Információ

Melyik a legjobb szín a PPG jelhez (fotopletizmográfia)?

Melyik a legjobb szín a PPG jelhez (fotopletizmográfia)?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Melyik a legjobb szín a PPG jelhez? Piros, zöld, kék vagy infravörös?

Azért kérdezem, mert a kereskedelmi forgalomban lévő oximéter érzékelők általában egy pár vörös és infravörös LED-et használnak. De mostanában sok érzékelőt láttam zöld LED-ekkel.

Kösz.


A vörös és az infravörös használat oka az oxigénnel dúsított és az oxigénmentes hemoglobin e két frekvenciájú abszorbancia különbsége. A két frekvencia különbségének felhasználása lehetővé teszi az oxihemoglobin koncentrációjának kiszámítását. (A piros LED azon a frekvencián van, ahol az oxihemoglobin és a hemoglobin azonos abszorbanciájú).

Amennyire én tudom, nincs oka annak, hogy a zöld LED ne működne. Csak a PPG jelet tudná mérni, az oximetriás adatokat nem (hacsak nem használt két különböző LED-et, és nem számolt egy kicsit).

Abszorpciós görbék.


Megállapítottam a színkülönbséget:

A hosszabb hullámhosszok mélyebbre hatolnak.

mert a fő műtermékeket a mérés helyén a vértérfogat változása okozza. A mozgás során a vénás vér térfogatának változása nagyobb, mint az artériásban. Míg a fény behatolási mélysége a hullámhosszától függ, a zöld fény nem hatol be olyan mélyen, mint az infravörös fény. Ezért a zöld PPG kevesebb információt tartalmazna különféle nem lüktető forrásokból, mint az infravörös PPG.


Utánanéztem a multi-spektrális ppg-nek is, és abból, amit olvastam, mind kihasználható PPG jelet adnak, igazából attól függ, hogy mit akarsz csinálni. Az oximéterhez piros és ifr fényforrás szükséges. de ha csak egy impulzusmérőt szeretne, akkor a rövidebb hullámhossz jobb.

Források:

http://embc.embs.org/files/2013/3170_FI.pdf http://www.biofotonika.lu.lv/fileadmin/user_upload/lu_portal/projekti/biofotonika/Publikacijas/A3/Asare_8073_76_Praga.PDF


A fotopletizmográfiai hullámforma eredete zöld fényben ☆

Ebben a cikkben számos, a reflexiós módú fotopletizmográfiával (PPG) kapott megfigyelést elemezzük, amelyek aligha magyarázhatók a PPG-jelképződés általánosan elfogadott modelljével. Kimutatták, hogy a csoportunk által nemrégiben javasolt, az élő szövetekkel való fénykölcsönhatás fiziológiai modellje ésszerű magyarázatot ad minden megfigyelésre. E modell szerint az artériák pulzáló transzmurális nyomása, amely összenyomja/dekompresszi a kapillárisok sűrűségét a dermiszben, így modulálja a kapilláriságy vérmennyiségét, ami viszont modulálja a kibocsátott zöld fény erejét.


A pulzusszám és a pulzusszám változékonysága

A pulzusszámot (HR), amely a szív percenkénti dobbanásának gyakoriságát mutatja, az autonóm idegrendszer (ANS) befolyásolja, amely két elsődleges ágból, a szimpatikus és a paraszimpatikus idegrendszerből áll.

Az előbbi akkor aktív, ha izgalmas helyzetben vagyunk (fenyegetés, félelem, stressz és testmozgás), és növeli a pulzusszámot. Ez utóbbi akkor aktív, ha ellazult helyzetben vagyunk (szeretet, együttérzés és nyugalom érzése), és csökkenti a pulzusszámot. Mint látható, a válaszokat a mentális és fizikai állapotok befolyásolják.

A szívfrekvencia-variabilitás (HRV) ezen állapotok egyensúlyának mutatója, az egészség és a stressz markere. Amikor a szimpatikus idegrendszer dominál, mint amikor az emberek stresszesnek érzik magukat, a HRV csökken. Amikor a paraszimpatikus idegrendszer dominál, mint amikor az emberek nyugodtak, a HRV megnő.

Egyre nagyobb figyelem irányul a HRV-re, mint a szív- és érrendszeri betegségek és a belső érzelmek, például a depresszió és a munkahelyi stressz indikátorára [1].


Melyik a legjobb szín a PPG jelhez (fotopletizmográfia)? - Biológia

A félrevezető példákat eltávolítjuk

A compute_SNR használatára vonatkozó félrevezető példa eltávolítva a fájlból

1. Létrejön a csomag GitHub-tárháza.
2. A DFT_pulse_rate_estimate.m kisebb hibája kijavításra kerül (az impulzusfrekvencia-tartomány legalacsonyabb frekvenciájú összetevőjének súlya hibásan lett elosztva 2-vel).

1 Az iPPG jelhez kapcsolódó hiba javításra került.
2 Az automatikus arcfelismerés Viola-Jones algoritmussal frissült, és használatra kész.
Szeretnék köszönetet mondani Gasper Slapničarnak a kiterjedt tesztelésért és a kód fejlesztéséért!

1. Hozzáadjuk a színes jel kinyerését a videóból, vagyis a csomag segítségével közvetlenül a videóból kinyerhetjük az iPPG-t.
2. Hozzáadunk egy minimális példát, amely bemutatja az iPPG kivonási és feldolgozási lépések sorrendjét.
3. Megjegyzések és leírás

Adatkészlet leírása hozzáadva

A képalkotó fotopletizmográfia (iPPG) egy távoli, érintésmentes pulzusmérési technika. Az iPPG-t általában arc- vagy tenyérvideóból szerezzük be.
Ez a csomag eszközöket biztosít az iPPG jelek kinyeréséhez és feldolgozásához. Az [1]-ből származó rhesus majmok iPPG-adatait tesztadatkészletként használjuk.
BEMENET: videofájl.
KIMENET: iPPG jel becsült pulzusszáma.
TARTALOM:
1. Az extract_color_channels_from_video színes jelet von ki a videóból. A színjeleket a rendszer a vörös, zöld és kék színösszetevő értékeiként számítja ki az érdeklődési régió (ROI) alapján átlagolva minden videókockához. A ROI vagy manuálisan kiválasztható az első képkockához (ha csak korlátozott mennyiségű mozgás várható), vagy automatikusan beállítható a Viola-Jones algoritmus segítségével (csak emberi arcból történő iPPG kinyeréshez!). Ez a funkció opcionálisan kizárja a ROI-ból a nem bőrfelületű és sérült képpontokat.
2. A compute_ippg megvalósítja a [2]-ban tárgyalt iPPG kinyerési módszereket (beleértve a nemrégiben bevezetett CHROM és POS módszereket), valamint néhány iPPG elő- és utófeldolgozási technikát.
3. ippg_extraction_example – alapvető (minimális) példa a csomag használatára a videóból kinyert iPPG pulzusszámának becslésére.
4. dataset_analysis – kiterjesztett példa a csomag használatára az [1]-ből származó adatokhoz.
5. Különálló m-fájlokként megvalósított jelfeldolgozási technikák: wavelet_filter, wavelet_init_scales, smoothness_priors_detrending, std_sliding_win.
6. Funkciók az iPPG jelből származó pulzusszám becsléséhez:
6.1. A DFT_pulse_rate_estimate diszkrét Fourier transzformációt használ az átlagos pulzusszám kiszámításához.
6.2. wavelet_pulse_rate_estimate a Continuous Wavelet Transformot használja a pulzusszám becsléséhez.
7. Hasznos funkciók az iPPG-alapú pulzusszám és az alapigazság összehasonlításához:
7.1. bland_altman_plot – Bland Alman diagramot rajzol az adatokhoz.
7.2. compute_SNR – kiszámítja az iPPG jel jel-zaj arányát (SNR) a valódi impulzussebesség mellett.
7.3. assessment_estimation_performance – számos becslési minőségi mérőszámot számít ki, beleértve a gyökér-négyzetes hibát, az átlagos abszolút hibát, a Pearson-korrelációt stb.
8. A Dataset mappa tartalmazza a csomag teszteléséhez használt adatkészletet. Az adatsort rhesus majmokból vették fel, ezért a pulzusszám magasabb, mint az embernél (100-250 BPM), részletekért lásd [1].
9. A dataset_description.docx az adatkészlet rövid leírását tartalmazza.
További funkciók később kerülnek hozzáadásra.

KÖSZÖNETNYILVÁNÍTÁS:
Szeretnék köszönetet mondani Gasper Slapničarnak a kód kiterjedt teszteléséért és fejlesztéséért.
Szeretnék köszönetet mondani Dr. Cardosonak, hogy közzétette a jadeR.m szkriptet, amelyet az ICA-alapú iPPG kivonat megvalósítására használok.

IRODALOM
[1] Unakafov AM, Moeller S, Kagan I, Gail A, Treue S, Wolf F. Képalkotó fotopletizmográfia használata szívfrekvencia-becsléshez nem humán főemlősökben. PLoS ONE 201813(8): e0202581. https://doi.org/10.1371/journal.pone.0202581
[2] Unakafov AM. Pulzusszám becslés képalkotó fotopletizmográfiával: általános keretrendszer és módszerek összehasonlítása egy nyilvánosan elérhető adatkészleten. Biomedical Physics & Engineering Express. 20184(4):045001.

Hivatkozás As

Unakafov AM. Képalkotó fotopletizmogram kivonás és amppulzussebesség becslés (https://www.mathworks.com/matlabcentral/fileexchange/67527), MATLAB Central File Exchange (2018). Letöltve: 2018. december 12.

Unakafov AM. Pulzusszám becslés képalkotó fotopletizmográfiával: általános keretrendszer és módszerek összehasonlítása nyilvánosan elérhető adatkészleten. Biomedical Physics & Engineering Express. 20184(4):045001.


  1. Hogyan mérik a szívműködést?
    Az EKG-érzékelők közvetlenül használják a szívműködés által keltett elektromos jeleket. A PPG a szívműködés során a véráramlás változásai miatt visszavert fényből származó elektromos jeleket használ
  2. Melyik a legpontosabb?
    Az EKG egy referencia standard jel, amelyet az egészségügyi szolgáltatók a szív egészségének és jólétének megfigyelésére használnak. A PPG érzékelők viszont általában EKG-jeleket használnak referenciaként a statikus HR (Heart Rate) összehasonlításához.
  3. Mérhető a pulzusszám (HR)?
    Az EKG segítségével a HR pontosan mérhető. A HR PPG-vel mérhető, de csak átlag vagy mozgóátlag mérésére alkalmas.
  4. Mérhető-e a pulzusszám variabilitás (HRV)?
    A HRV megbízhatóan származtatható az EKG adatokból, mivel az R-csúcs intervallumok ezredmásodperces pontossággal kinyerhetők, így rövid időtartamú mérésekkel érdemi HRV adatok nyerhetők. A PPG érzékelőknél a csúcsintervallum pontosságát a használható mintavételezési frekvencia korlátozza a LED-ek nagy energiafogyasztása miatt. A PPG-nél a pulzusszám-változás korrelál a HRV-vel hosszabb mérési periódusok esetén (> 5 perc), de nem rövid időtartamú mérés esetén.
  5. Mennyi ideig tart egy olvasás?
    Az EKG-érzékelők nem igényelnek hosszú beállási időt, így az indítás után rövid időn belül jelentős leolvasások érhetők el. A PPG szenzorok viszonylag hosszú beállási időt igényelnek a környezeti fény mennyiségének mérése és a hatás kioltásához szükséges kompenzáció kiszámítása miatt. A PPG érzékelők a mozgási műtermékek kompenzációját is megkövetelhetik a leolvasás érdekében.
  6. Melyik a legalacsonyabb fogyasztás?
    A NeuroSky’s BMD101 EKG-érzékelő rendkívül alacsony energiafogyasztással rendelkezik, 2,5 mW-on működik. A legtöbb PPG érzékelő körülbelül 30 mW működési teljesítményt igényel.
  7. Melyiknek a legkisebb a lábnyoma?
    A BMD101 EKG a világ legkisebb EKG-érzékelője, mindössze 3 mm x 3 mm-es, és nincs szükség további alkatrészekre. A PPG-érzékelők viszonylag nagy PCB-területtel rendelkeznek – jellemzően 6 mm x 6 mm-es – plusz további PCB-terület a mikrovezérlő egységhez (MCU), akkumulátorkezeléshez, kristály- és LED-áramkörökhöz.
  8. Szükséges-e külső berendezés a leolvasáshoz?
    A BMD101 EKG-érzékelő chipen keresztüli pulzusméréssel rendelkezik, így nincs szükség külső berendezésre. Ezzel szemben a PPG érzékelő külső mikrokontrollert igényel a HR kiszámításához.
  9. Mennyire egyszerű integrálni egy készülékkel?
    A BMD101 EKG-érzékelő SDK-val (Android/iOS) rendelkezik az egyszerű alkalmazásfejlesztés és -integráció érdekében. A PPG-érzékelők a gazdagép-platform-alkalmazások fejlesztése és integrációja mellett MCU-firmware-fejlesztést és -integrációt igényelnek

Ha olyan kulcsfontosságú szempontokról van szó, mint a méret, az energiafogyasztás, a pontosság, az integrálhatóság egyszerűsége és az adatok gazdagsága, az EKG-bioszenzorok egyértelmű előnyt jelentenek PPG-társaikkal szemben a pulzusfigyelés terén.

Az EKG-bioszenzorok a szív-egészségügyi mutatók legszélesebb skáláját képesek szolgáltatni, mivel átfogóbb jeleket képesek rögzíteni az általános szívteljesítményről, beleértve a pulzusszámot (HR) és a szívfrekvencia-variabilitást (HRV) is.

Ezzel szemben a PPG érzékelők csak a HR mérésére képesek, és kevésbé megbízhatóan, mint az EKG bioszenzorok. A PPG technológiával kapcsolatos legfontosabb kihívások a környezeti fény hatásainak kioltása, a különböző bőrállapotokhoz és -színekhez való alkalmazkodás, valamint a fizikai mozgási műtermékek kezelése. Ezenkívül a PPG csak azokon a testrészeken használható, ahol magas az erek koncentrációja (például nehéz lehet jó PPG jelet kapni a csuklóból).

Ha többet szeretne megtudni arról, hogy az EKG- és PPG-érzékelők hogyan hasonlítják össze a pulzusszám-figyelést, töltse le most az ingyenes Összehasonlító táblázatot: Elektromos (EKG) vs. Fényalapú (PPG) bioszenzorok viselhető eszközökben.


Vita

Célunk az volt, hogy egy okostelefon segítségével PPG-t végrehajtva mozgási műtermék hatására tisztázzuk, melyik fényszín - piros, zöld vagy kék - a legalkalmasabb a HR és lnNPV mérésére. Ennek megoldására az alapvonal alatt és az okostelefon mozgásának hozzáadásával, hogy műterméket hozzunk létre a PPG jelben, megvizsgáltuk az ezzel a három színnel rögzített fotopletizmográfiákból és a referencia módszerekből származó HR és NPV mérések egyezését, valamint a jel- A három világos szín PPG-jének zaj-zaj (S/N) aránya. Ennek eredményeként először is, a páros HR értékek közötti egyezés szintje meglehetősen magas volt, és összehasonlítható volt mindhárom világos szín adataival. Az összes párosított adat közel 1,00 korrelációs együtthatót és elhanyagolható fix és arányos torzítást mutatott, bár a legjobb egyezést a zöld fény PPG esetében figyelték meg. Másodszor, az lnNPV mérések megegyezése a zöld fény PPG-vel volt a legjobb. A zöld fény PPG eredményei elhanyagolható fix és arányos torzítást mutattak, míg a piros és kék fény PPG eredményei fix, illetve fix és arányos torzításokat mutattak. Harmadszor, az S/N arány magasabb volt a zöld és kék fényű PPG-vel, mint a piros fényű PPG-vel mind a HMA, mind a VMA alatt, bár a BL során összehasonlítható. Összességében ezek az eredmények azt sugallják, hogy a zöld a legmegfelelőbb fényszín az okostelefonon elérhető három lehetséges szín közül mind a HR, mind az lnNPV mérésére mozgási műtermék esetén.

Mindhárom fényszín PPG-jeleiből számított HR-értékek pontosak voltak annyiban, hogy az összes releváns párosított adat közel 1,00 korrelációs együtthatót mutatott. Azonban, mint fentebb már említettük, a három abszolút pontosságban különbözött. Számos tényező okozhatja ezeket a különbségeket. Először is, a három fényszín fotopletizmogramjainak hullámformái mutatnak némi eltérést. A 3. ábra bal oldalán, amely a mozgási műtermék hiányában készült felvételeket mutatja, az azonosított csúcsok közötti időbeli különbségekre utal, ez jobban érzékelhető a 4. ábrán, ahol az időskálát kibővítettük. Például a 4. ábrán a piros, zöld és kék PPG jelekben látható első csúcsok mozgási műtermék hiányában 94 190 s, 94 221 s (1 fps 94 190 s után) és 94 256 s (2 fps 94 190 s után) után következnek be. ), ill. Ahogy a bevezetőben már említettük, a kék fény PPG a legsekélyebb arteriolákat vizsgálja, amelyek a három vizsgálandó vaszkuláris régió közül a legdistalisabbak. Ismeretes, hogy minél távolabb van a PPG-szondázási tartomány, annál inkább elveszíti élét a hullámforma [például 26]. Ez jól látható az 5. ábrán is, ahol a HR teljesítmény 1. és 2. harmonikusának aránya a szöveti behatolási mélység csökkenésével összhangban csökken, amely hullámhossztól ismert.

A második lényeges kérdés az, hogy az időbeli és a behatolási mélység jelenségei ellenére előfordulhatnak olyan esetek, amikor a mozgási műtermék hatása mindhárom fotopletizmogramon lényegében szinkronizálható. Ez azt jelenti, hogy a fenti példában, ha a mozgási műtermék intenzív csúcsot produkál 94,155 s-nál a PPG-jelen (ez a pont 1, 2 és 3 képkocka/másodperccel a 94,190 másodperces piros csúcs előtt, a zöld 94,221 másodpercnél, a kék pedig 94,256 másodpercnél van s), a három fényszín mindegyik csúcsa nem minden tényleges csúcsnál (a piros 94,190 s, a zöld 94,221 s, a kék pedig a 94,256 s csúcsánál), hanem ennek az intenzív csúcsnak az időpontjában (94,155 s-nál) észlelhető. ). Vagyis a piros, zöld és kék csúcseltolódási intervallumai rendre 1, 2 és 3 fps, így nem állandóak a három szín között. Ily módon az egyes világos színű fotopletizmogramokból származó HR-eket eltérő módon befolyásolja a tényleges csúcspontok közelében lévő mozgási műtermék. Az ilyen jelenségek a 3. és 4. ábrán valójában 101,195 s-nál fordultak elő, és a három világos színű fotopletizmogram csúcsai itt szinkronban vannak.

A harmadik és egyben utolsó probléma az, hogy az, hogy valóban előfordulnak-e ilyen csúcseltolódások, az minden világos szín PPG-nek a mozgási műtermékekkel szembeni toleranciájától függ. Ebben a tekintetben ésszerűnek tűnik azt a következtetést levonni, hogy a piros fényű PPG-ből származó HR-pontosság rosszabb, mint a zöld fényű PPG-ből származó HR-pontosság. Ennek az az oka, hogy a PPG S/N aránya piros fényben alacsonyabb, mint zöld fényben mind a HMA, mind a VMA alatt, így a csúcs eltolódása nagyobb mértékben fordulna elő piros fényű PPG-ben, mint zöld fényű PPG-ben. Másrészt ez a nézet nem tud ésszerű magyarázatot adni a zöld és kék fény PPG adatok közötti különbségre, mivel a PPG S/N aránya e két szín használatával összehasonlítható volt. A kék fényű PPG-vel látható, látszólag eltompult vezetőél azonban valószínűleg a mozgási műtermékek toleranciájának romlását okozhatja, különösen a csúcsok környékén. Valójában ez a tendencia egyértelműen megfigyelhető a 3. ábrán, mint kettős csúcs csak a kék fény színű PPG-ben 110 és 114, s körül. Bár sok ilyen kettős csúcsot kiugró értéknek ítél meg az iPhysioMeter automatikus elemzési algoritmusa, amint az a 3. ábrán látható, nehéz az összes ilyen pontot kiküszöbölni, és így van hely bizonyos hibák előállítására. Mivel ez a helyzet, az egyes fényszínekből számított HR-eket eltérően befolyásolják a mozgási műtermékek, így ezek pontossága is eltérő.

Az S/N arány magasabb volt a kék és zöld fényű PPG-kben, mint a piros fényű PPG-kben mind a HMA, mind a VMA során. Ez a tendencia összhangban van a laboratóriumi eszközökkel végzett előzetes vizsgálatunkkal, ahol a 470 (kék), 530 (zöld) és 645 (piros) nm hullámhosszú LED fényforrásként és a fotodióda (PD) mint fotóérzékelő [22] . Tekintettel arra, hogy a három színnel kapott S/N arányok összehasonlíthatóak voltak a BL során, és egyidejűleg ugyanabban az anatómiai helyen származtatták őket, ez a mintázat nagy valószínűséggel a szondázási mélységük és a mozgási műtermék anatómiai eredete közötti összefüggésből adódik [25] . Maeda et al. [25], Giltvedt et al. [24], Lindberg és Oberg [33], valamint Ugnell és Oberg [34], zöld PPG nagy valószínűséggel a felszálló arteriolákat és/vagy a felületes plexus arteriolákat vizsgálja, amelyek a retikuláris dermisz felső régiójában helyezkednek el. Ismeretes, hogy a hosszabb hullámhosszú fény mélyebben hatol be a biológiai szövetbe, mint a rövidebb hullámhosszúságú fény, és hogy a zöld fény behatolási mélysége jobban megközelíti a kékét, mint a vörösét [23], [24]. Ezért a kék fény PPG valószínűleg a reticularis dermis felső részén található felületi plexus arteriolákat vizsgálja, míg a vörös fény PPG a reticularis dermis vagy a kis artériák alsó részében található mély plexus arteriolákat. sub cutis. Az arteriolák szondázási mértékében mutatkozó különbségek ellenére azonban mind a kék, mind a zöld fényű PPG-k megvizsgálják az azonos anatómiai struktúrába ágyazott arteriolákat, a retikuláris dermisz felső részét, és mint ilyenek, valószínűleg hasonló választ mutatnak a mozgásra. Úgy tűnik, hogy ez az értelmezés valószínű magyarázatot ad arra, hogy a kék és zöld fényű PPG-k miért mutatnak hasonló ellenállást a mozgási műtermékekkel szemben. Másrészt a mély arteriolákat vagy artériákat vörös fénnyel szondázva a dermiszön keresztül mérik, amelynek fiatalabb modulusa van, és mint ilyen, nem meglepő módon könnyen elmozdítható vagy összenyomható. Így ésszerűnek tűnik, hogy a piros fényű PPG kisebb ellenállást mutat a mozgási műtermékekkel szemben, mint a kék és zöld fényű PPG. Ez azt sugallja, hogy a dedikált eszközök eredményei kiterjeszthetők az okostelefonok PPG-mérésére, függetlenül attól, hogy jelentős különbségek vannak a konfigurációban és a fényforrás és detektor típusában, valamint attól, hogy pontosan milyen módon kapcsolódnak az ujjhoz.

Egy további figyelmeztetés szükséges a PPG-ben használt lámpa „piros”, „kék” vagy „zöld” általános leírásával kapcsolatban. Ahol dedikált fényforrásokat és detektorokat használtak, beleértve a lézereket vagy LED-eket, a hullámhosszt bizonyos pontossággal határozták meg. Például a lézeres Doppler bőrvéráramlás-mérés mélységi megkülönböztetésének tanulmányozása során [35] a hélium-neon lézerek zöld és vörös fényének hullámhossza 543 nm, illetve 632,8 nm volt, míg a lézerdiódából származó közeli infravörös fény hullámhossza volt. 780 nm hullámhossz. Az okostelefonok esetében azonban CMOS képérzékelőt használnak, és az ilyen eszközök viszonylag széles spektrális jellemzőkkel rendelkeznek. Például a tipikus eszközök teljes szélessége 150 nm vagy több lehet, és ezért jelentős átfedés lehet a piros, zöld és kék sávban. Ez jelentősen megnehezíti a lehetséges hullámhossz-függő behatolási mélységi hatások értelmezését, valamint a publikált tanulmányok eredményeinek összehasonlítását.

Rögzített torzítás zöld fényben PPG volt ipso facto a nulla és a korrelációs együttható közel 0,8 volt ebben a vizsgálatban. Ezek az eredmények némileg eltérnek a Matsumura és Yamakoshi által végzett korábbi tanulmánytól [15], amely viszonylag nagy fix torzítást mutatott ki az lnNPV-ben (0,87 auie lnNPV az okostelefon zöld fényének PPG-je kisebb volt, mint a referencia közeli infravörös fény PPG-é). megegyezés határain belül, és viszonylag alacsony korrelációs együtthatók (r = 0,432) a jelen tanulmányhoz képest. Ezek a különbségek valószínűleg az okostelefon kézben tartásának módjára vezethetők vissza. Ez azt jelenti, hogy Matsumura és Yamakoshi [15] tanulmányában a résztvevők viszonylag lazán tartották az okostelefont, míg a jelen vizsgálatban erősebben tartották, így az ujj-okostelefon kapcsolat állandó volt. Ezt a módosítást egyszerűen a jelen kísérlet természetének figyelembevételével hajtottuk végre, azaz mozgási műtermék hozzáadásával. Ennek következtében azonban elképzelhető, hogy az ujj-iPhone érintkezési nyomás megnőtt, ami viszont az arterioláris nyomás lokális csökkenését okozhatja. Ezt a nézetet alátámasztva megfigyelhető, hogy a pulzushullám valójában eltűnik, ha az ujját nagyon erősen az okostelefon képérzékelőjéhez nyomják. Összességében tehát valószínű, hogy a zöld fény PPG-ből származó NPV a közeli infravörös fényből származó PPG szintjére nőtt, mivel ismert, hogy az lnNPV a helyi vérnyomáscsökkenésnek megfelelően nő [36]. Így az iPhysioMeter sikeres működéséhez az ujj-iPhone érintkezést viszonylag állandó szinten kell tartani működés közben, olyan szilárdsággal, hogy ne zárja el teljesen az artériát. A nettó hatás az lesz, hogy a korrelációs együtthatók megnövekednek az ujj-iPhone érintkezési nyomás ingadozásának csökkenése révén, amelyet véletlenszerű mérési hibának tekintenek [15].

Eredményeink azt mutatták, hogy a zöld fényű PPG felülmúlja mind a piros, mind a kék fényű PPG-t. Azonban arról számoltak be, hogy a vörös és kék fényű PPG-ből további érték nyerhető az okostelefon használatával a vér SpO becslésében.2 a vörös és kék lnNPV adatokból származtatható [14]. Eredményeink azt is mutatták, hogy a három világos színű PPG S/N aránya összehasonlítható volt BL alatt, azaz mindegyik körülbelül 30 dB volt, így a mérés ilyen nyugalmi BL körülmények között a három fényszín bármelyikével elfogadható. A normál mindennapi élet során végzett mérések esetén azonban a gyorsulást is meg kell mérni, amikor csak lehetséges, abban az esetben, ha az előre nem látható mozgás előfordulhat. Valójában a legújabb okostelefonok általában gyorsulásérzékelővel és az S/N arány kiszámításához szükséges számítási teljesítménnyel vannak felszerelve.

A tanulmány korlátai, nyitott kérdések és jövőbeli munka

Ebben a tanulmányban van néhány korlátozás. Először is, a résztvevők populációja korlátozott volt a korosztály, a bőrtónus tekintetében, és a minta mérete viszonylag kicsi volt. Az életkor fontos lehet, mivel köztudott, hogy a bőr az életkor előrehaladtával merevebbé és kevésbé rugalmassá válik [37]. Ennek ellenére néhány korábban publikált PPG mozgási műtermék-tanulmányban a résztvevők populációja kizárólag fiatal férfiakra korlátozódott [21], [22], [25]. Ezenkívül a bőrtónus és a hullámhossz különbségei is befolyásolhatják a szövetek behatolási mélységét, ami sekélyebb lehet pigmentált egyénekben [23]. Így a jelen tanulmány eredményeinek általánosíthatósága érdekes lehet. Másodszor, az ebben a vizsgálatban használt mozgási műterméket szigorúan ellenőrizték, és meglehetősen korlátozott térbeli orientációra és gyakoriságra korlátozták. A jelen tanulmányban alkalmazott megközelítéssel ellentétben a lapos teljesítményspektrumú fehérzaj hozzáadásával végzett kísérletek értékesek lehetnek. Ennek az az oka, hogy valódi ambuláns körülmények között, például edzés vagy futás közben, sokkal több fajta mozgási műtermék fordul elő mind a tájékozódás, mind a frekvencia tekintetében. Harmadszor, mivel ebben a tanulmányban a HR és az NPV volt a célmérték, minden kísérleti időszakot 20 másodpercre állítottunk be, hogy elegendő idő legyen ezek kiszámításához. Az ilyen rövid rögzítési periódusok azonban lehetetlenné teszik a standard pulzusszám-változékonysági számításokat, ezért a jövőbeni vizsgálatok során előnyben részesítik a hosszabb időszakok e mérések kiszámítását. Negyedszer, jelen tanulmányban csak egy okostelefon-modellt használtunk, mégpedig az iPhone 4s-t. Tehát a tanulmányok más okostelefonokkal történő megismétlése hasznos lehet. Összességében ezekkel a pontokkal foglalkozó további tanulmányokra van szükség.


Szabványosított tesztelés

A hordható eszközöket gyártó cégek egyértelműen tisztában vannak a problémával, és erőfeszítéseket tesznek annak megoldására, azonban van egy másik módja annak, hogy megértsük, mely érzékelők adják a legpontosabb eredményeket, potenciálisan az eszköz megjelenése előtt. Ez speciális teszteléssel jönne létre.

Az orvostechnikai tesztek már folyamatban vannak. Az Egyesült Államokban az Élelmiszer- és Gyógyszerügyi Hatóság (FDA) teszteli és hagyja jóvá az orvosi eszközöket, de nem az olyan fogyasztói eszközöket, mint az okosórák, kivéve, ha azokat orvosi célokra szánják. 2020 májusában az Európai Unió bevezette az orvostechnikai eszközökre vonatkozó szabályozást, amely a PPG pulzusmérő szenzoros teszteket is magában foglalja, hogy segítsen megállapítani a konzisztenciát és a pontosságot a PPG pulzusmérővel rendelkező eszközökben. Most egy egyetemekből álló konzorcium, valamint a Huawei Technologies Finland, Interlive Network néven egy sor szabványos vizsgálati protokollt javasolt a pulzusszám figyelésére és a lépésszámlálásra a fogyasztói hordható eszközökön.

A protokoll figyelembe venné az életkort, a nemet, a magasságot, a súlyt, a testtömeget és a bőrtónust, és a javaslat szerint "a bőrtónus befolyásolja a PPG-n alapuló HR-leolvasások pontosságát, és ezt figyelembe kell venni az érvényességi vizsgálat során is." A tesztek a pontosság megállapítása érdekében megvizsgálják a tevékenység típusát, az érintkezési nyomást, sőt a környezeti fényt és hőmérsékletet is.

A pulzusszám-érzékelők pontos eredményt biztosító, különböző bőrtípusokon történő folyamatos használata összetett probléma, amely nemcsak magát az érzékelőt érinti, hanem azt is, hogy hol helyezkedik el a testén, és hogyan érintkezik vele. Úgy tűnik, a korai kutatások számos, ezeket az eszközöket gyártó céget arra ösztönöztek, hogy komolyan vegyék a kérdést, és magát az iparágat is arra késztetheti, hogy olyan új módszereket alkalmazzon, amelyek segítségével jobban felismerhetjük a legjobb érzékelőket, mielőtt feltennénk egyet a csuklónkra.


  1. Hogyan mérik a szívműködést?
    Az EKG-érzékelők közvetlenül használják a szívműködés által keltett elektromos jeleket. A PPG a szívműködés során a véráramlás változásai miatt visszavert fényből származó elektromos jeleket használ.
  2. Melyik a legpontosabb?
    Az EKG egy referencia standard jel, amelyet az egészségügyi szolgáltatók a szív egészségének és jólétének megfigyelésére használnak. A PPG érzékelők viszont általában EKG-jeleket használnak referenciaként a statikus HR (Heart Rate) összehasonlításához.
  3. Mérhető a pulzusszám (HR)?
    Az EKG segítségével a HR pontosan mérhető. A HR PPG-vel mérhető, de csak átlag vagy mozgóátlag mérésére alkalmas.
  4. Mérhető-e a pulzusszám variabilitás (HRV)?
    A HRV megbízhatóan származtatható az EKG adatokból, mivel az R-csúcs intervallumok ezredmásodperces pontossággal kinyerhetők, így rövid időtartamú mérésekkel érdemi HRV adatok nyerhetők. A PPG érzékelőknél a csúcsintervallum pontosságát a használható mintavételezési frekvencia korlátozza a LED-ek nagy energiafogyasztása miatt. A PPG-nél a pulzusszám-változás korrelál a HRV-vel hosszabb mérési periódusok esetén (> 5 perc), de nem rövid időtartamú mérés esetén.
  5. Mennyi ideig tart egy olvasás?
    Az EKG-érzékelők nem igényelnek hosszú beállási időt, így az indítás után rövid időn belül értelmes leolvasások érhetők el. A PPG szenzorok viszonylag hosszú beállási időt igényelnek a környezeti fény mennyiségének mérése és a hatás kioltásához szükséges kompenzáció kiszámítása miatt. A PPG érzékelők a mozgási műtermékek kompenzációját is megkövetelhetik a leolvasás érdekében.
  6. Melyik a legalacsonyabb fogyasztás?
    A NeuroSky BMD101 EKG-érzékelője rendkívül alacsony energiafogyasztással rendelkezik, 2,5 mW-on működik. A legtöbb PPG érzékelő körülbelül 30 mW működési teljesítményt igényel.
  7. Melyiknek a legkisebb a lábnyoma?
    A BMD101 EKG a világ legkisebb EKG-érzékelője, mindössze 3 mm x 3 mm-es, és nincs szükség további alkatrészekre. A PPG-érzékelők viszonylag nagy PCB-területtel rendelkeznek – jellemzően 6 mmx6 mm-es –, plusz további PCB-területtel rendelkeznek a mikrovezérlő egységhez (MCU), az akkumulátorkezeléshez, a kristály- és LED-áramkörökhöz.
  8. Szükséges-e külső berendezés a leolvasáshoz?
    A BMD101 EKG-érzékelő chipen keresztüli pulzusméréssel rendelkezik, így nincs szükség külső berendezésre. Ezzel szemben a PPG érzékelő külső mikrokontrollert igényel a HR kiszámításához.
  9. Mennyire egyszerű integrálni egy készülékkel?
    A BMD101 EKG-érzékelő SDK-val (Android/iOS) rendelkezik az egyszerű alkalmazásfejlesztés és -integráció érdekében. A PPG-érzékelők a gazdagép-platform-alkalmazások fejlesztése és integrációja mellett MCU-firmware-fejlesztést és -integrációt igényelnek

ÖSSZEFOGLALÁS

Ha olyan kulcsfontosságú szempontokról van szó, mint a méret, az energiafogyasztás, a pontosság, az integrálhatóság egyszerűsége és az adatok gazdagsága, az EKG-bioszenzorok egyértelmű előnyt jelentenek PPG-társaikkal szemben a pulzusfigyelés terén.

Az EKG-bioszenzorok a szív-egészségügyi mutatók legszélesebb skáláját képesek szolgáltatni, mivel átfogóbb jeleket képesek rögzíteni az általános szívteljesítményről, beleértve a pulzusszámot (HR) és a szívfrekvencia-variabilitást (HRV) is.

Ezzel szemben a PPG érzékelők csak a HR mérésére képesek, és kevésbé megbízhatóan, mint az EKG bioszenzorok. A PPG technológiával kapcsolatos legfontosabb kihívások a környezeti fény hatásainak kioltása, a különböző bőrállapotokhoz és -színekhez való alkalmazkodás, valamint a fizikai mozgási műtermékek kezelése. Ezenkívül a PPG csak azokon a testrészeken használható, ahol magas az erek koncentrációja (például nehéz lehet jó PPG jelet kapni a csuklóból).

A Seorang kutatója a Massachusetts Institute of Technology (Ming-zher Poh) munkatársa a szívfrekvencia monitorozására szolgáló PPG-n keresztül. Baca post selanjutnya.


BÁRMILYEN TEVÉKENYSÉG,BÁRMILYEN KÖRNYEZET

Többféle alaktényezőre méretezhető, például fülhallgatókra, okosórákra, karszalagokra és csuklós eszközökre.

A Valencell PPG érzékelői gyakorlatilag bárkinek, bárhol és bármit megtehetnek viselhető és hallható eszközökben.

PerformTek® PPG sensor technology is the only continuous heart rate sensor technology proven accurate during virtually any exercise and in virtually any environment. Read more about our testing methods here.

We’ve been innovating in optical heart rate sensor technology for over 10 years, before wearables even existed. Our PPG sensor accuracy has been proven by independent scientific validation and by users of Valencell-powered products every day.

Partnering with Sonion, the global leader in micro acoustic and micro mechanical technologies and solutions for hearing instruments and specialty earphones, expands the boundaries for the use of biometric sensors in the ear. In the partnership, Valencell provides the industry’s most advanced biometric sensor modules for hearables and wearables, which Sonion will optimize for size, power consumption and cost for in-ear and on-ear applications.

PPG Sensor Design

Our PPG sensor technology gives wearable devices the ability to continuously and accurately measure weak blood flow signals even during extreme physical activity. Valencell achieves this with a state-of-the-art, ultra-miniaturized PPG sensor module small enough to fit within an audio earbud, smartwatch, hearing aid or other wearable device. The PPG sensor module includes an optical emitter, an optical detector, specialized optomechanics and an accelerometer.

How it Works

HOW VALENCELL IS DIFFERENT

Photoplethysmography (PPG) is not new. It’s been used for decades to measure blood flow changes and translate these changes to pulse rate. However, PPG sensors are extremely sensitive to motion, particularly in a wearable device, and have significant challenges measuring biometrics accurately during daily activities and exercise. Our patented PerformTek® biometric technology has solved many of these problems.

Like the traditional PPG approach, PerformTek® heart rate sensor technology measures weak blood flow signals by shining light at the skin with an optical emitter and sensing the scattered light with a photodetector. The key differences are Valencell’s patented optomechanics and signal extraction methodologies, which employ active signal characterization to actively remove optical signals associated with motion artifacts (such as skin motion and footsteps) and environmental exposure (such as sunlight) from the photodetector.

It’s like active noise cancellation for biometric wearables. The result is a clean signal that contains more accurate information about blood flow. Because blood flow modulates with heart rate and respiration rate, PerformTek-powered algorithms can accurately extract heart rate, RR-interval, respiration rate, and other blood flow parameters even during intense exercise. To gauge user activity level and to generate activity context, the PerformTek earbud sensor module leverages the accelerometer that is built in to the sensor module. The PerformTek signal extraction method applies a proprietary algorithm to the accelerometer signal to measure running, cycling and activity cadence and to estimate speed and distance traveled. Valencell also estimates VO2 and calories burned by processing both the accelerometer signal and blood flow signal.


Results: CMS 50D+ vs Pulse Sensor Amped

Once several synchronized datasets were collected, analysis of the three selected pulmonary parameters was done using established statistical techniques in Python. Note the major features of the time domain plot of the IBI are nearly a match between the two devices used simultaneously on the same subject. Although some variation between the datasets is present, the frequency domain analysis shows great similarity indicating that smoothing over the time interval may help to remove the role of synchronization issues. More sophisticated digital signal processing would likely yield a less noisy IBI. This analysis is meant to show the proof-of-concept idea that an open source system can provide comparable results to a closed system. Without detailed knowledge of the proprietary techniques used in digital signal processing algorithms implemented in the CMS 50D+ base code, only the coarse similarities between the two systems are displayed here.

The time-series plot and frequency domain plot of heart beats per minute (BPM) shows how similar the two system perform for the heart rate (HR) parameter. The performance is near exact match when used simultaneously on a single subject.

Looking of a numerical analysis of the IBI and HR shows that the two systems provide, at least at the coarse level, identical results. This is encouraging that the seen synchronization issues can be removed and the high-resolution data shown above would likely also show nearly identical results for larger datasets rather than the small set used here.


References and Citations

Journal Articles

  • Alian, Aymen A., and Kirk H. Shelley. “Photoplethysmography.” Best Practice & Research Clinical Anaesthesiology 28. sz. 4 (December 2014): 395–406. https://doi.org/10.1016/j.bpa.2014.08.006.
  • Allen, John. “Photoplethysmography and Its Application in Clinical Physiological Measurement.” Fiziológiai mérés 28. sz. 3 (March 1, 2007): R1–39. https://doi.org/10.1088/0967-3334/28/3/R01.
  • Fischer, Christoph, Benno Domer, Thomas Wibmer, and Thomas Penzel. “An Algorithm for Real-Time Pulse Waveform Segmentation and Artifact Detection in Photoplethysmograms.” IEEE Journal of Biomedical and Health Informatics 21. sz. 2 (March 2017): 372–81. https://doi.org/10.1109/JBHI.2016.2518202.
  • Kamshilin, Alexei A., and Nikita B. Margaryants. “Origin of Photoplethysmographic Waveform at Green Light.” Physics Procedia 86 (2017): 72–80. https://doi.org/10.1016/j.phpro.2017.01.024.
  • Kumar, Mayank, James Suliburk, Ashok Veeraraghavan, and Ashutosh Sabharwal. “PulseCam: High-Resolution Blood Perfusion Imaging Using a Camera and a Pulse Oximeter.” Ban ben 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 3904–9. Orlando, FL, USA: IEEE, 2016. https://doi.org/10.1109/EMBC.2016.7591581.
  • Kumar, Mayank, Ashok Veeraraghavan, and Ashutosh Sabharwal. “DistancePPG: Robust Non-Contact Vital Signs Monitoring Using a Camera.” Biomedical Optics Express 6, sz. 5 (May 1, 2015): 1565. https://doi.org/10.1364/BOE.6.001565.
  • Pai, Amruta, Ashok Veeraraghavan, and Ashutosh Sabharwal. “CameraHRV: Robust Measurement of Heart Rate Variability Using a Camera.” Ban ben Optical Diagnostics and Sensing XVIII: Toward Point-of-Care Diagnostics, edited by Gerard L. Coté, 27. San Francisco, United States: SPIE, 2018. https://doi.org/10.1117/12.2289205.

Websites & Blogs

  • Luke Campagnola, “PyQtGraph Documentation”, (July 2019), http://www.pyqtgraph.org/documentation/index.html
  • Joel Murphy & Yury Gitman, “Getting Advanced”, (July 2018), https://pulsesensor.com/pages/getting-advanced
  • Jimmy Newland, “DIY PPG”, (July 2019), https://www.jimmynewland.com/wp/about-jimmy/presentations/comparing-ppg-signals-open-vs-closed/
  • OpenCV Documentation, “OpenCV-Python Tutorials”, (July 2019), https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_tutorials.html
  • PythonProgramming.net, “OpenCV Tutorial”, (June 2019), https://pythonprogramming.net/loading-images-python-opencv-tutorial/
  • Paul van Gent, “Analyzing a Discrete Heart Rate Signal Using Python”, (March 2016), http://www.paulvangent.com/2016/03/15/analyzing-a-discrete-heart-rate-signal-using-python-part-1/
  • Gaël Varoquaux, Adrien Chauve, Andre Espaze, Emmanuelle Gouillart, Ralf Gommers, “SciPy FFT Lecture Notes”, (July 2019), https://scipy-lectures.org/intro/scipy/auto_examples/plot_fftpack.html

Code Repositories

  • Justin Johnson, “Python Numpy Tutorial”, (June 2019), http://cs231n.github.io/python-numpy-tutorial/
  • Udayan Kumar, “Heart Beat sensor using Raspberry Pi and Pulse Sensor”, (June 2016), GitHub repository, https://github.com/udayankumar/heart-rate-raspberry-pi/
  • Joel Murphy & Yury Gitman, “Pulse Sensor Projects Repository”, (July 2018), GitHub repository, https://github.com/WorldFamousElectronics
  • Jimmy Newland, “PATHS-UP RET 2018”, (July 2019), https://github.com/PATHS-UP-RET/paths-up-expeditions-in-computing-ret201
  • Alex Riss, “Read heart rate data (using the pulse sensor) and compute heart rate variability parameters.”, (March 2015), GitHub repository, https://github.com/alexriss/heartex
  • Felhasználó tobac, “Python client for Contec CMS50EW pulse oximeter”, (April, 2017), GitHub repository, https://github.com/tobac/cms50ew
  • François-Xavier Thomas, “PyQtGraph Examples”, (June 2019), https://github.com/fxthomas/pg-examples/blob/master/linked_rois.py
  • Paul van Gent, “Python Heart Rate Analysis Toolkit”, (July 2018), GitHub repository, https://github.com/paulvangentcom/heartrate_analysis_pytho


Nézd meg a videót: Experiment 14-To understand the PPG signal analysis, signal peak, Heart rate u0026 SPO2 (Június 2022).


Hozzászólások:

  1. Mijind

    Babák a legmagasabb fokozat!!!

  2. Ishaq

    Ez - a jelentésről.

  3. Bimisi

    Biztosan. A fentiek mind elmondták az igazat. Kommunikálhatunk ezen a témán. Itt vagy PM -ben.

  4. Yojin

    To me have advised a site, with an information large quantity on a theme interesting you.

  5. Kazizahn

    Eltávolítják (vegyes témája van)



Írj egy üzenetet