Artikel
Berechnung der Atemfrequenz anhand von mit einem Wearable gemessenen Herz- und Beschleunigungsdaten: Eine Proof-of-Concept-Studie
Suche in Medline nach
Autoren
Veröffentlicht: | 15. September 2023 |
---|
Gliederung
Text
Einleitung: Medizinische Sensoren, die an der Brust getragen werden, sind sowohl mit Accelerometer (ACC)- als auch mit Elektrokardiogramm (EKG)-Sensoren ausgestattet. Die Wirksamkeit beider Modalitäten wurde bereits für die Berechnung der AF nachgewiesen [1], [2]. Dennoch kann ein niedriger SNR in beiden Fällen zu einer ungenauen Berechnung des AF führen. Die Kombination der Berechnungen von ACC und EKG hat vielversprechende Ergebnisse gezeigt [3]. Unsere Anpassung des Ansatzes in [3] beinhaltet eine verbesserte AF-Berechnungsmethode aus ACC-Daten wie in [2], leitet spektrale Informationen aus ACC- und EKG-Signalen ab und verwendet eine SNR-basierte Entscheidungsregel für die endgültige AF-Berechnung.
Methodik: Die vorgestellten Daten wurden mit einem tragbaren Gerät an der Uniklinik RWTH Aachen erhoben. Die einminütigen Aufzeichnungen wurden von einem Patienten mit Epilepsie in Perioden von Bewegung und Nicht-Bewegung durchgeführt. AF wurde anhand der respiratorischen Sinusarrhythmie (RSA) bestimmt, die der Modulation der Zeitintervalle zwischen R-Peaks im EKG während der Atmung entspricht. Zur Ermittlung der RSA wurden die R-Peaks identifiziert und die Intervalle zwischen ihnen berechnet. Wie in [1] wurden drei RSA-Wellenformen durch Anwendung von drei Finite Impulse Response (FIR)-Bandpassfiltern mit 0,1-0,6 Hz, 0,2-0,6 Hz und 0,1-0,5 Hz und anschließender Fast Fourier Transformation (FFT) erzeugt. Die RSA-Wellenform mit einem AF (bei der Spitzenfrequenz) innerhalb von 3 bpm des vorherigen 60-Sekunden-Fensters wurde ausgewählt. Zur Ermittlung der AF aus den ACC-Daten wurde zunächst ein adaptiver Line Enhancer (ALE) auf Basis des Least-Mean-Square (LMS) angewendet. Im Anschluss wurde eine Singular Spectrum Analysis (SSA) durchgeführt. Für jede ACC-Achse wurde eine Trajektorienmatrix erstellt, gefolgt von einer Singular value decomposition (SVD), um zwei engbändige Signale zu extrahieren [2]. Wenn das mittlere (SNRm) aller Signale > 2dB war, wurde Majority-Voting durchgeführt, und AF wurde unter Verwendung des mittleren AF aller Signale mit Ausnahme derjenigen mit einem AF-Unterschied > λ (definiert durch die Frequenzauflösung der FFT) zu 40% der anderen Signale berechnet. Bei SNRm < 2dB wurde das Power-Voting angewendet. Hier wurden Signale mit geringer Magnitude bei der Frequenz von Interesse herausgefiltert, basierend darauf, ob die Differenz zwischen ihnen und dem Signal mit der höchsten Magnitude größer als λ war, und der endgültige AF wurde anhand des mittleren AF der verbleibenden Signale berechnet.
Ergebnisse: Die Auswahl der Abstimmungsmethode für die Ermittlung von AF basierte auf den SNRm-Werten, die 3 dB für das Nicht-Bewegungssegment und -15 dB für das Bewegungssegment betrugen. Daher wurde für das erste Segment das Majority-Voting und für das zweite Segment das Power-Voting verwendet. Die sich daraus ergebenden AF lagen bei 23,74 und 16,5 Atemzug pro Minute für das Nicht-Bewegungssegment bzw. das Bewegungssegment.
Diskussion: In dieser Arbeit stellen wir ein konzept für die Messung der AF vor, das auf Algorithmen [1], [2], [3] aufbaut, aber auch an die Daten eines speziellen Wearables angepasst ist, das zur Anfallserkennung bei Epilepsiepatienten verwendet wird. Um die Genauigkeit und Robustheit der vorgeschlagenen Methode zu bestätigen, besteht unser nächster Schritt darin, unseren Ansatz an einer größeren Patientenkohorte zu testen und zu validieren.
Die Autoren geben an, dass kein Interessenkonflikt besteht.
Die Autoren geben an, dass ein positives Ethikvotum vorliegt.
Der Beitrag wurde bereits publiziert: Dieser Abstract wurde auf der MIE 2023 (Göteborg) vorgestellt: [4]
Literatur
- 1.
- Orphanidou C, Fleming S, Shah SA, Tarassenko L. Data fusion for estimating respiratory rate from a single-lead ECG. Biomedical Signal Processing and Control. 2013;8(1):98–105. DOI: 10.1016/j.bspc.2012.06.001
- 2.
- Jarchi D, Rodgers SJ, Tarassenko L, Clifton DA. Accelerometry-based estimation of respiratory rate for post-intensive care patient monitoring. IEEE Sensors Journal. 2018;18(12):4981–9. DOI: 10.1109/JSEN.2018.2828599
- 3.
- Chan AM, Ferdosi N, Narasimhan R. Ambulatory respiratory rate detection using ECG and a triaxial accelerometer. In: 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2013. DOI: 10.1109/EMBC.2013.6610436
- 4.
- Alhaskir M, Bauer J, Linke F, Schriewer E, Weber Y, Wolking S, Röhrig R, Rothermel M, Koch H, Kutafina E. Spectral Fusion of Heartbeat and Accelerometer Data for Estimation of Breathing Rate in Wearable Patches. Stud Health Technol Inform. 2023 May 18;302:1025-1026. DOI: 10.3233/SHTI230336