониторинг деятельности сердечно-сосудистой системы и органов дыхания способствует улучшению клинического исхода [48], оптимизации оценки успешности терапии [49] и эффективной оценке расстройств дыхания во время сна [50], позволяет говорить о необходимости смены парадигмы. Однозадачные системы сбора данных, подобные портативным регистраторам ЭКГ, способны предоставлять жизненно важную информацию. Однако портативные средства контроля способны дать и более ощутимые преимущества за счет сочетания многозадачности и незаметности прибора. Недавно мы представили портативный многозадачный накладной цифровой стетоскоп, показанный на Рис. 1 (все рисунки в приложении pdf). В состав системы входят: ЭКГ с одним отведением и импедансный пневмограф с расстоянием между электродами 55 мм, девятиосевые датчики позиционирования по магнитному полю, угловой скорости и силе тяжести (MARG), цифровой стетоскоп и система записи звукового окружения; общие габариты устройства составляют 60 мм × 70 мм × 6 мм [51]. В существующей версии система использует тонкую литий-полимерную батарею емкостью 450 мА·ч, обеспечивающей работу прибора в течение более чем 10 часов несмотря на то, что оптимизация энергопотребления прибора пока не проводилась.

В данной работе мы представляем три различных варианта применения этого новейшего портативного прибора для мониторинга работы сердечно-сосудистой системы и органов дыхания с использованием подсистем ЭКГ и цифрового стетоскопа. Начнем с оценки показателей работы путем реконструкции стандартных отведений Эйнтховена по показаниям одного короткого отведения (55 мм), реализованного в накладном приборе. На основании реконструкции стандартных отведений ЭКГ мы классифицируем контрольные точки ЭКГ и пики тонов S1 и S2 ФКГ в сигнале стетоскопа. Эта информация используется для расчета фазы предызгнания и периода изгнания левого желудочка. Наконец, производится оценка сигналов и показателей деятельности органов дыхания с использованием методик оценки на основе ЭКГ в сочетании с новой методикой фонокардиографической оценки деятельности органов дыхания (PDR). На Рис. 2 (все рисунки в приложении pdf) представлена упрощенная схема обработки результатов. Для оценки методов мы используем две коммерческие эталонные системы (SOMNOmedics SOMNO HDTM и Osypka ICON-CoreTM), снимающие контрольные сигналы ЭКГ, показания фазы предызгнания (PEP), периода изгнания левого желудочка (LVET) и потока воздуха при дыхании в ходе исследования, охватывавшего 10 здоровых испытуемых с проведением измерений в течение 33 минут для каждого при различных положениях тела. Мы стремимся ускорить разработку по-настоящему многозадачного портативного прибора для сбора и обработки биологических сигналов в рамках целостной концепции долгосрочного мониторинга.

2. Материалы и методы

2.1. Сбор данных

Данные, использованные в данной работе, были получены с помощью описанного выше беспроводного многозадачного накладного стетоскопа, представленного на Рис. 1 (все рисунки в приложении pdf). Из датчиков, предусмотренных в приборе, для выполнения измерений, представленных в данной работе, мы использовали ЭКГ (1 кГц, 24 бита) и цифровой стетоскоп (10 кГц, 32 бита). Для регистрации биоимпедансного сигнала (200 Гц) и ЭКГ, соответствующей II отведению Эйнтховена (200 Гц), а также для измерения эталонных интервалов между сердечными сокращениями для PEP и LVET (разрешающая способность 5 мс) использовался монитор ICON-CoreTM компании Osypka Medical GmbH. Монитор ICON-Core рассчитывает PEP как время между зубцом Q на ЭКГ и точкой B на сигнале ИКГ. Продолжительность LVET рассчитывается как время между точками B и X на ИКГ. На Рис. 3a (все рисунки в приложении pdf) визуально представлены определения PEP и LVET, использованные в данной работе. Для контрольного измерения потока воздуха (512 Гц) с помощью пневмотахометра и маски, а также для снятия второй ЭКГ, соответствующей I отведению Эйнтховена (1024 Гц) применялся полисомнограф SOMNO HDTM компании SOMNOmedics GmbH. Накладной прибор был установлен под углом 45° между первым и вторым межреберьями на правой среднеключичной линии. Четыре электрода монитора ICON-Core были закреплены на грудине на уровне первого и второго межреберий, а также на уровне пятого и шестого межреберий на левой подмышечной линии. Электроды ЭКГ полисомнографа SOMNO HD были размещены соответственно I отведению Эйнтховена, а лицевая маска была закреплена соответствующей эластичной лентой. На Рис. 3b (все рисунки в приложении pdf) показано расположение датчиков. Исследование, проводившееся на 10 испытуемых (26 лет ± 2 года, 2 женщины), было одобрено комиссией по этике факультета психологии и эргономики Технического университета Берлина с присвоением номера KL_01_20180117. Каждому из испытуемых с помощью специально разработанного приложения было дано указание дышать, выдерживая последовательности общей продолжительностью 11 минут с различными сочетаниями частоты дыхания (8, 16, 24 вдохов в минуту), глубины дыхания (поверхностное, нормальное) и имитацией остановки дыхания продолжительностью 30 секунд (задержка дыхания). Данная последовательность регистрировалась в положении лежа на спине, лежа на боку и лежа на животе, что дало в сумме 33 минуты данных по каждому испытуемому.

2.2. Модели регрессии и перекрестная проверка

В своей работе мы использовали три класса моделей для регрессионного анализа: полиномы вплоть до третьей степени, многослойные перцептроны с двумя-тремя скрытыми слоями, от двух до пятнадцати нейронов в каждом, и нейронные сети с временной задержкой (TDNN) с конфигурацией слоев, аналогичной многослойным перцептронам, и линиями задержки ввода с задержками от 1 до 1 – 200 тактов. Для решения задач полиномиальной регрессии с несколькими переменными применялась множественная линейная регрессия с полиномиальными моделями без перекрестных членов:

equation.pdf где xkm K независимые переменные в степени от единицы до степени полинома M, а a0 – константа. На Рис. 4 представлены конфигурации моделей нейронной сети, которые могут быть легко расширены для решения задач полиноминальной регрессии с несколькими переменными.

Перед началом обучения, наблюдения при обучении и тестировании целевые данные были нормированы к нулевому среднему и единичной дисперсии. Среднее и дисперсия целевых данных обучения были сохранены вместе с обученной моделью в качестве оценки целевого распределения. На этапе тестирования оценочные целевые данные были денормированы на основании распределения, оцененного на этапе обучения.

Все приведенные в отчете показатели регрессии были получены с использованием перекрестной проверки методом прямой цепочки с кратностью nCV. На Рис. 5 показан пример для nCV = 3. Данные были разделены на nCV + 1 непрерывных участка без рандомизации. На первом этапе проверки первый участок использовался для обучения, а второй – для тестирования. На следующем этапе проверки данные для обучения включали в себя все данные, использованные ранее для обучения и тестирования, т.е. Участки 1 и 2. Набор данных для тестирования состоял из следующего (третьего) участка. Данная схема повторялась до полного использования всех данных. Были определены среднее и стандартное отклонение в распределении показателей.

2.3. Система показателей работы

В своей работе мы использовали несколько показателей, характеризующих соответствие расчетных значений (Est) эталонным (Ref). Систематическая ошибка (или погрешность) была характеризована как средняя погрешность:

equation.pdf

в то время как абсолютная погрешность по средней абсолютной погрешности:

equation.pdf

Для получения измерений, в меньшей степени зависящих от популяции, мы предусмотрели два относительных процентных показателя, выбранных с учетом типа данных. Для строго ненулевых показателей мы использовали среднюю абсолютную погрешность в процентном выражении:

equation.pdf

Для данных, включающих значения, равные или близкие к нулю, такие как показания ЭКГ или параметров дыхания, применялась нормированная среднеквадратическая погрешность:

equation.pdf

для исключения сингулярности. Для оценки корреляции мы использовали линейный коэффициент корреляции r Пирсона. Выбор модели выполнялся на основе байесовского информационного критерия (BIC):

equation.pdfгде SSE – сумма квадратичных погрешностей, N – число наблюдений, а K – порядок модели.

2.4. Оценка отведений Эйнтховена

Перед оценкой отведений ЭКГ с использованием показаний накладного прибора, все три сигнала ЭКГ были подвергнуты повторной дискретизации на частоту 200 Гц и низкочастотной фильтрации с угловой частотой 75 Гц с использованием КИХ-фильтра с кратностью 400. Исходные линии были убраны вычитанием сигналов 0,5 Гц, отфильтрованных по скользящему среднему. Наконец, для устранения помех от силовых линий был использован узкополосный фильтр 50 Гц с коэффициентом качества q = 10.

На основании трех моделей и схем перекрестной проверки, описанных выше, сигналы ЭКГ от накладного прибора были приведены к показаниям ЭКГ SOMNO HD для оценки I отведения Эйнтховена и показаниям ЭКГ ICON-Core для оценки II отведения Эйнтховена. Модели уточнялись для каждого испытуемого и каждого положения в отдельности, и выбор параметров модели определялся по минимальному BIC данных проверки, определенному в соответствии с формулой (6).

2.5. Оценка PEP и LVET

Перед оценкой PEP и LVET на основании сигналов ЭКГ и стетоскопа накладного прибора, сигналы ЭКГ накладного прибора были обработаны, как описано в Разделе 2.4. Сигналы стетоскопа подверглись полосовой фильтрации с угловыми частотами 5 Гц и 250 Гц с использованием КИХ-фильтра с кратностью 400 и повторной дискретизации на частоту 5 кГц.

Учитывая определение PEP, нестандартное отведение ЭКГ, зарегистрированное накладным прибором, оказалось недостаточным для его оценки, поэтому оно было преобразовано во II отведение Эйнтховена с использованием модели, полученной, как описано в Разделе 2.4. Зубец R ЭКГ был определен с использованием алгоритма Пана – Томпкинса [52]. На основе R-зубца были определены P, Q, S и T с использованием последовательного оконного метода на основе правил и определения локальных максимумов и минимумов. Начало, окончание и пик S1 и S2 по сигналам ФКГ стетоскопа определялись с использованием модифицированного метода эмпирической трансформации импульсов и метода на основе мгновенных фаз, предложенного Varghees et al. [53], в сочетании с классификацией пиков ФКГ на основе данных ЭКГ. Ввиду особенностей размещения накладного прибора, звуковые сигналы отличались от стандартной аускультации сердца и содержали звуковые помехи от дыхания. На Рис. 6 представлена структура данной процедуры.

В исходном алгоритме мы изменили фазу пороговой фильтрации, использовав вместо первоначального фиксированного порога, зависимого от сигнала, динамический порог, рассчитываемый для окон продолжительностью 10 секунд на основе стандартного отклонения. Чтобы повысить надежность выявление пиков ФКГ в условиях присутствия шумов, после выявления по необработанным данным, описанного Varghees et al., было выполнено несколько этапов обработки сигнала вместо метода классификации S1 и S2, использованного в исходном алгоритме. Сначала выявленные потенциальные пики были проанализированы на предмет полноты. Для каждого потенциального пика требовалось определить начало, локальный максимум и окончание. При отсутствии одного или более элементов потенциальный пик отбрасывался. Там, где были определены потенциальные S1 и S2, на основании ЭКГ и текущей частоты сердечного ритма определялось окно от каждого зубца R до 75% текущего цикла сердечных сокращений. Если в указанном окне было выявлено два потенциальных пика, пик, находившийся ближе к зубцу R, определялся как S1, а второй – как S2. Если было выявлено менее двух пиков, этот пик исключался. При выявлении в окне более чем двух потенциальных пиков, пик, ближайший к зубцу R, определялся как S1, а пик, ближайший к зубцу T, определялся как S2. После выявления и классификации пиков на основании данных ЭКГ и стетоскопа выполнялись расчеты PEP:

equation.pdf

и LVET:

equation.pdf

где tS1peak (n), tQ(n) и tS2peak (n) – векторы, указывающие временное положение (в секундах) соответствующих элементов каждого сердечного сокращения n. S1peak и S2peak – пики тонов сердца S1 и S2, соответственно, а Q – зубец Q комплекса QRS на ЭКГ.

2.6. Параметры дыхания, определяемые на основе электрокардиограммы и фонокардиограммы

Параметры дыхания определялись косвенным путем по данным ЭКГ с использованием алгоритма расчета параметров дыхания по данным ЭКГ на вдохе (EDR) и по данным ФКГ с использованием предложенного нового метода расчета параметров дыхания по данным ФКГ на вдохе (PDR). Мы использовали полученные сигналы ЭКГ и ФКГ, а также описанные выше контрольные точки. В Таблице 1 приведены общие сведения о двенадцати использованных параметрах.

Таблица 1. Параметры дыхания, определенные косвенным путем по данным ЭКГ и ФКГ.

Класс параметра

Источник сигнала

Обозначение параметра

Описание

Время

ЭКГ

HR

Частота сердечных сокращений (HR)

Время

ФКГ

LVET

Период изгнания левого желудочка

Время

ЭКГ, ФКГ

PEP

Фаза предизгнания

Зона

ЭКГ

QRSarea

Зона комплекса QRS

Зона

ФКГ

S1area

Зона S1

Зона

ФКГ

S2area

Зона S2

Амплитуда

ЭКГ

QRSamp

Амплитуда комплекса QRS

Амплитуда

ФКГ

S1amp

Амплитуда S1

Амплитуда

ФКГ

S2amp

Амплитуда S2

Морфология

ЭКГ

QRSPCA

Морфологические вариации комплекса QRS

Морфология

ФКГ

S1PCA

Морфологические вариации пика S1

Морфология

ФКГ

S2PCA

Морфологические вариации пика S2

Параметры, определяемые методами EDR и PDR, можно разделить на четыре класса: временные (HR, LVET, PEP), зональные (QRSarea, S1area, S2area), амплитудные (QRSamp, S1amp, S2amp) и морфологические (QRSPCA, S1PCA, S2PCA). Определения PEP и LVET приведены в Формулах (7) и (8). Частота сердечных сокращений (ЧСС) в ударах в минуту для текущего сокращения n рассчитывалась по расположению зубцов R на ЭКГ следующим образом:

equation.pdfгде tR(n) – время зубца R в сердечном сокращении n в секундах. Зональные параметры рассчитывались для окон длиной 2 ∗ QRSwind, 2 ∗ S1wind и 2 ∗ S2wind для зубцов ЭКГ и пиков S1 и S2, соответственно. Заданная длина окна QRS составляла 250 мс. Длины окон S1 и S2 были равны средней длине сегментов S1 и S2 для каждого из испытуемых. Зона между сердечными сокращениями рассчитывалась следующим образом:

equation.pdf

equation.pdf

и

equation.pdf

Параметры амплитуды ФКГ S1amp и S2amp были рассчитаны как разность между максимумом и минимумом в течение окна соответствующего пика. Амплитуда ЭКГ QRSamp была определена как амплитуда между зубцами R и S.

Для определения морфологических параметров выполнялся расчет линейных главных компонентов по ранее определенным окнам соответствующих сигналов. Для ЭКГ собственный вектор с наибольшим собственным значением хорошо соответствует параметрам дыхания и поэтому может быть использован для определения морфологических параметров [54]. Кроме комплекса QRS, мы применили этот метод также и для пиков S1 и S2.

Определенные таким образом двенадцать векторов параметров кардиоинтервалов были обработаны для увеличения разрешения до 20 Гц методом линейной интерполяции. Первая производная обработанного сигнала была пропущена через низкочастотный фильтр с использованием нуль-фазового КИХ-фильтра с кратностью 200 при угловой частоте 1 Гц. Исходная линия 0,05 Гц была удалена. На Рис. 7 в общих чертах представлены этапы обработки.

Полученные двенадцать векторов показателей EDR и PDR были обработаны в гнездовой модели перекрестной проверки и системе отбора параметров, сходной с рассматриваемой в [55]. С помощью моделей, представленных в Разделе 2.2, методом прямого переноса были отобраны необходимые показатели. Для каждого сочетания модели и показателя рассчитывались перекрестно подтвержденные характеристики расчетного сигнала скорости потока Fˆ и частоты дыхания RRˆ относительно эталонных показателей скорости потока F и частоты дыхания по данным SOMNO HD. С учетом линейной корреляции между F и Fˆ и погрешности расчета частоты дыхания были определены оптимальные сочетания модели и показателей. Частота дыхания рассчитывалась по окнам продолжительностью 30 секунд с перекрытием 50% с использованием максимального БПФ между 4 и 40 вдохами в минуту.

3. Результаты исследования

3.1. Снятие ЭКГ в отведениях Эйнтховена

Результаты этапа выбора модели для снятия ЭКГ в отведениях Эйнтховена изображены на рисунках 8а–с. Так как обе полиномиальные модели, так же, как и многослойные перцептроны (MLP), сработали значительно хуже, чем нейронные сети с временной задержкой (TDNN), показаны только избранные результаты работы TDNN. Оптимальной полиномиальной моделью оказалась модель с полиномом 9 степени. Оптимальной MLP-моделью оказался трехслойный перцептрон с 12 нейронами на каждом слое. На рисунке (а) пунктирные линии обозначают модели с одинаковыми параметрами лага. Очевидно, что увеличение максимального значения лага существенно снижает значение байесовского критерия (BIC). Увеличение сложности модели в скрытых слоях при сохранении постоянного значения лага оказало меньшее влияние на значение BIC.

На рисунке (с) приводится среднее значение BIC в зависимости от максимального значения лага модели. Очевидно, что наиболее оптимальным является значение лага от 70 до 80.

На рисунке (b) приведены самые низкие точки кривых BIC. Исходя из данного критерия, TDNN с тремя скрытыми слоями и девятью нейронами на каждом с линией задержки со значением лага от нуля до 80 оказалась оптимальной моделью и поэтому была выбрана для последующего анализа ЭКГ.

Средние показатели ЭКГ по всем испытуемым и положениям тела для оптимальной модели в каждом из трех классов моделей приведены в таблице 2. В целом, MLP-модели совсем незначительно увеличили показатели по сравнению с полиномиальными моделями. Однако при использовании различных TDNN показатели значительно возросли.

При использовании оптимальной модели TDNN ЭКГ, снятая в отведении II Эйнтховена, показала линейную корреляцию 0,99 и относительную ошибку 5,5%. Немного более низкое значение корреляции определяется в отведении I — линейная корреляция 0,97 и относительная ошибка 1,6%. Существенных различий между показателями, снятыми в положениях лежа на спине, на боку и на животе не наблюдалось.

Таблица 2. Показатели ЭКГ, снятой в отведениях I и II Эйнтховена с помощью ЭКГ-патча, для оптимальных полиномиальных моделей, MLP-моделей и TDNN-моделей.

Отведения

Модель

ME, мкВ

MAE, мкВ

r

NMSE%

Отведения I Эйнтховена

Полиномиальная модель

0,00 ± 0,58

30,6 ± 10,7

0,67 ± 0,18

52 ± 24

Отведения I Эйнтховена

MLP-модель

0,09 ± 0,09

29,5 ± 10,4

0,69 ± 0,17

50 ± 22

Отведения I Эйнтховена

TDNN-модель

0,11 ± 0,51

9,60 ± 3,10

0,97 ± 0,04

5,5 ± 7,0

Отведения II Эйнтховена

Полиномиальная модель

0,20 ± 2,70

114 ± 49,5

0,75 ± 0,15

42 ± 21

Отведения II Эйнтховена

MLP-модель

0,28 ± 3,5

110 ± 37

0,77 ± 0,14

40 ± 20

Отведения II Эйнтховена

TDNN-модель

0,70 ± 1,20

23,80 ± 5,7

0,99 ± 0,00

1,6 ± 0,6

ME — средняя ошибка

MAE — средняя абсолютная ошибка

На рисунках 9 и 10 изображены фрагменты ЭКГ, снятых у двух разных испытуемых в положении лежа на спине в одно и то же время в рамках протокола измерения. На рисунке (а) изображены результаты, полученные при помощи 55-миллиметрового ЭКГ-патча; на рисунках (b) и (с) показаны референсные значения ЭКГ в отведениях Эйнтховена и снятые показатели ЭКГ. Показатели в отведениях Эйнтховена у двух испытуемых были довольно схожи, при этом показатели в отведениях ЭКГ-патча значительно отличались.

В ходе нашего исследования мы наблюдали высокую вариативность морфологии отведений ЭКГ-патча между испытуемыми. Несмотря на такую вариативность, ЭКГ в отведениях Эйнтховена всегда могла быть снята с учетом заданных показателей.

3.2. Оценка периода предизгнания крови (PEP) и длительности изгнания крови из левого желудочка (LVET)

На рисунке 11 в качестве примера показана выдержка сигнала ЭКГ и фонокардиографии (PCG) с обнаруженными опорными точками в смоделированной фазе апноэ. Благодаря высокому качеству сигнала пики ЭКГ хорошо определялись по всему спектру сигналов. В фонокардиографии последовательно определялись начала и пики и для S1 и для S2. Продолжительность пиков S1 и S2 как правило оказывалась слегка заниженной из-за относительно раннего обнаружения конца сигналов S1 и S2. В сценариях с низким качеством сигнала, особенно на более глубоких фазах дыхания, эффективность обнаружения пика PCG снижалась из-за дополнительного шума, возникающего звуками легких. Наиболее распространенная проблема заключалась в обнаружении ложных пиков, которые уменьшались за счет дополнительной информации ЭКГ на этапе классификации. В 85.8% из всех данных стетоскопа два пика PCG были обнаружены с использованием предложенного комбинированного подхода обнаружения пиков ЭКГ и ФКГ . Наилучшие результаты 89.8% были получены в положении лежа на боку, затем 81.9% в положении лежа на спине. В положении лежа на животе 75.8% данных подходили для обнаружения пика PCG.

В таблице 3 приведены оценки периода предизгнания PEP и длительности изгнания крови из левого желудочка LVET для позиции лежа на боку, поскольку они напоминают типичное позиционирование при эхокардиографии, в котором проводились публикуемые работы. В этой позиции PEP оценивался с ошибкой 16.1%. Относительная оценка ошибки LVET составляла 7.0%. Однако для долгосрочных амбулаторных оценок также представляли интерес и другие позиции. Мы обнаружили, что результаты оценок LVET и PEP отличались в разных позициях. По всем позициям и предметам PEP оценивался с ME = 0.4 ms и MAE =25.1 ms, что означало относительную ошибку 21.3%. LVET оценивался с ME = −3.6 ms и MAE = 30.5 ms, что означало относительную ошибку 10.0%.

Таблица 3. Результаты оценки PEP и LVET для аускультации области аортального клапана и сигналов ЭКГ в положении лежа на боку.

Положение STI

MEms

MAEms

MAPE%

На боку

PEP

6.18 ± 24.36

17.61 ± 17.92

16.06 ± 16.16

LVET

3.55 32.07

21.81 23.78

7.01 7.64

На рисунке 12 показаны графики Бленда-Альтмана оценок STI (Систолических временных интервалов) для PEP (a) и LVET (b). Среднее контрольное значение PEP составило 111.4 ms, а среднее контрольное значение LVET было 303.4 ms. Видимое квантование стало результатом 5 ms разрешения эталонных значений PEP и LVET от ICON-Core. График PEP показывает серию положительных выбросов выше 150 ms, тогда как на графике LVET выбросы чаще отрицательные и расположены ниже 275 ms. В противном случае в ошибке не наблюдалось сильной тенденции.

3.3. Частота дыхания, полученная из электрокардиограммы и фонокардиограммы

Была выбрана оптимизация выбора модели и параметры на основе корреляции оцененного сигнала от потока rflow, нейронной сети с временной задержкой TDNN с двумя скрытыми слоями по два нейрона в каждом, и вектора задержки с отводами от нуля до девяти. Из двенадцати доступных параметров EDR и PDR, были выбраны HR, QRSarea, S1PCA, и QRSamp. Оптимизация минимальной MAE оценки частоты дыхания MAEbpm, двухслойной TDNN с четырьмя нейтронами в каждом и линия с отводами с задержками от нуля до 14 показали лучшие результаты, и были выбраны параметры HR, QRSamp, S1amp, LVET, и QRSPCA. В таблицах 4 и 5 приведены характеристики дыхательного сигнала и оценки частоты дыхания относительно эталона потока. Данные показаны для двух критериев оптимизации и отдельно для всех положений пациентов с удаленными выбросами. Точка данных считалась выбросом, если ее расстояние до медианы превышало три шкалированных абсолютных медианных отклонений.

Таблица 4. Характеристики оценок дыхательного сигнала и частоты дыхания в отдельных положениях для оптимизации выбора максимального значения r потока. Приведен процент удаленных выбросов.

Положение

r потока

MEbpm

MAEbpm

rRR

MAPE%

Выбросы%

На спине

0.75 ± 0.09

0.01 ± 0.23

0.18 ± 0.15

0.91 ± 0.07

1.46± 1.43

9.60

на боку

0.66 ± 0.11

-0.05 ± 0.30

0.23 ± 0.20

0.85 ±0.03

1.89 ± 1.93

15.34

на животе

0.51 ± 0.10

0.04 ± 0.50

0.35 ± 0.36

0.76 ±0.11

3.30 ± 3.91

22.73

все

0.66 0.14

0.03 0.29

0.22 0.19

0.85 0.09

1.86 1.95

16.60

Таблица 5. Характеристики оценок дыхательного сигнала и частоты дыхания в отдельных положениях для оптимизации выбора минимального значения MAEbpm. Приведен процент удаленных выбросов.

Положение

r потока

MEbpm

MAEbpm

rRR

MAPE%

Выбросы%

на спине

0,71 ± 0,10

0.01 ± 0.26

0.20 ± 0.16

0.92 ± 0.06

1.64 ± 1.57

9. 6 0

на боку

0.62 ± 0.13 —

0.05 ± 0.29

0.21 ± 0.20

0.87 ± 0.06

1.83 ± 1.96

14.20

на животе

0.48 ± 0.11

0,00 ± 0.45

0.34 ± 0.29

0.79 ± 0.05

3.14 ± 3.21

20.45

все

0.62 ± 0.14

-0.02 ± 0.33

0.25 ± 0.22

0.87 ± 0.08

2.13 ± 2.25

12.06

В обоих сценариях оптимизации погрешность оценки частоты дыхания (RR) была близка к нулю. Ошибка оценки частоты дыхания (RR) была немного ниже для соответствующего оптимизированного выбора характеристик. Корреляция сигнала потока была выше для для корреляции оптимизированного набора характеристик. Понятным и оптимальным результатом оказалось определение зависящей от положения пациента эффективности оценок всех параметров в положении лежа на спине, за которым следовали положения на боку и на животе. Относительная ошибка увеличилась более чем в два раза между положениями на спине и на животе, а корреляция потока уменьшилась от 0.75 до 0.51. Кроме того, количество выбросов сильно зависело от положения обследуемых. Опять же, в положении лежа на спине были обнаружены наименьшее количество выбросов. Без удаления выброса средняя эффективность по всем положениям для оценки RR была ME = −0.40 ± 3.57 bpm, MAE = 1.20 ± 3.38 bpm, rRR = 0.87 ± 0.08, и MAPE = 8.15 ± 23.55%. Наиболее эффективной отдельной характеристикой без удаления выброса была HR с корреляцией потока 0.55 ± 0.10, RR ME = −0.45 ± 1.62 bpm, RR MAE =1.88 ± 1.16 bpm, RR MAPE = 13.21 ± 27.4%, и корреляцией RR = 0.82 ± 0.14.

На рисунке 13a, b показаны графики Бленда-Альтмана оценок частоты дыхания, включая все позиции для двух целей оптимизации и без удаления выбросов. Стали очевидными три разных частоты дыхания протокола исследования. Более низкие и более высокие частоты дыхания были более похожи на выбросы, в то время как прямой зависимости ошибки от частоты дыхания обнаружено не было.

На рисунке 14 приведен пример эталонного и расчетного потока воздуха при дыхании в двух разных фазах дыхания. Расчетный сигнал дыхания следовал за изменением частоты и также адаптировался к изменяющейся глубине дыхания во времени. Более детальное переходное поведение было замечено менее эффективно из-за природы интервала между сердечными сокращениями фоновой характеристики

4. Выводы

Оценка отведений ЭКГ в Эйнтховене I и II от одного 55-миллиметрового ЭКГ- Пластыря дала ошибки ниже 6% с коэффициентами корреляции выше 0,97. Такой результат подтвердил предположение касаемо Эйнтховена I и II, сделанное Ли и другими, что система патчей для ЭКГ такого размера может быть использована для оценки стандартных отведений ЭКГ [20]. Было введено важное дополнительное ограничение при использовании в нашей работе только одного отведения вместо нескольких, что позволило еще больше упростить систему. Тем не менее, в наших исследованиях линейные и MLP-модели работали аналогично друг другу и не достигли производительности, о которой сообщили Ли и другие. Благодаря внедрению нейронных сетей с временной задержкой (TDNNs) были достигнуты аналогичные значения производительности. Мы полагаем, что, при использовании нескольких отведений, ориентированных по-разному на поверхности тела в своих регрессионных моделях, Ли и другие добавили дополнительную информацию, которая не была доступна в нашем подходе с одним отведением. Однако, мы можем сообщить, что для Эйнтховена I и II эта недостающая информация может быть получена при использовании одного отведения, что устраняет необходимость в дополнительных отведениях. При анализе данных пациента была обнаружена большая морфологическая вариабельность показателей минимального отведения ЭКГ , даже при том, что патч-система использовалась с огромной осторожностью в одном и том же положении для каждого пациента. Поэтому мы должны исходить из того, что лучше всего изучать регрессионные модели в каждом конкретном случае и, следовательно, рекомендуем индивидуальный подход. Будущие исследования могут помочь в анализе поиска моделей, способных обобщать данные по каждому отдельному случаю или когортам.

Оценка PEP и LVET на основе результатов портативного стетоскопа и трансформированной ЭКГ дала ошибки 10% для LVET и 21% для PEP во всех случаях. При латеральном расположении погрешность составляла 7% и 16% соответственно, что подчеркивает высокую зависимость оценки от расположения. Зарегистрированные положительные PEP и отрицательные выбросы LVET могут объясняться присутствием субоптимального пика S1. Положение пика S1 имело строгую нижнюю границу в его временном положении в пределах сердечного цикла. Его нельзя было наблюдать на ЭКГ до Q-точки. Поэтому при наличии шумов распределение ошибки определения положения пика S1 имело положительное смещение (в сторону повышения). Таким образом, положение пика S1 переоценивают.

Учитывая уравнения (7) и (8), вероятно, что PEP будет демонстрировать более положительные и LVET более отрицательные выбросы. По сравнению с тем же положением и для здоровых пациентов, показатели, о которых сообщают Паива и др., были в том же диапазоне или немного выше [30]. Результаты отличались, скорее всего, из-за автоматизированного процесса определения S1 и S2, точность которого снизилась из-за неоптимального размещения системы стетоскопа для оценки периода систолы из-за шумов в легких.

Паива и др. размещал стетоскоп на левой стернальной границе, расположение нашего патча выбрано для более вариабельного использования и акцентом на использование в амбулаторных условиях, что привело к гораздо большему содержанию шумов в легких и, следовательно, к снижению общего качества сигнала. Стоит отметить, что подобные проблемы размещения предусмотрены в портативных мультимодальных сенсорных устройствах, и поэтому процедура более точно имитирует типичные сценарии использования и характеристики. Дальнейшие исследования могут дополнительно проанализировать результаты оценки, зависящие от позиции пациента, и на основе периода систолы сравнить результаты сейсмокардиограммы и фонокардиограммы.

Частота дыхания оценивалась по алгоритму дыхания на основе ЭКГ и ФКГ со средней ошибкой ниже 0,4 вдохов в минуту и средней абсолютной ошибкой ниже 1,2 вдохов в минуту. Результаты были в пределах диапазона результатов других портативных систем оценки дыхания с использованием ЭКГ и дополнительного датчика, такого как акселерометр[56]. Сигнал потока был оценен с линейной корреляцией 0,66 относительно эталона потока.

Используя первый собственный вектор комплекса QRS, Лангли и др. сообщили о корреляции с сигналом потока 0,58 [54]. Как частота дыхания, так и показатели потока зависели от положения пациента, но все же давали приемлемые результаты во всех трех исследуемых положениях. Стоит отметить, что количество выбросов значительно различалось между тремя позициями субъекта и в основном способствовало незначительным отклонениям в распределении ошибок. По сравнению с единственной функцией ЭКГ, введение дополнительных функций ЭКГ и ФКГ снизило относительную ошибку оценки дыхания с 13% до 8% и увеличило корреляцию потока с 0,55 до 0,66. С абсолютной ошибкой частоты дыхания ниже 1,2 вдохов в минуту, оценка будущих сигналов дыхания, т.е. потока и дыхательного объема, должна быть выделена в будущих исследованиях, чтобы снизить использование масок, ремней и носовых датчиков при измерениях дыхания. Ограничением обсуждаемых результатов является количество испытуемых, участвующих в исследовании. Сила, с другой стороны, заключается в том, что каждый испытуемый был проанализирован в положении лежа на спине, на боку и на животе на протяжении более 11 минут каждый, что дало более 5 часов общих данных и автоматически проанализировано более 20 000 ударов. Из-за различных позиций субъекта, был возможен более подробный анализ вариантов амбулаторного использования. Кроме того, диапазон дыхательных частот и глубин, а также имитация апноэ были частью протокола. Для оценки периода систолы применялись ЭКГ/реокардиография, которые, как известно, менее точны, чем эхокардиография [29], и в представленном случае разрешение составляло всего 5 мс. Несмотря на эти ограничения, данные получены из клинически подтвержденного и одобренного медицинского устройства и поэтому достаточно надежны.

5.Заключение

В данной статье был представлен портативный мультимодальный пластырь-стетоскоп для проведения ЭКГ, оценки фазы предизгнания (ФП), периода изгнания крови из левого желудочка (LVET), частоты дыхания и потока. Было показано, что для всех трех положений можно использовать 55-миллиметровое единственное отведение ЭКГ , интегрированное в систему патч-стетоскопа в положении лежа, набоку и на спине. В случае Эйнтховена I и II, а также частоты дыхания, результаты оценки в хорошей степени соответствовали системам отсчета. Результат оценки PEP и LVET были ниже, но в пределах установленных результатов других исследовательских групп. Немного более низкие показатели были вызваны, скорее всего, неоптимальным размещением стетоскопа для аускультации сердца. С точки зрения обработки сигналов, представленные результаты оставляют место для дальнейшего совершенствования. Тем не менее, клинически корреляции LVET, PEP и дыхательного потока могут считаться очень многообещающими, поскольку хорошие результаты в значительной степени полезны для будущих пациентов из-за неинвазивного и не влияющего на дыхание пациентов положительного компромисса.

За исключением оценки ЭКГ, все параметры показали хорошие зависимые от положения субъекта результаты. Мы выявили сильную морфологическую вариабельность показателей во всех сигналах. Мы пришли к выводу, что оценка параметров ЭКГ, PEP, LVET и дыхательных путей возможна на основе четко локализованных, мультимодальных систем сбора данных, включая ЭКГ и стетоскоп. Тем не менее, пока не появятся результаты дополнительных исследований по общим межпредметным или когортным регрессионным моделям, мы рекомендуем разрабатывать регрессионные модели в данном конкретном случае. Дополнительные исследования должны включать в себя зависимость расположения пациента от качества оценки.

Для оценки долгосрочного применения представленной системы и методов требуется оценка с помощью полной полисомнографии параллельно с нашим патч-устройством. Наконец, для оценки дыхательного аппарата без масок, поясов или назальных сенсоров, следующим логическим шагом после оценки частоты дыхания является оценка дыхательного сигнала, расхода и дыхательного объема. Мы надеемся и далее мотивировать и увеличивать объем разработки действительно мультимодальных систем сбора данных, которые позволили бы применять целостный долгосрочный подход к мониторингу, необходимый для решения сердечно-сосудистых и респираторных проблем в будущем.

Вклад Авторов:

Концепция, M.K.; методология, M.K.; Программное Обеспечение, M.K. и T.S.; валидизация, M.K. и A.F.; формальный анализ, M.K.; испытания, M.K. и T.S.; источники, M.U. и R.O.; курирование данных, M.K.; написание, подготовка оригинала, M.K.; написание и редактура, M.U., T.T., A.-G.P., A.F., T.S., и R.O.; визуализация, M.K.; кураторство, R.O.; администрирование проекта, R.O.

Все авторы ознакомлены и претензий к опубликованной версии не имеют.

Финансирование: На проведение данного исследования дополнительного финансирования не выделялось.

Благодарность: Мы благодарим SOMNOmedics GmbH и Osypka Medical GmbH за предоставление материалов для данного исследования.

Конфликт интересов: Майк Урбан в настоящее время работает в Osypka Medical GmbH. Другие авторы заявляют об отсутствии конфликта интересов.

Сокращения

Аббревиатуры, используемые в данной статье:

  • B2B Интервал между сердечными сокращениями
  • BIC Информационный критерий Байеса
  • bpm Вдохов в минуту
  • CVD Сердечно-сосудистые заболевания
  • ECG Электрокардиограмма
  • EDR ЭКГ на вдохе
  • FFT Быстрое преобразование Фурье
  • ICG Реокардиография
  • ICS Межрёберное пространство
  • LVET Длительность периода изгнания крови из левого желудочка
  • MDPI Multidisciplinary Digital Publishing Institute
  • MAE средняя абсолютная ошибка
  • MAPE средняя абсолютная ошибка в %
  • MARG Магнитная, угловая величины и гравитация
  • ME Средняя ошибка
  • MERS Ближневосточный респираторный синдром
  • MLP Многослойный перцептрон
  • NMSE Приведенная среднеквадратичная ошибка
  • PCA Метод главных компонентов
  • PCB Плата печатной схемы
  • PCG Фонокардиограмма
  • PDR ФКГ на вдохе
  • PEP Фаза предизгнания
  • PPG Фотоплетизмограмма
  • RR Частота дыхания
  • SARS Тяжелый острый респираторный синдром
  • SCG Сейсмокардиограмма
  • SSE Сумма среднеквадратичных ошибок
  • STI Период систолы
  • TDNN Нейронная сеть с временной задержкой

Ссылки

  1. World Health Organization. Global Health Estimates 2016: Deaths by Cause, Age, Sex, by Country and by Region, 2000–2016; World Health Organization: Geneva, Switzerland, 2018.
  2. Marin, J.M.; Agusti, A.; Villar, I.; Forner, M.; Nieto, D.; Carrizo, S.J.; Barbé, F.; Vicente, E.; Wei, Y.; Nieto, F.J.; et al. Association between treated and untreated obstructive sleep apnea and risk of hypertension. JAMA 2012, 307, 2169–2176. [CrossRef] [PubMed]
  3. Cadby, G.; McArdle, N.; Briffa, T.; Hillman, D.R.; Simpson, L.; Knuiman, M.; Hung, J. Severity of OSA is an independent predictor of incident atrial fibrillation hospitalization in a large sleep-clinic cohort. Chest 2015, 148, 945–952. [CrossRef] [PubMed]
  4. Benjafield, A.V.; Ayas, N.T.; Eastwood, P.R.; Heinzer, R.; Ip, M.S.; Morrell, M.J.; Nunez, C.M.; Patel, S.R.; Penzel, T.; Pépin, J.L.; et al. Estimation of the global prevalence and burden of obstructive sleep apnoea: A literature based analysis. Lancet Respir. Med. 2019, 7, 687–698. [CrossRef]
  5. Broens, S.J.; He, X.; Evley, R.; Olofsen, E.; Niesters, M.; Mahajan, R.P.; Dahan, A.; van Velzen, M. Frequent respiratory events in postoperative patients aged 60 years and above. Ther. Clin. Risk Manag. 2017, 13, 1091. [CrossRef]
  6. Sun, Z.; Sessler, D.I.; Dalton, J.E.; Devereaux, P.; Shahinyan, A.; Naylor, A.J.; Hutcherson, M.T.; Finnegan, P.S.; Tandon, V.; Darvish-Kazem, S.; et al. Postoperative hypoxemia is common and persistent: A prospective blinded observational study. Anesth. Analg. 2015, 121, 709. [CrossRef]
  7. Fernandez-Bustamante, A.; Frendl, G.; Sprung, J.; Kor, D.J.; Subramaniam, B.; Ruiz, R.M.; Lee, J.W.; Henderson, W.G.; Moss, A.; Mehdiratta, N.; et al. Postoperative pulmonary complications, early mortality, and hospital stay following noncardiothoracic surgery: A multicenter study by the perioperative research network investigators. JAMA Surg. 2017, 152, 157–166. [CrossRef]
  8. World Health Organization. Coronavirus Disease 2019 (COVID-19): Situation Report, 51; World Health Organization: Geneva, Switzerland, 2020.
  9. Bai, L.; Yang, D.; Wang, X.; Tong, L.; Zhu, X.; Bai, C.; Powell, C.A. Chinese experts’ consensus on the Internet of Things-aided diagnosis and treatment of coronavirus disease 2019. Clin. eHealth 2020,3, 7–15. [CrossRef]
  10. Majumder, S.; Mondal, T.; Deen, M.J. Wearable sensors for remote health monitoring. Sensors 2017, 17, 130. [CrossRef]
  11. Dias, D.; Paulo Silva Cunha, J. Wearable health devices—vital sign monitoring, systems and technologies. Sensors 2018, 18, 2414. [CrossRef]
  12. Zeng,W.; Shu, L.; Li, Q.; Chen, S.;Wang, F.; Tao, X.M. Fiber based wearable electronics: A review of materials, fabrication, devices, and applications. Adv. Mater. 2014, 26, 5310–5336. [CrossRef]
  13. Khan, Y.; Ostfeld, A.E.; Lochner, C.M.; Pierre, A.; Arias, A.C. Monitoring of vital signs with flexible and wearable medical devices. Adv. Mater. 2016, 28, 4373–4395. [CrossRef] [PubMed]
  14. Harmon, K.G.; Zigman, M.; Drezner, J.A. The effectiveness of screening history, physical exam, and ECG to detect potentially lethal cardiac disorders in athletes: A systematic review/meta-analysis. J. Electrocardiol. 201548, 329–338. [CrossRef] [PubMed]
  15. Greenland, P.; Alpert, J.S.; Beller, G.A.; Benjamin, E.J.; Budoff, M.J.; Fayad, Z.A.; Foster, E.; Hlatky, M.A.; Hodgson, J.M.; Kushner, F.G.; et al. 2010 ACCF/AHA guideline for assessment of cardiovascular risk in asymptomatic adults: A report of the American College of Cardiology Foundation/American Heart Association task force on practice guidelines developed in collaboration with the American Society of Echocardiography, American Society of Nuclear Cardiology, Society of Atherosclerosis Imaging and Prevention, Society for Cardiovascular Angiography and Interventions, Society of Cardiovascular Computed Tomography, and Society for Cardiovascular Magnetic Resonance. J. Am. Coll. Cardiol. 2010, 56, e50–e103. [PubMed]
  16. Amsterdam, E.A.; Kirk, J.D.; Bluemke, D.A.; Diercks, D.; Farkouh, M.E.; Garvey, J.L.; Kontos, M.C.; McCord, J.; Miller, T.D.; Morise, A.; et al. Testing of Low-Risk Patients Presenting to the Emergency Department With Chest Pain. Circulation 2010, 122, 1756–1776. [CrossRef]
  17. Calkins, H.; Hindricks, G.; Cappato, R.; Kim, Y.H.; Saad, E.B.; Aguinaga, L.; Akar, J.G.; Badhwar, V.; Brugada, J.; Camm, J.; et al. 2017 HRS/EHRA/ECAS/APHRS/SOLAECE expert consensus statement on catheter and surgical ablation of atrial fibrillation. EP Eur. 2017, 20, e1–e160. [CrossRef]
  18. Tomaši´c, I.; Trobec, R. Electrocardiographic systems with reduced numbers of Leads—synthesis of the 12-lead ECG. IEEE Rev. Biomed. Eng. 2013, 7, 126–142. [CrossRef]
  19. Hansen, I.H.; Hoppe, K.; Gjerde, A.; Kanters, J.K.; Sorensen, H.B. Comparing twelve-lead electrocardiography with close-to-heart patch based electrocardiography. In Proceedings of the 2015 37th Annual International Conference of the IEEE Engineering inMedicine and Biology Society (EMBC),Milan, Italy, 25–29 August 2015; pp. 330–333.
  20. Lee, H.J.; Lee, D.S.; Kwon, H.B.; Kim, D.Y.; Park, K.S. Reconstruction of 12-lead ECG Using a Single-patch Device. Methods Inf. Med. 2017, 56, 319–327. [CrossRef]
  21.  Tomasic, I.; Rashkovska, A.; Trobec, R.; Lindén, M. The Implications of the Lead Theory on the Patch ECG Devices Positioning and Measurement. In World Congress on Medical Physics and Biomedical Engineering 2018; Springer: Singapore, 2019; pp. 693–696.
  22. Reed, T.R.; Reed, N.E.; Fritzson, P. Heart sound analysis for symptom detection and computer-aided diagnosis. Simul. Model. Pract. Theory 2004, 12, 129–146. [CrossRef]
  23. Gavrovska, A.; Zaji´c, G.; Reljin, I.; Reljin, B. Classification of prolapsed mitral valve versus healthy heart from phonocardiograms by multifractal analysis. Comput. Math. Methods Med. 2013, 2013, 376152. [CrossRef]
  24. Potes, C.; Parvaneh, S.; Rahman, A.; Conroy, B. Ensemble of feature based and deep learning based classifiers for detection of abnormal heart sounds. In Proceedings of the 2016 Computing in Cardiology Conference (CinC), Vancouver, BC, Canada, 11–14 September 2016; pp. 621–624.
  25. Pinto, C.; Pereira, D.; Ferreira-Coimbra, J.; Português, J.; Gama, V.; Coimbra,M. A comparative study of electronic stethoscopes for cardiac auscultation. In Proceedings of the 2017 39th Annual International Conference of the IEEE Engineering inMedicine and Biology Society (EMBC), Seogwipo, Korea, 11–15 July 2017; pp. 2610–2613.
  26. Swarup, S.; Makaryus, A.N. Digital stethoscope: Technology update. Med. Devices (Auckland, NZ) 2018, 11, 29. [CrossRef]
  27. Tavakolian, K. Systolic time intervals and new measurement methods. Cardiovasc. Eng. Technol. 2016, 7, 118–125. [CrossRef] [PubMed]
  28. Carvalho, P.; Paiva, R.; Couceiro, R.; Henriques, J.; Antunes, M.; Quintal, I.; Muehlsteff, J.; Aubert, X. Comparison of systolic time interval measurement modalities for portable devices. In Proceedings of the 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology, Buenos Aires, Argentina, 31 August–4 September 2010; pp. 606–609.
  29. Kh Dehkordi, P.; Khosrow-Khavar, F.; Di Rienzo, M.; Inan, O.T.; Schmidt, S.E.; Blaber, A.; Sørensen, K.; Struijk, J.J.; Zakeri, V.; Lombardi, P.; et al. Comparison of Different Methods for Estimating Cardiac Timings: A Comprehensive Multimodal Echocardiography Investigation. Front. Physiol. 2019, 10, 1057. [CrossRef] [PubMed]
  30. Paiva, R.; Carvalho, P.; Couceiro, R.; Henriques, J.; Antunes, M.; Quintal, I.; Muehlsteff, J. Beat-to-beat systolic time-interval measurement from heart sounds and ECG. Physiol. Meas. 2012, 33, 177. [CrossRef] [PubMed]
  31. Yang, Y.F.; Chou, Y.S.; Wang, J.Y. PEP and LVET Detection from PCG and ECG. In International Conference on Biomedical and Health Informatics; Springer: Cham, Switzerland, 2019; pp. 363–370.
  32. Inan, O.T. Wearable Sensing of Left Ventricular Function. In Mobile Health; Springer: Cham, Switzerland, 2017; pp. 265–287.
  33. Berry, R.B.; Brooks, R.; Gamaldo, C.E.; Harding, S.M.; Marcus, C.; Vaughn, B.V. The AASM manual for the scoring of sleep and associated events. Rules Terminol. Tech. Specif. Darien Illinois Am. Acad. Sleep Med. 2020, 176, 2012.
  34. Kapur, V.K.; Auckley, D.H.; Chowdhuri, S.; Kuhlmann, D.C.; Mehra, R.; Ramar, K.; Harrod, C.G. Clinical practice guideline for diagnostic testing for adult obstructive sleep apnea: An American Academy of Sleep Medicine clinical practice guideline. J. Clin. Sleep Med. 2017, 13, 479–504. [CrossRef] [PubMed]
  35. Charlton, P.H.; Birrenkott, D.A.; Bonnici, T.; Pimentel, M.A.; Johnson, A.E.; Alastruey, J.; Tarassenko, L.; Watkinson, P.J.; Beale, R.; Clifton, D.A. Breathing rate estimation from the electrocardiogram and photoplethysmogram: A review. IEEE Rev. Biomed. Eng. 2017, 11, 2–20. [CrossRef] [PubMed]
  36. Klum, M.; Minn, T.; Tigges, T.; Pielmus, A.G.; Orglmeister, R. Minimally spaced electrode positions for multi-functional chest sensors: ECG and respiratory signal estimation. Curr. Dir. Biomed. Eng. 2016, 2, 695–699. [CrossRef]
  37. Massaroni, C.; Nicolò, A.; Lo Presti, D.; Sacchetti, M.; Silvestri, S.; Schena, E. Contact based methods for measuring respiratory rate. Sensors 2019, 19, 908. [CrossRef]
  38. Liu, H.; Allen, J.; Zheng, D.; Chen, F. Recent development of respiratory rate measurement technologies. Physiol. Meas. 2019, 40, 07TR01. [CrossRef]
  39. Taebi, A.; Mansy, H.A. Grouping similar seismocardiographic signals using respiratory information. In Proceedings of the 2017 IEEE Signal Processing in Medicine and Biology Symposium (SPMB), Philadelphia, PA, USA, 2 December 2017; pp. 1–6.
  40. Skoric, J.; D’Mello, Y.; Lortie, M.; Gagnon, S.; Plant, D.V. Effect of Static Respiratory Volume on the Waveform of Cardiac-induced Sternal Vibrations. In Proceedings of the 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Berlin, Germany, 23–27 July 2019; pp. 4917–4921.
  41. Zakeri, V.; Akhbardeh, A.; Alamdari, N.; Fazel-Rezai, R.; Paukkunen, M.; Tavakolian, K. Analyzing seismocardiogram cycles to identify the respiratory phases. IEEE Trans. Biomed. Eng. 2016, 64, 1786–1792. [CrossRef]
  42. Alamdari, N.; Tavakolian, K.; Zakeri, V.; Fazel-Rezai, R.; Akhbardeh, A. A morphological approach to detect respiratory phases of seismocardiogram. In Proceedings of the 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Orlando, FL, USA, 16–20 August 2016; pp. 4272–4275.
  43. Choudhary, T.; Bhuyan, M.; Sharma, L. Effect of Respiratory Effort Levels on SCG Signals. In Proceedings of the 2019 IEEE Region 10 Symposium (TENSYMP), Kolkata, India, 7–9 June 2019; pp. 143–146.
  44. Choudhary, T.; Bhuyan, M.; Bora, K.; Sharma, L. Design of Breathing-states Detector for m-Health Platform using Seismocardiographic Signal. arXiv 2020, arXiv:2002.10510.
  45. Taebi, A.; Solar, B.E.; Bomar, A.J.; Sandler, R.H.; Mansy, H.A. Recent advances in seismocardiography. Vibration 2019, 2, 5. [CrossRef]
  46. Di Rienzo, M.; Vaini, E.; Castiglioni, P.; Merati, G.; Meriggi, P.; Parati, G.; Faini, A.; Rizzo, F. Wearable seismocardiography: Towards a beat-by-beat assessment of cardiac mechanics in ambulant subjects. Auton. Neurosci. 2013, 178, 50–59. [CrossRef] [PubMed]
  47. Zanetti, J.M.; Tavakolian, K. Seismocardiography: Past, present and future. In Proceedings of the 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Osaka, Japan, 3–7 July 2013; pp. 7004–7007.
  48. Lam, T.; Nagappa, M.;Wong, J.; Singh, M.;Wong, D.; Chung, F. Continuous pulse oximetry and capnography monitoring for postoperative respiratory depression and adverse events: A systematic review and meta-analysis. Anesth. Analg. 2017, 125, 2019–2029. [CrossRef] [PubMed]
  49. Edgerton, J.R.; Mahoney, C.; Mack, M.J.; Roper, K.; Herbert, M.A. Long-term monitoring after surgical ablation for atrial fibrillation: how much is enough? J. Thorac. Cardiovasc. Surg. 2011, 142, 162–165. [CrossRef] [PubMed]
  50. de Oliveira, A.C.T.; Martinez, D.; Vasconcelos, L.F.T.; Gonçalves, S.C.; do Carmo Lenz, M.; Fuchs, S.C.; Gus, M.; de Abreu-Silva, E.O.; Moreira, L.B.; Fuchs, F.D. Diagnosis of obstructive sleep apnea syndrome and its outcomes with home portable monitoring. Chest 2009, 135, 330–336. [CrossRef]
  51. Klum, M.; Leib, F.; Oberschelp, C.; Martens, D.; Pielmus, A.G.; Tigges, T.; Penzel, T.; Orglmeister, R. Wearable Multimodal Stethoscope Patch for Wireless Biosignal Acquisition and Long-Term Auscultation. In Proceedings of the 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Berlin, Germany, 23–27 July 2019; pp. 5781–5785.
  52. Pan, J.; Tompkins,W.J. A real-time QRS detection algorithm. IEEE Trans. Biomed. Eng. 1985, BME-32, 230–236. [CrossRef]
  53. Varghees, V.N.; Ramachandran, K. Effective heart sound segmentation and murmur classification using empirical wavelet transform and instantaneous phase for electronic stethoscope. IEEE Sens. J. 2017, 17, 3861–3872. [CrossRef]
  54. Langley, P.; Bowers, E.J.; Murray, A. Principal component analysis as a tool for analyzing beat-to-beat changes in ECG features: Application to ECG-derived respiration. IEEE Trans. Biomed. Eng. 2009, 57, 821–829. [CrossRef]
  55. Klum, M.; Tigges, T.; Pielmus, A.; Feldheiser, A.; Orglmeister, R. Impedance Plethysmography for Respiratory Flow and Rate Estimation using Multilayer Perceptrons. Int. J. Bioelectromagn. 2019, 21, 34–47.
  56. Selvaraj, N. Long-term remote monitoring of vital signs using a wireless patch sensor. In Proceedings of the 2014 IEEE Healthcare Innovation Conference (HIC), Seattle, WA, USA, 8–10 October 2014; pp. 83–86.

© 2020 by the authors. Licensee MDPI, Basel, Switzerland. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (http://creativecommons.org/licenses/by/4.0

Перевели Ника Винокурова, Ерофеева М, Павел Смирнов, Юлия Клинкова, Zakhira Shopysheva, Екатерина Зубко, Ирина Горшкова

04.04.2020 Германия doi:10.3390/s20072033 

Оставить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *