Методические рекомендации по созданию сенсорных измерительных систем мониторинга частоты дыхания на основе обработки фотоплетизмографических сигналов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Предложен методический аппарат для создания сенсорных измерительных систем мониторинга частоты дыхания человека. Он включает метод оценки частоты дыхания на основе статистического анализа фотоплетизмографических сигналов (пульсовой волны человека), методику выбора приоритетных регионов для оценки частоты дыхания и критерий определения требуемого натяжения браслета при измерениях. Применение методики оценки частоты дыхания предполагает вычисление коррентропной спектральной плотности сигнала пульсовой волны. Отличительной особенностью методики является применение алгоритма выбора приоритетной эмпирической моды разложения Гильберта–Хуанга, в наибольшей степени связанной с частотой дыхания. Экспериментальная проверка методики показала, что среднее значение абсолютной погрешности для 58.8% выборки вычисленных значений частоты дыхания не превысило 1 вдох/мин, а 95% доверительный интервал для средней абсолютной погрешности всей выборки составил [0.72–2.2] вдохов/мин.

Об авторах

П. Б. Петренко

КБ “Синергия”

Автор, ответственный за переписку.
Email: prof.petrenko54@gmail.com
Россия, Санкт-Петербург

Список литературы

  1. Айфичер Э. С., Джервис Б. У. Цифровая обработка сигналов: практический подход, 2 изд.: пер. с англ. М., Вильямс, 2008. 992 с.
  2. Гаранин А. А., Шипунов И. Д., Рубаненко А. О., Санникова Н. О. Бесконтактные методы измерения частоты дыхания (обзор литературы). Вестник новых медицинских технологий. Электронное издание. 2023. № 5. C. 64–72. http://doi.org/10.24412/2075-4094-2023-5-1-9.
  3. Гуцол Л. О., Непомнящих С. Ф., Корытов Л. И., Губина М. И., Цыбиков Н. Н., Витковский Ю. А. Физиологические и патофизиологические аспекты внешнего дыхания. ГБОУ ВПО ИГМУ Минздрава России, Кафедра патологической физиологии с курсом клинической иммунологии, кафедра нормальной физиологии. Иркутск, ИГМУ, 2014. 116 с.
  4. Кан Ш. Ч., Микулович А. В., Микулович В. И. Анализ нестационарных сигналов на основе преобразования Гильберта–Хуанга. Информатика. 2010. № 2. C. 25–35.
  5. Кубланов В. С., Долганов А. Ю., Костоусов В. Б. Немирко А. П., Манило Л. А., Петренко Т. С., Gamboa H., Rodriges J. Биомедицинские сигналы и изображения в цифровом здравоохранении: хранение, обработка и анализ: учебное пособие / Екатеринбург: Изд-во Урал. ун-та, 2020. 240 с.
  6. Марпл.-мл. С. Л. Цифровой спектральный анализ и его приложения. Пер. с англ. М.: Мир, 1980. 584 с.
  7. Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход. Пер. с англ. под ред. А. П. Немирко. М., ФИЗМАТЛИТ, 2007. 440 с.
  8. Chang H-H. Hsu C. C., Chen C-Y., Lee W-K., Hsu H-T.,. Shyu K-K, Yeh J-R., Lin P.-J., Lee P-L. A Method for Respiration Rate Detection in Wrist PPG Signal Using Holo-Hilbert Spectrum. IEEE Sensors Journal. 2018. V.18(18), September 15. P. 11. http://doi.org/10.1109/JSEN.2018.2855974
  9. Dehkordi P., A. , Molavi B., J. M. Extracting Instantaneous Respiratory Rate from Multiple Photoplethysmogram Respiratory-Induced Variations. Front. in Physiol. 2018. V. 9. P. 10. http://doi.org /10.3389/fphys.2018.00948
  10. Elgendi M Menon Dataset of Psychological Scales and Physiological Signals Collected for Anxiety Assessment Using a Portable Device. Data Descriptor. 2022. V. 7(9). № 132.P. 12. https://doi.org/10.3390/data7090132
  11. Garde A., Karlen W., Ansermino J. M., Dumont G. A. Estimating Respiratory and Heart Rates from the Correntropy Spectral Density of the Photoplethysmogram. PLOS ONE. 2014. V. 9(1). P. 11. https://doi.org/10.1371/ journal.pone.0086427
  12. Herawati N. E., Nisa K., Setiawan E. The Optimal Bandwidth for Kernel Density Estimation of Skewed. Distributional: A Case Study on Survival Time Data of Cancer Patients. Presiding Seminar Nasional Metode Quantitative. 2017. P. 380–388.
  13. Huang N. E., Hu K., Yang A. C., Chang H.-C., Jia D., Liang W.-K., Yeh J. R., Kao C.-L., Juan C.-H., Peng C.K., Meijer J. H., Wang Y.-H., Long S. R., Wu Z. On Holo-Hilbert spectral analysis: a full informational spectral representation for nonlinear and non-stationary data. Philosophical Transactions Series A. Mathematical, physical, and engineering sciences. 374 (2065): 201502062016. 2016. P. 21. http://dx.doi.org/10.1098/rsta.2015.0206
  14. Huang N. E., Shen Z., Long S. R., . Wu M.L.C. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proc. Ro. Soc. Lond. A.1998. V. 454. P. 903–995. http://dx.doi.org/10.1098/rspa.1998.0193
  15. Huang N. E., Wu M-C., Long S. R., Shen S. S.P. , Qu W., Gloersen P., Fan K. L. A confidence limit for empirical mode decomposition and Hilbert spectral analysis. Proc. R. Soс.: Mathematical, Physical and Engineering Sciences. 2003. V. 459. P. 2317–23425. http://dx.doi.org/10.1098/rspa.2003.1123
  16. Huang N. E., Wu Z., Long S. R., Arnold K. C., Chen X., Blank K. On instantaneous frequency. Advances in Adaptive Data Analysis. 2009. V. 1(2). P. 177–229. http://dx.doi.org/10.1142/S1793536909000096
  17. Huang N. E , Z. A review on Hilbert-Huang transform: Method and its applications to geophysical studies. 2008. V. 46(2): RG2008. P. 23. http://dx.doi.org/10.1029/2007RG000228
  18. Johansson A. Neural network for photoplethysmographic respiratory rate monitoring. Med. Biol. Eng. Computing 2003. V. 41(3). P. 242–248. http://dx.doi.org/10.1007/BF02348427
  19. Lázaro J., Gil E., Bailón R., Laguna P. Deriving Respiration from the pulse photoplethysmographic signal. Computing in Cardiology. 2011. V. 38. P. 713–716. https://www.researchgate.net/publication/254019768
  20. Nita G. M., Gary D. E., Liu Z., Hurford G. J., White S. M. Radio Frequency Interference Excision Using Spectral-Domain Statistics. The Astronomical Society of the Pacific. 2007. V. 119. P. 805–827. http://dx.doi.org/10.1086/520938
  21. PPG-BP Database. 2022. https://figshare.com/articles/dataset/PPG-BP_Database_zip/5459299?file=9441097
  22. Real-World PPG dataset. 2019. https://data.mendeley.com/datasets/yynb8t9x3d/1
  23. Santamaria I., Pokharel P. P., Principe J. C. Generalized correlation function: definition, properties, and application to blind equalization. IEEE Transactions on Signal Processing. 2006, V. 54(6). P. 2187–2197. http://dx.doi.org/10.1109/TSP.2006.872524
  24. Shelley K. H., A. A R. G. The use of joint time frequency analysis to quantify the effect of ventilation on the pulse oximeter waveform. J. Clin. Monit. Compute. 2006. № 20(2). P. 81–87. http://dx.doi.org/10.1007/s10877-006-9010-7
  25. Silverman B. W. Density Estimation for Statistics and Data Analysis. London. Chapman & Hall/CRC. 1998. P. 176. https://doi.org/10.1201/9781315140919
  26. Tiara Medical. Kernel KN-601M. 2013. http://www.kernel-medical.ru/monitor/kn-601m
  27. Vrabie V. D., Granjon P., Serviere C. Spectral Kurtosis: from Definition to Application. 6th IEEE International Workshop on Nonlinear Signal and Image Processing (NSIP 2003). 2003. P. 5. Grado-Trieste, Italy. hal-00021302. http//Hal. Science/ hal-00021302.
  28. Weifeng L., Pokharel P. P., Principe J. C. Correntropy: Properties and Applications in Non-Gaussian Signal Processing. IEEE Transactions on Signal Processing. 2007. V. 55(11). P. 5286–5298. https://doi.org/10.1109/TSP.2007.896065

© Российская академия наук, 2024

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах