CN116744843A - 用可穿戴心血管感测测量血流动力学参数的系统和方法 - Google Patents

用可穿戴心血管感测测量血流动力学参数的系统和方法 Download PDF

Info

Publication number
CN116744843A
CN116744843A CN202180087930.3A CN202180087930A CN116744843A CN 116744843 A CN116744843 A CN 116744843A CN 202180087930 A CN202180087930 A CN 202180087930A CN 116744843 A CN116744843 A CN 116744843A
Authority
CN
China
Prior art keywords
user
heart
assessment
signal
sensor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180087930.3A
Other languages
English (en)
Inventor
O·T·伊南
V·B·艾德米尔
J·雷赫
M·M·H·尚德海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Georgia Tech Research Corp
Original Assignee
Georgia Tech Research Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Georgia Tech Research Corp filed Critical Georgia Tech Research Corp
Publication of CN116744843A publication Critical patent/CN116744843A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/332—Portable devices specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/683—Means for maintaining contact with the body
    • A61B5/6832—Means for maintaining contact with the body using adhesives
    • A61B5/6833—Adhesive patches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/06—Arrangements of multiple sensors of different types
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/0215—Measuring pressure in heart or blood vessels by means inserted into the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/6852—Catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Hematology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本公开的示例性实施例提供了一种用于评估心脏健康的系统，包括第一传感器、第二传感器、处理器和存储器。第一传感器能够被配置为测量用户的心脏的至少一个电特性。第二传感器能够被配置为测量用户的心源性振动。存储器能够包括指令，指令在由处理器执行时，使处理器至少部分地基于来自第一传感器和第二传感器的测量生成用户心脏健康的评估，包括指示心脏充盈特性的数据。

Description

用可穿戴心血管感测测量血流动力学参数的系统和方法
相关申请的交叉引用
本申请要求2020年11月24日提交的美国临时申请序列No.63/117,766的权益，该申请通过引用整体并入本文，如同在下文中完整阐述一样。
政府许可权
根据美国国立卫生研究院授予的第1R01HL130619-A1号奖项，本公开是在政府支持下进行的。政府在本公开中拥有一定的权利。
技术领域
本公开一般而言涉及健康系统和方法，并且更特别地涉及用于评估心脏健康的可穿戴系统和方法。
背景技术
心力衰竭(HF)是一种使人衰弱的疾病，每年在美国导致近300,000人死亡和超过800,000人住院。与HF相关联的成本每年超过300亿美元，预计到2030年将增加到700亿美元。HF的成本和死亡率的驱动因素之一是初次住院后患者的高再住院率。因此，需要改进的方法来最优地在家管理患者，以减少再住院，从而在降低成本的同时改善HF护理。
已证明在家中管理HF患者的最佳结果的临床策略包括使用植入式设备测量肺动脉(PA)压力，并根据PA压力升高(指示充血或即将发生代偿失调)的存在进行滴定疗法。虽然用PA压力检测血流动力学充血的方法是合理的并在大型随机临床试验中得到验证，但与外科规程相关联的成本和并发症使得该方法仅适用于一小部分HF患者。
因此，所需要的是无创且廉价的技术，其使得无需可植入设备即可检测肺动脉压力升高，从而允许监视心衰患者并个性化疗法，以实现有效护理和改善的结果，诸如减少住院次数和更好的生活质量。
发明内容
本公开涉及健康系统和方法。所公开的技术包括用于评估用户的心脏健康的系统。用于评估心脏健康的系统可以包括第一传感器、第二传感器、处理器和存储器。第一传感器可以被配置为测量用户心脏的至少一个电特性。第二传感器可以被配置为测量用户的心源性振动。存储器可以包括指令，当由处理器执行时，这些指令使处理器至少部分地基于来自第一传感器和第二传感器的测量生成用户心脏健康的评估，包括指示心脏充盈特性的数据。
第一传感器可以被配置为测量用户的心电图信号。
第二传感器可以被配置为测量用户的心震图信号。
存储器可以包括指令，当由处理器执行时，这些指令使处理器至少部分地基于用户的心震图信号的横轴生成用户心脏健康的评估，包括指示心脏充盈特性的数据。
存储器可以包括指令，当由处理器执行时，这些指令使处理器至少部分地基于用户的心震图信号的头到脚轴生成用户心脏健康的评估，包括指示心脏充盈特性的数据。
存储器可以包括指令，当由处理器执行时，这些指令使处理器至少部分地基于用户的心震图信号的背腹轴生成用户心脏健康的评估，包括指示心脏充盈特性的数据。
存储器可以包括指令，当由处理器执行时，这些指令使处理器至少部分地基于心跳的舒张期部分期间用户的心震图信号生成用户心脏健康的评估，包括指示心脏充盈特性的数据。
心脏健康的评估可以包括指示用户心力衰竭的临床状态的分类的数据。
心脏健康的评估可以包括指示用户的血流动力学的改变的指示的数据。
心脏健康的评估可以包括指示用户的充盈压力的改变的指示的数据。
心脏健康的评估可以包括指示用户的肺动脉压力的改变的指示的数据。
心脏健康的评估可以包括指示用户的肺毛细血管楔压的改变的指示的数据。
存储器可以包括指令，当由处理器执行时，这些指令使处理器执行校准步骤以便为与用户的心脏健康相关联的一个或多个参数创建基线。
基线可以是基线充盈压力。
校准步骤可以包括使用人口水平回归模型来创建基线。
校准步骤可以包括使用用户的个性化数据来创建基线。
个性化数据可以包括来自右心导管插入术的数据。
个性化数据可以包括来自临床检查的数据。
第一传感器可以包括用于放置在心脏附近的第一可穿戴传感器。第二传感器可以包括用于放置在心脏附近的第二可穿戴传感器。
用于评估心脏健康的系统可以包括第三传感器。
第三传感器可以被配置为测量环境参数。
第三传感器可以被配置为测量用户的光电容积脉搏波信号。
第二传感器可以被配置为测量用户的陀螺心电图信号。
用于评估心脏健康的系统可以包括指示用户的心脏健康的输出。
用于评估心脏健康的系统可以包括无线通信器。无线通信器可以被配置为将用户的心脏健康的评估无线地传送到远程设备。
用于评估心脏健康的系统可以可由用户穿戴。
所公开的技术包括用于评估用户的心脏健康的可穿戴系统。用于评估心脏健康的可穿戴系统可以包括第一传感器、第二传感器和控制器。第一传感器可以被配置为测量用户心脏的至少一个电特性。第二传感器可以被配置为测量用户的心源性振动。控制器可以被配置为执行校准步骤以创建与用户的心脏健康相关联的一个或多个参数的基线。控制器可以被配置为至少部分地基于基线和来自第一传感器和第二传感器的测量来生成用户的心脏健康的评估，包括指示心脏的充盈特性的数据。
第一传感器可以被配置为测量用户的心电图信号。
第二传感器可以被配置为测量用户的心震图信号。
包括指示心脏的充盈特性的数据的用户心脏健康的评估可以至少部分地基于用户的心震图信号的横轴。
包括指示心脏充盈特性的数据的用户心脏健康的评估可以至少部分地基于用户的心震图信号的头到脚轴。
包括指示心脏充盈特性的数据的用户心脏健康的评估可以至少部分地基于用户的心震图信号的背腹轴。
包括指示心脏充盈特性的数据的用户心脏健康的评估可以至少部分地基于在心跳的舒张部分期间用户的心震图信号。
心脏健康的评估可以包括指示用户的心力衰竭的临床状态的分类的数据。
心脏健康的评估可以包括指示用户的血流动力学的改变的指示的数据。
心脏健康的评估可以包括指示用户的充盈压力的改变的指示的数据。
心脏健康的评估可以包括指示用户的肺动脉压力的改变的指示的数据。
心脏健康的评估可以包括指示用户的肺毛细血管楔压的改变的指示的数据。
基线可以是基线充盈压力。
校准步骤可以包括使用人口水平回归模型来创建基线。
校准步骤可以包括使用用户的个性化数据来创建基线。
个性化数据可以包括来自右心导管插入术的数据。
个性化数据可以包括包含来自临床检查的数据的数据。
第一传感器可以包括用于放置在心脏附近的第一可穿戴传感器。第二传感器可以包括用于放置在心脏附近的第二可穿戴传感器。
用于评估心脏健康的可穿戴系统可以包括第三传感器。
第三传感器可以被配置为测量环境参数。
第三传感器可以被配置为测量用户的光电容积脉搏波信号。
第二传感器可以被配置为测量用户的陀螺心电图信号。
用于评估心脏健康的可穿戴系统可以包括指示用户的心脏健康的输出。
用于评估心脏健康的可穿戴系统可以包括无线通信器。无线通信器可以被配置为将用户的心脏健康的评估无线地传送到远程设备。
用于评估心脏健康的可穿戴系统可以由用户穿戴。
所公开的技术包括一种用于无创地监视用户的心脏健康的方法。该方法可以包括由可穿戴设备接收指示用户的心脏的至少一个电特性的第一信号。该方法可以包括由可穿戴设备接收指示用户的心源性振动的第二信号。该方法可以包括至少部分地基于第一和第二信号生成对用户的心脏健康的评估，包括指示心脏的充盈特性的数据。该方法可以包括提供指示用户的心脏健康的评估的输出。
第一信号可以指示用户的心电图信号。
第二信号可以指示用户的心震图信号。
包括指示心脏的充盈特性的数据的用户心脏健康的评估可以至少部分地基于用户的心震图信号的横轴。
包括指示心脏充盈特性的数据的用户心脏健康的评估可以至少部分地基于用户的心震图信号的头到脚轴。
包括指示心脏充盈特性的数据的用户心脏健康的评估可以至少部分地基于用户的心震图信号的背腹轴。
包括指示心脏充盈特性的数据的用户心脏健康的评估可以至少部分地基于在心跳的舒张部分期间用户的心震图信号。
心脏健康的评估可以包括指示用户的心力衰竭的临床状态的分类的数据。
心脏健康的评估可以包括指示用户的血流动力学的改变的指示的数据。
心脏健康的评估可以包括指示用户的充盈压力的改变的指示的数据。
心脏健康的评估可以包括指示用户的肺动脉压力的改变的指示的数据。
心脏健康的评估可以包括指示用户的肺毛细血管楔压的改变的指示的数据。
方法可以包括校准以创建用于与用户的心脏健康相关联的一个或多个参数的基线。
基线可以是基线充盈压力。
校准可以包括使用人口水平回归模型来创建基线。
校准可以包括使用用户的个性化数据来创建基线。
个性化数据可以包括来自右心导管插入术的数据。
个性化数据可以包括来自临床检查的数据。
可穿戴设备可以放置在心脏附近。
该方法可以包括接收第三信号。
第三信号可以指示至少一个环境参数。
第三信号可以指示用户的光电容积脉搏波信号。
第二信号可以指示用户的陀螺心电图信号。
在下面的详细描述和附图中描述本公开的这些和其它方面。在结合附图审阅特定示例性实施例的以下描述后，实施例的其它方面和特征对于本领域普通技术人员将变得显而易见。虽然可以相对于某些实施例和附图讨论本公开的特征，但是本公开的所有实施例可以包括本文讨论的一个或多个特征。另外，虽然一个或多个实施例可以被讨论为具有某些有利的特征，但是此类特征中的一个或多个也可以与本文讨论的各种实施例一起使用。以类似的方式，虽然示例性实施例可以在下面作为设备、系统或方法实施例进行讨论，但是应该理解的是，此类示例性实施例可以在本公开的各种设备、系统和方法中实现。
附图说明
当结合附图阅读时，将更好地理解以下对本公开的具体实施例的详细描述。为了说明本公开，附图中示出了具体实施例。但是，应当理解的是，本公开不限于附图中所示的实施例的精确布置和工具。
图1A提供了根据本公开的用于评估心脏健康的示例系统的图示。
图1B提供了根据本公开的用于评估心脏健康的示例系统的照片。
图1C提供了根据本公开的用于评估心脏健康的示例系统的照片。
图1D提供了根据本公开的来自用于评估心脏健康的系统的示例信号数据。
图1E提供了根据本公开的用于评估心脏健康的示例系统和示例信号数据的图示。
图2A提供了根据本公开的处理数据的方法的图。
图2B提供了用于处理数据的方法的步骤图。
图2C提供了处理数据的方法的可视化。
图3A提供了根据本公开的实验测得的SCG数据的曲线图。
图3B提供了根据本公开的实验测得的SCG数据的曲线图。
图3C提供了根据本公开的实验测得的SCG数据的曲线图。
图3D提供了根据本公开的实验测得的SCG数据的曲线图。
图4提供了根据本公开的分类实验结果的曲线图。
图5提供了根据本公开的开窗实验结果的曲线图。
图6A提供了根据本公开的来自用于评估心脏健康的系统的示例信号数据。
图6B提供了根据本公开的用于信号处理的示例方法的图。
图6C提供了根据本公开的用于信号处理的示例方法的图。
图7A提供了根据本公开的实验测得的肺动脉压力的曲线图。
图7B提供了根据本公开的实验测得的肺毛细血管楔压的曲线图。
图7C提供了根据本公开的实验测得的SCG数据的曲线图。
图8A提供了根据本公开的相关性分析的曲线图。
图8B提供了根据本公开的相关性分析的曲线图。
图8C提供了根据本公开的相关性分析的曲线图。
图8D提供了根据本公开的相关性分析的曲线图。
图9A提供了根据本公开的相关性分析的图表。
图9B提供了根据本公开的相关性分析的图表。
图10A提供了根据本公开的算法特征的相对权重的曲线图。
图10B提供了根据本公开的算法特征的相对权重的曲线图。
图11提供了图示根据本公开的用于评估心脏健康的示例方法的流程图。
图12提供了图示根据本公开的用于评估心脏健康的示例方法的流程图。
图13A提供了根据本公开的使用训练集上的下选特征集的最佳分类器的接收器操作特性(ROC)曲线。
图13B提供了根据本公开的在训练集上学习并在看不到的验证集上评估的模型的ROC曲线。
图14A提供了根据本公开的来自一个失代偿受试者的三个示例搏动连同基本特征(srPower)计算。
图14B提供了根据本公开的来自一个代偿受试者的三个示例搏动连同基本特征(srPower)计算。
图15A提供了根据本公开的基于随机选择的失代偿受试者的失代偿曲线和随机选择的代偿受试者的代偿曲线的每个个体SCG搏动的每个PSD的平均值的功率谱密度(PSD)图。
图15B提供了根据本公开的图15A的较低频率范围(5-40Hz)的标注。
图15C提供了根据本公开的图15A的较高频率范围(200-250Hz)的标注。
图16A提供了根据本公开的示出在执行5折交叉验证时使用SFS选择特征的次数的柱状图。
图16B提供了根据本公开的示出具有使用线性SVM的特征权重计算的前三个重要性分数的特征的柱状图。
图16C提供了根据本公开的示出如由置换特征重要性方法评估的前三个最重要的特征的柱状图。
具体实施方式
贯穿本公开，我们描述了用于评估心脏健康的系统和方法，诸如评估用户心脏的健康状况的可穿戴系统和方法。例如，本公开的实施例提供了一种可穿戴的、侵入性最小的系统，以使用可穿戴的心震图(SCG)远程监视HF患者。因此，该系统可以评估用户的心脏健康并将结果告知用户和/或护理人员。例如，系统可以估计心脏的内部充盈压力，这可以代表充血(前负荷)。
虽然在整个本公开中关于用于评估心脏健康的系统和方法描述了所公开的技术，但是本领域的技术人员将认识到所公开的技术不限于此并且可以适用于其它场景和应用。例如，预期所公开的技术可以适用于任何量化前负荷相关的应用，包括出血监视和低血容量引起的心血管衰竭的检测。
将参考附图更全面地描述所公开技术的一些实施方式。但是，所公开的技术可以以许多不同的形式来实施，并且不应当被解释为限于本文阐述的实施方式。下文中描述为构成所公开技术的各种要素的组件旨在是说明性而不是限制性的。实际上，应理解的是，可以设想其它示例。将执行与本文描述的组件相同或相似功能的许多合适的组件旨在包含在所公开的电子设备和方法的范围内。本文未描述的此类其它组件可以包括但不限于例如在所公开技术的开发之后开发的组件。
在本文中，诸如“具有”、“包含”之类的术语的使用是开放式的，并且旨在与诸如“包括”之类的术语具有相同的含义，并且不排除其它结构、材料或行为的存在。类似地，虽然使用诸如“可以”或“可能”之类的术语旨在是开放式的并反映结构、材料或行为不是必需的，但不使用此类术语并不旨在反映该结构、材料或行为是必不可少的。就结构、材料或行为目前被认为是必不可少的而言，它们被确定为必不可少的。
应理解的是，提及一个或多个方法步骤并不排除存在附加的方法步骤或在明确识别的那些步骤之间的中间方法步骤。类似地，还应理解的是，在设备或系统中提及一个或多个组件并不排除存在附加组件或在明确识别的那些组件之间的中间组件。另外，预期所公开的方法和过程可以包括但不一定包括本文讨论的所有步骤。即，根据所公开技术的方法和过程可以包括所公开的一些而省略其它的。
贯穿整个说明书和权利要求书，除非另有说明，否则下列术语至少具有与本文明确关联的含义。术语“或”旨在表示包含性“或”。另外，术语“一”、“一个”和“该”旨在表示一个或多个，除非另有说明或从上下文中清楚指向单数形式。“包括”、“含有”或“包含”是指至少指定的要素或方法步骤存在于物品或方法中，但不排除其它要素或方法步骤的存在，即使其它此类要素或方法步骤与命名的功能相同。
如本文所使用的，除非另有说明，否则使用序数形容词“第一”、“第二”、“第三”等来描述共同对象仅指示所提及的相似对象的不同实例，并且并非意在暗示如此描述的对象必须在时间上、空间上、排名上或以任何其它方式具有给定的顺序。
虽然本文中可以针对各种系统和方法描述所公开的技术，但是可以设想，具有完全相同或基本相似特征的所公开技术的实施例或实施方式可以可替代地被实现为方法或系统。例如，本文关于方法描述的任何方面、要素、特征等可以同样归因于系统。作为另一个示例，本文关于系统描述的任何方面、要素、特征等可以同样归因于方法。
现在将详细参考所公开技术的示例，其示例在附图中示出并在本文中公开。在任何方便的地方，相同的附图标记将在整个附图中用于指代相同或相似的部分。
现在参考附图，其中相似的数字表示相似的元素，在本文描述本公开的示例。如将更详细地描述的，本公开可以包括用于评估心脏健康的系统和方法。为了提供本公开中描述的系统的背景，用于评估心脏健康的系统的组件在图1A中示出并且将首先被讨论。
为了促进理解本公开的原理和特征，在本文解释所公开技术的各种示例。本文描述为构成所公开技术的各种要素的组件、步骤和材料旨在说明而非限制。将执行与本文所述的组件、步骤和材料相同或相似的功能的许多合适的组件、步骤和材料旨在包含在本公开的范围内。本文未描述的此类其它组件、步骤和材料可以包括但不限于在本文公开的实施例的开发之后开发的类似组件或步骤。
如本文所使用的，除非另有说明，否则术语“心脏健康”是指整个心脏和心血管系统的健康。
如本文所使用的，除非另有说明，否则术语“信号”是指一种或多种信号。
如图1A和1E中所示，所公开的技术包括用于评估心脏健康的系统100。系统100可以包括可穿戴设备110。可穿戴设备110可以是穿戴在人(例如，用户130)身上的设备。可替代地或附加地，可穿戴设备110可以被配置为定位在用户130的心脏120附近。例如，如图1A和1E中所示，可穿戴设备110可以穿戴在用户130的胸部。
可穿戴设备110可以包括一个或多个传感器。例如，可穿戴设备110可以包括第一传感器112。可替代地或附加地，可穿戴设备110可以包括第二传感器114。
第一传感器112可以被配置为测量心脏的至少一个电特性。例如，第一传感器112可以测量用户130的心电图(ECG)信号。第一传感器112可以包括可以放置在用户130的身体上的一个或多个电极。例如，一个或多个电极可以贴在用户130的皮肤上。可替代地或附加地，贴到用户130的皮肤的一个或多个电极还可以将可穿戴设备110固定到用户。
第二传感器114可以被配置为测量用户的心源性振动。例如，第二传感器可以被配置为测量用户130的心震图(SCG)信号。第二传感器114可以被配置为测量三轴SCG信号。例如，三轴SCG信号可以包括背腹轴、侧轴和/或头到脚轴。可替代地或附加地，第二传感器114可以被配置为测量用户的陀螺心电图信号。
系统100可以可替代地或附加地包括导管140。导管140可以插入用户体内以测量血流动力学参数。例如，可以将导管140插入到正在进行右心导管插入术(RHC)规程的用户130体内。
如图1B和1C中所示，可穿戴设备110可以包括第一侧150和第二侧160。例如，可穿戴设备可以具有包括第一侧150和第二侧160的外部结构。第一侧150和第二侧160可以是可连接和可分离的结构。第一侧150和第二侧160可以是大致圆形的并且可连接以形成大致冰球状的形状。可替代地或附加地，可穿戴设备110可以包括用于执行可穿戴设备110的各种操作的电子器件170。例如，电子器件170可以位于第一侧150和第二侧160之间的可穿戴设备110内部。
第一侧150可以被配置为背对用户130的身体(例如，远离心脏120)。第一侧150可以包括对准标记152。例如，对准标记152可以是用于指示可穿戴设备110在被用户穿戴时应当定向的方向的箭头(例如，箭头应当朝向用户130的头部)。
第二侧160可以被配置为面向用户130的身体(例如，靠近心脏120)。第二侧160可以包括连接器162。连接器162可以连接到第一传感器112。例如，第一传感器112可以包括一个或多个可以贴在用户130的身体上的电极，并且连接器162可以将第二侧160连接到一个或多个电极。这样做时，可穿戴设备110可以通过第一传感器112的一个或多个电极贴到用户130以及可穿戴设备110的其它部分(例如，第二传感器114、第一侧150、第二侧160和电子器件170)通过连接器162连接到一个或多个电极，来固定到用户。连接器162可以是本领域已知的任何连接器，包括但不限于纽扣、按扣(snap button)、按钮、粘合剂、钩和环等，或其任意组合。
电子器件170可以包括系统100的电子组件。电子器件170可以包括处理器和存储器。例如，电子设备170可以包括CPU、微处理器等。存储器可以包括逻辑指令，当由处理器执行时，逻辑指令使处理器执行本文公开的功能中的一个或多个。可替代地或附加地，存储器可以包括可去除存储器卡。例如，可以保存收集的数据(例如，来自一个或多个传感器)的微型安全数字(microSD)卡。可替代地或附加地，电子器件170可以包括收发器。例如，收发器可以从一个或多个传感器(例如，第一传感器112、第二传感器114)接收数据并将数据传输到远程设备。可替代地或附加地，电子器件可以包括插头172。插头172可以被配置为向可穿戴设备110提供电力。例如，插头172可以连接到电源以直接为可穿戴设备110供电和/或为可穿戴设备110的电池充电。可替代地或附加地，插头172可以被配置为与外部设备连接(例如，发送和接收数据)。例如，插头可以允许可穿戴设备连接到外部计算机、平板电脑、移动电话、其它处理器等，以发送和接收数据。插头172可以是USB连接器。电子设备170可以包括电源。例如，电源可以是用于为可穿戴设备的组件(例如，第一传感器112、第二传感器114、处理器、收发器)供电的电池。可替代地或附加地，电子设备可以包括一个或多个附加的传感器(除了第一和第二传感器112、114之外)。例如，电子器件可以包括第三传感器。
第三传感器可以被配置为测量环境参数。例如，第三传感器可以被配置为测量温度、湿度、高度等中的一个或多个，或其任何组合。可替代地或附加地，第三传感器可以被配置为测量用户的光电容积脉搏波信号。
所公开的技术包括用于评估心脏健康的方法，诸如图11中所示的方法1100。方法1100和/或本文描述的任何其它方法可以以由控制器或计算机执行。例如，方法1100可以由包括控制器或计算机的可穿戴设备110执行。可替代地或附加地，方法1100可以由遥控器或计算机来执行。例如，可穿戴设备110可以连接(例如，通过收发器、通过存储器卡、通过插头172和电线)到遥控器或计算机。
方法1100可以包括从第一传感器接收1102数据。来自第一传感器的数据可以与用户心脏的至少一个电特性相关。例如，第一传感器可以测量用户的心电图信号。
方法1100可以包括从第二传感器接收1104数据。来自第一传感器的数据可以与用户的心源性振动有关。例如，第二传感器可以测量用户的心震图信号。可替代地或附加地，第二传感器可以测量用户的陀螺心电图信号。
方法1100可以包括基于来自第一和第二传感器的数据确定1106心脏的充盈特性。例如，心脏的充盈特性可以至少部分地基于心震图信号的一个或多个轴(例如，侧向、头到脚、背腹)。可替代地或附加地，充盈特性可以至少部分地基于心跳的舒张期期间的心震图信号。
方法1100可以包括基于心脏的充盈特性评估1108心脏健康。例如，心脏健康评估可以包括用户心力衰竭临床状态的分类。可替代地或附加地，心脏健康的评估可以包括指示用户心脏的充盈特性的改变的数据。例如，血流动力学、充盈压力、肺动脉压、肺毛细血管楔压等或其任意组合的变化。
方法1100可以包括向用户输出1110心脏健康评估。例如，可以将心脏健康评估发送到连接的设备(例如，智能电话、平板电脑、计算机)。可替代地或附加地，心脏健康评估可以显示在心脏健康评估设备(例如，可穿戴设备)上。心脏健康评估可以包括给用户的警报。例如，方法1100可以重复和实时地执行并且心脏健康评估可以包括当心脏健康评估改变时的警报。通过实时监视和警报，用户和/或临床医生可以治疗心力衰竭患者。例如，用户和/或临床医生可以截取身体代偿循环(例如，通过药物滴定)。
所公开的技术包括用于评估心脏健康的方法1200，如图12中所示。方法1200和/或本文描述的任何其它方法可以由控制器或计算机执行。例如，方法1200可以由包括控制器或计算机的可穿戴设备110执行。可替代地或附加地，方法1200可以由遥控器或计算机来执行。例如，可穿戴设备110可以连接(例如，通过收发器、通过存储器卡、通过插头172和电线)到遥控器或计算机。
方法1200可以包括确定1202基线。例如，确定1202基线可以包括用基线校准系统100。基线可以是基线充盈压力。基线可以基于人口水平的基线来确定。例如，基线肺压力值可以使用非侵入性SCG和ECG信号的特征使用人口水平回归算法进行跟踪。可替代地或附加地，可以基于个性化基线来确定基线。可以基于从RHC过程中收集的数据来确定个性化基线。例如，可以至少部分地基于从RHC设备获得的压力值来确定个性化基线。可替代地或附加地，可以基于来自临床医生的数据来确定个性化基线。例如，可以至少部分地基于从临床检查获得的压力值来确定个性化基线。
方法1200可以包括从第一传感器接收1204数据。来自第一传感器的数据可以与用户心脏的至少一个电特性相关。例如，第一传感器可以测量用户的心电图信号。
方法1200可以包括从第二传感器接收1206数据。来自第一传感器的数据可以与用户的心源性振动有关。例如，第二传感器可以测量用户的心震图信号。可替代地或附加地，第二传感器可以测量用户的陀螺心电图信号。
方法1200可以包括基于来自第一和第二传感器的数据来确定1208心脏的充盈特性。例如，心脏的充盈特性可以至少部分地基于心震图信号的一个或多个轴(例如，侧向、头脚、背腹)。可替代地或附加地，充盈特性可以至少部分地基于心跳的舒张期期间的心震图信号。此外，充盈特性可以至少部分地基于确定的基线。
方法1200可以包括基于心脏的充盈特性评估1210心脏健康。此外，心脏健康的评估可以至少部分地基于确定的基线。心脏健康的评估可以包括用户心力衰竭临床状态的分类。可替代地或附加地，心脏健康的评估可以包括指示用户心脏的充盈特性的改变的数据。例如，血流动力学、充盈压力、肺动脉压、肺毛细血管楔压等或其任何组合的改变。
方法1200可以包括向用户输出1212心脏健康评估。例如，可以将心脏健康评估发送到连接的设备(例如，智能电话、平板电脑、计算机)。可替代地或附加地，心脏健康评估可以显示在心脏健康评估设备(例如，可穿戴设备)上。心脏健康评估可以包括给用户的警报。例如，方法1200可以重复和实时地执行并且心脏健康评估可以包括当心脏健康评估改变时的警报。通过实时监视和警报，用户和/或临床医生可以治疗心力衰竭患者。例如，用户和/或临床医生可以截取身体补偿循环(例如，通过药物滴定)。
方法1100和1200还可以包括从一个或多个附加传感器接收数据。例如，方法1100和1200可以包括从第三传感器接收数据。第三传感器可以被配置为测量环境参数。例如，第三传感器可以被配置为测量温度、湿度、高度等中的一个或多个，或其任何组合。可替代地或附加地，第三传感器可以被配置为测量用户的光电容积脉搏波信号。方法1100和1200可以包括从第三传感器和第四传感器接收数据。例如，第三传感器可以被配置为测量环境参数并且第四传感器可以被配置为测量用户的光电容积脉搏波信号。
以下示例进一步说明了本公开的方面。但是，它们绝不是对本文所阐述的本公开的教导或公开的限制。
示例
示例1
以下示例使用信号处理和机器学习算法从用我们独特的可穿戴贴片硬件测得的无创心血管机电信号中提取相关信息，以估计心内压和肺压。
这个示例包括可穿戴设备，它接收代表生物功能的信号(例如，心脏的充盈压力)，以及处理信号中包含的信息的方法，以例如根据ECG和SCG信号估计充盈压力。
在这个示例中，我们开发了信号处理和机器学习算法，以从用我们独特的可穿戴贴片硬件测得的无创心血管机电信号中提取相关信息，以估计心内压和肺压。我们使用定制的可穿戴贴片从接受右心导管插入术(RHC)的心衰患者身上收集同步单导联心电图(ECG)和三轴心震图(SCG)信号，RHC是一种测量心内压力和肺压力的黄金标准临床规程。我们使用来自同时记录的SCG和ECG信号的特征，以及在RHC规程期间接受药理学挑战的受试者/患者的子集的那些压力改变，估计了基线压力值(从RHC装置获得)。
基线肺压力值以及压力的改变可以使用来自非侵入性SCG和ECG信号的特征使用人口水平回归算法进行跟踪。能够通过测量肺压力来跟踪心脏的充盈压力的不显眼的基于可穿戴贴片的可穿戴设备和相应的信号处理和机器学习算法可以实现对HF和其它心血管疾病患者的远程家庭监视。通过对HF患者的远程监视，有可能在家中逐步调整护理，最终可以减少住院率并改善受影响个体的生活质量。
可穿戴贴片硬件具有心电图(ECG)、心震图(SCG)和环境感测能力的独特组合，这允许在无人监督的环境中根据上下文感知确定血流动力学参数。与仅测量电生理学的其它技术或也可能测量心震图信号的其它可穿戴系统相比，诸如高度、湿度和温度之类的环境参数的测量允许将估计的血流动力学参数(诸如肺毛细血管楔压(PCWP)或肺动脉压(PAP))置于活动和/或环境的上下文中。例如，心脏中的血管扩张会导致心血管系统血容量相对减少，从而导致前负荷下降(PCWP和PAP下降)；将这些环境特征与SCG和ECG特征相结合，基于机器学习的模型估计血流动力学参数将更加准确。
而且，我们的部分工作重点是估计扰动引起的PAP和PCWP变化——虽然以药理学扰动(血管扩张剂输送)为例，但这种扰动也可能由运动、环境温度的改变(例如，热诱导血管舒张)，姿势的改变(例如，基于前负荷变化的坐到站)，或基于周围神经电刺激或基线生理状态的其它改变的其它调制技术引起。这种技术可以被用于例如校准血流动力学参数。不是只测量静止信号，而是可以在这种扰动之前和之后测量信号，并且可以将扰动引起的生理改变的方向或幅度纳入算法中，以提高PAP、PCWP和其它要估计的内部血流动力学参数的准确性。
我们开发了信号处理和机器学习算法，以通过从可穿戴ECG和SCG信号中提取相关特征来跟踪心脏的充盈压(前负荷)。我们使用定制的可穿戴胸贴收集了数据(单导联ECG和三轴SCG)。跟踪心脏充盈压力并采取积极措施(药物滴定、随访医院就诊等)已示出可有效减少心衰相关并发症的住院和心衰患者的全因住院。但是，与在诊所和家庭环境中用于跟踪心脏充盈压力的设备相关的高成本阻碍了它们在受HF影响的大量患者人口中的使用。我们正在开发的可穿戴传感器和对应的算法可以成为高成本血流动力学监视系统的低成本替代方案。
我们首次表明可以使用SCG和ECG信号跟踪心脏的充盈压力。我们能够估计不同心腔和肺腔(肺动脉、肺毛细血管、右心房和右心室)的基线压力值。我们还开发了一种算法，以通过药理学扰动(例如，输注血管扩张剂)来跟踪这些压力的改变。对于基线压力估计，患者尽可能保持仰卧位至少10分钟。在这个基线重新编码期间，患者可能会有一些扭曲SCG信号的不自主移动。我们开发了一种算法来检测和拒绝运动污染的SCG信号。使用信号质量索引，我们对患者的高质量SCG心跳进行了分层。从高质量的SCG心跳中，我们从SCG的每个轴提取相关特征，包括SCG信号的所有三个轴的背腹、侧向、头到脚和量值。在这些特征之上，我们训练了人口回归模型来预测平均压力值。使用留一受试者交叉验证方法来验证模型。
为了跟踪压力的改变，我们开发了一种基于动态时间规整(DTW)的距离度量来估计SCG从基线状态到血管扩张剂输注状态的改变，并使用来自SCG信号的不同部分(收缩压和舒张压)和不同轴(从头到脚、侧向、背腹和整体量值)的这些DTW距离估计压力(肺动脉、肺毛细血管、右心房和右心室)的变化。我们开发了算法，以使用降维技术(主成分分析)和高斯混合模型去除离群心跳信号和低质量信号(由于运动伪影和其它原因)。我们开发了全局回归模型(例如，Ridge、Lasso、随机森林等)来利用来自SCG信号的对应DTW距离估计压力值的改变，并通过留一受试者交叉验证来验证我们的模型。
大多数SCG研究都集中在信号的收缩部分和背腹轴上。但是，在我们的工作中，我们已经证明，关于心内压和肺压的改变，除了在SCG信号的收缩期内的背腹方向外，信号的舒张期特征、信号的横轴和总体量值提供了显著/有价值的信息。
该算法可以包括其它度量来估计SCG信号从一种状态到另一种状态的改变以及血流动力学的潜在改变：欧几里德距离、马氏距离、基于聚类的无监督学习方法、深度学习模型。为了提高信号质量并进行可靠的特征提取，可以使用不同的其它方法：流形映射、聚类等。该算法可以包括SCG信号的变化，以跟踪日常生活活动期间血流动力学的变化，这可能会提供有关运动不耐受的信息，该信息用于对与HF相关的风险进行分层。在本公开中，我们估计了心脏右侧(右心房、右心室)、肺动脉和肺毛细血管的压力变化。该算法可以转化为心脏左侧(左心房、左心室)和主动脉的压力改变。
这个示例介绍了一种可穿戴、廉价、最小干扰的系统，以使用可穿戴式心震图(SCG)远程监视HF患者。SCG信号响应于心脏射血和心脏移动而捕获胸壁的振动。我们研究了使用SCG信号对处于基线状态的HF患者的临床状态进行分类，以及SCG特征准确估计充盈压力的能力。具体而言，在这项工作中，我们展示了AUC为0.8的静息状态下HF患者临床状态的准确分类。而且，我们公开了一种基于机器学习的回归模型来测量肺毛细血管楔压(PCWP)，这是一种类似于PA压力的左心房压力的间接测量。测量PCWP的能力为护理人员提供了有价值的信息，类似于测量PA压力的植入式设备。这项工作中的所有数据都是在心导管插入实验室收集的，以在患者接受右心导管插入术(RHC)时获取SCG信号和血流动力学参数两者。
受试者人口统计学、实验方案和感测硬件
A.数据收集和实验方案
共有50名被诊断患有心力衰竭的受试者参加了该研究。排除准则包括植入心室辅助设备和既往心脏移植。表I中示出了研究人群的人口统计数据。每个受试者在数据收集前提供了书面知情同意书。
表I
受试者的人口统计信息
协议的目的是探讨SCG在区分基线状态(即，休息)的HF患者的临床状态(即，失代偿和代偿状态)以及SCG与血流动力学参数之间的相关性方面的区分特征。为了确定临床状态并捕获血流动力学参数，使用Mac-Lab血流动力学记录系统执行了RHC。基于RHC规程，测量了以下血流动力学参数：心脏指数(CI)、肺毛细血管楔压(PCWP)、肺动脉压(PAP)、右心房压(RAP)和右心室压(RVP)。基于血流动力学参数，临床状态如下确定：如果患者的平均PCWP为20mmHg或更高且心脏指数(CI)为2.2L/min/m2或更低，那么认为患者失代偿。否则，患者被认为得到了代偿。在一些少见情况下，如果PCWP值或CI值中的一个异常高/低，那么护理人员会推翻这个规则。例如，具有16mmHg的临界PCWP且CI为极低的1.3L/min/m2的患者被认为失代偿。
所有SCG数据都是在患者接受RHC规程时收集的。首先，患者仰卧在规程台上。可穿戴贴片硬件附接到患者胸骨中部以获取SCG信号。在规程期间，患者被告知尽可能保持静止。然后，将导管插入患者体内，以测量血流动力学参数。患者的仰卧位和静止状态在本文中称为基线状态。我们将在单个RHC规程中收集的所有信号称为记录，其中包括来自可穿戴贴片的ECG和SCG信号以及来自Mac-Lab血流动力学记录系统的压力波形。而且，我们将代偿记录定义为从确定为代偿的患者获得的记录，对于失代偿记录也类似。表I示出了收集的数据集中代偿和失代偿记录的数量。注意的是，一名患者接受了两次RHC规程，因此记录的数量比患者数量多一个。数据收集设置以及示例信号摘录如图1E中所示。图1E提供了数据收集设置的图示。心力衰竭患者在接受右心导管插入术(RHC)规程时处于仰卧位。在规程期间，将可穿戴贴片附接在患者的胸骨中部，以收集ECG和SCG信号。在右手侧，示出了代表性ECG和SCG信号的示例集，这些信号是从可穿戴SCG贴片收集的，以及从Mac-Lab血流动力学记录系统收集的RHC波形。波形是未经过滤的原始形式。
B.感测硬件
可穿戴贴片以1kHz对ECG信号进行采样、以500Hz对加速度计信号进行采样，并且以20Hz对环境信号进行采样，并将数据保存到贴片中的微型安全数字(microSD)卡中。定制的图形用户界面将所有数据从microSD卡传输到计算机，并以1kHz对加速度计和环境信号重新采样，使得所有信号共享相同的采样率以便于处理。然后在我们的处理算法中将所有信号抽取至500Hz以进行进一步分析。
信号处理和机器学习方法
A.信号预处理
第一个预处理步骤是从每个记录的开始和结束处去除5分钟，因为在一些记录中，传感器在设备附接到受试者之前开始记录，并在设备分离之后结束记录。作为第二步，我们使用以下数字滤波器规格对信号进行带通滤波：有限脉冲响应(FIR)滤波器，ECG和SCG信号的通带分别为4-25Hz和1-40Hz，阻带衰减为80dB。生成的等波纹FIR滤波器分别具有ECG和SCG信号的阶数332和1407。选择ECG信号的通带以隔离Rpeak(R峰)，以便在下一个处理步骤中更容易检测它们。对于SCG信号，选择通带以抑制带外噪声并保持SCG信号特点。
在过滤ECG和SCG信号两者后，我们形成了附加的SCG通道，我们称之为量值通道。
等式1：
其中SCGx[n]、SCGy[n]和SCGz[n]分别是SCG的左右、头到脚和背腹通道。
作为最后的预处理步骤，我们检测了ECG信号中的R峰，随后在SCG信号中进行了搏动分割。对于R峰检测，我们使用了两种算法：由Physionet实现的Pan-Tompkins和具有自定义实施方式的相量变换。我们只选择了从两种算法中检测到的R峰，以减少R峰检测中的假阳性。对于检测，我们使用12秒窗口来检测R峰。
使用R峰，按以下方式对SCG信号执行搏动分割：R峰前200ms和R峰后700ms分别被划定为搏动的开始和结束。结果，我们为SCG的每个通道构建了SCG搏动阵列。注意的是，与通常执行从Rpeak(即R峰之前/之后0ms)到R峰之后大约700ms的搏动分割的其它先前工作相比，在本工作中，我们故意包括心室舒张时间，因为我们预计在此时间期间观察到的特征可能与估计充盈压力非常相关。
B.运动伪影抑制和信号质量编索引
SCG信号容易受到运动伪影的影响：当受试者移动时，SCG振动会受到较高振幅的运动伪影的污染。在收集的数据集中，即使患者被指示尽可能保持静止，记录中仍然存在运动伪影。图3图示了一个记录中此类伪影的示例。图3提供了SCG背腹通道的运动伪影抑制的图示，图3A示出了从一个代表性受试者获得的完整记录，图3B示出了放大的记录可视化，其中一段被运动伪影污染，图3C示出了记录中最相似的连续两个搏动的图示，并且图3D示出了完整记录中运动伪影损坏的搏动的图示，其中搏动310指示量值通道超过阈值的样本。
通过充分利用观察到运动伪影的振幅高于SCG振动，我们设计了一种简单的算法来检测运动损坏的SCG搏动并随后丢弃运动污染的SCG搏动。这个算法输入分段的搏动阵列并输出运动污染的搏动的索引。伪代码如算法1中所示。检测的关键是搜索两个最相似的连续搏动。如果两个连续的搏动没有被运动污染，那么它们在形态上应该是相似的，因为在短时段内我们预计SCG形态不会发生实质性改变。因此，最相似的两个连续搏动应当没有运动伪影(有关此记录中最相似的两个连续搏动的示例，参见图3C)。通过使用记录的无运动伪影部分计算简单阈值，我们检测算法1中概述的运动伪影。运动伪影检测算法的结果如图3中所示。
为了衡量两个搏动之间的相似性，使用了以下公式：
等式2：其中/>这个公式的输出可以产生的值范围在0和1之间。如果输出更接近1，那么输入更相似；而如果输出更接近0，那么输入更不相似。
在检测并拒绝运动伪影污染的搏动之后，信号质量编索引(SQI)分别应用于SCG的每个通道以提取高质量的SCG搏动。与应用了SQI的方式相比，我们有以下不同之处：1)没有模板群，而是每个通道都有一个模板用于记录；以及2)作为模板，我们使用Woody方法使用搏动的整体平均值。通过这些改变，针对特定记录来定制模板，并且没有任何运动伪影。作为SQI的输出，返回每个搏动的质量分数。我们使用前5％的搏动来提取特征。
C.特征提取
我们以两种方式使用SQI的输出：1)我们计算搏动的整体平均值；以及2)我们使用从每个单独的搏动中导出的统计特征。从一个搏动中，我们提取了表II中列出的基本特征。当我们使用整体平均搏动来提取表II中列出的特征时，我们基本上捕获了与基线SCG相关的特征。然后我们从自SQI输出的每一个搏动中提取基线特征。然后我们计算了以下统计特征：均值、中值、标准偏差、最大值和最小值。通过这种方法，我们捕获了搏动到搏动变化。表中的时间窗口的选择方式反映了心动周期的心室舒张期(-200ms至0ms和300ms至600ms)和收缩期(-50ms至250ms)。
表II
从搏动中提取出的基本特征
/>
为了捕获舒张期和收缩期间隔之间的可能关系，还结合了来自两个窗口的特征以形成新的特征：对于所有功率和振幅特征，计算收缩期间隔(-50ms到250ms)与舒张期间隔(300ms到600ms)之间的比率；对于所有与延迟相关的特征，计算收缩延迟和舒张延迟之间的绝对差异。我们还旨在捕获携带跨通道信息的特征。为此，对于所有通道对(头到脚、背腹和侧向)，仅计算收缩和舒张时间窗口上的基本特征的比率(振幅和功率特征)和绝对差(延迟特征)，以形成新的跨通道特征。最后，总共从记录中提取了690个特征。
图2提供了可穿戴贴片数据的处理。图2A提供了处理的框图表示。图2B提供了用于处理的步骤的简要数学解释。图2C提供了来自代表性参与者的10秒数据窗口的处理的可视化。在可视化中，为了便于可视化，仅示出了SCG的背腹通道；其它SCG通道进行相同的处理。
C.分类器和回归算法设计
在这项工作中，我们将支持向量机(SVM)用于分类和回归任务两者。SVM搜索分离超平面来区分两个类。使用内核，SVM可以对数据中的非线性关系进行建模。在这项工作中，我们考虑多项式和径向基函数(rbf)内核。此外，对于回归任务，我们考虑使用LASSO的线性回归。
E.实验设计
实验的第一个目标是分析SCG特征区分HF临床状态的能力。为此，我们将问题视为二元分类，其中输入是SCG特征并且输出是患者处于失代偿状态还是代偿状态。为了评估分类模型，我们执行了留一受试者交叉验证(LOSOCV)以计算分类准确性和接收者操作特性(ROC)曲线的曲线下面积(AUC)。在评估使用所有提取出的特征的模型之后，执行顺序向前特征选择(SFFS)。SFFS有助于解决维数灾难，因为提取的特征(690)多于数据点(51)。此外，SFFS还提供了关于哪些特征在分类中更重要的信息。
在前两个实验中，长度从25分钟到200分钟不等的每个记录被视为用于分类的单个数据点。为了解决仍然可以准确分类的记录的最小长度，每个记录被分解成1、5、10、15、20和25分钟的非交叠窗口。在每个窗口中，根据这些示例中概述的相同方法提取特征，因为这个特征提取不随记录长度变化。使用前两个实验中表现最好的特征和超参数，我们再次使用LOSOCV来评估不同窗口的性能。
作为最终实验，我们使用回归算法从SCG特征估计平均PCWP，输入包括从记录中提取出的特征并且输出是来自RHC的平均PCWP值。同样，LOSOCV被用于评估回归模型。作为性能度量，我们使用RHC规程期间测得的回归输出和真值之间的均方根误差(rMSE)。与分类实验类似，我们执行了SFFS。
实验结果
A.分类实验
分类实验结果如表III和图4中所示。图4提供了接受训练和测试的不同分类器的接收器操作特性(ROC)曲线(使用最佳特征410；使用所有特征420；使用3个特征430；使用4个特征440；使用5个特征450；随机机会460)。420曲线是在顺序向前特征选择中使用的RBF核SVM的ROC曲线。基于这些结果，由于维数灾难，使用较少数量的特征可以提高性能。
表III
执行LOSOCV的分类器的分类性能
来自加窗实验的结果在图5中呈现。图5提供了最佳分类器在不同窗口长度下的性能，示出了AUC 510和准确性520。根据这些结果，在10分钟之前观察到较小窗口长度的分类器性能下降。记录10分钟之后，性能稳定。
B.回归实验
回归实验的结果在表IV中呈现。与分类实验类似，使用SFFS训练的模型优于其它模型。
表IV
LOSOCV下各种模型的回归性能
讨论
图4和表III中的结果表明，使用SCG特征可以实现HF患者的准确分类。而且，使用SCG特征的小子集提高性能。这个次要结果是预期的，因为提取的特征比数据点的数量多很多。目前，HF患者生理失代偿的临床状态需要导管插入，费用高且有创。这种可穿戴设备可以准确地对临床状态进行分类，并可以用作预筛查工具以减少RHC规程的数量，这能够降低HF护理成本并提高生活质量。
图5中的结果表明，当使用较短的记录时，性能下降。随着记录长度的增加，性能提高，直到达到稳定。基于这些结果，至少应当获得10分钟的SCG数据才能实现有意义的性能。这个信息对于确定在确定临床状态之前设备必须在患者身上多长时间是重要的。
回归实验的结果对SCG信号很有希望。从SCG信号预测平均PCWP的能力会极大地影响家庭HF护理。使用这种可穿戴设备每天测量PCWP，或根据需要更频繁地测量PCWP，可以实现类似于植入式充盈压力监视器中使用的方法的充盈压力引导治疗。重要的是，通过提供这个参数而不是驱动决策的黑匣子输出，医师可以保持在循环中并且可以根据现有流程图和指南根据需要调整护理。
此外，实验中选择的特征提供了对SCG信号的重要科学见解，例如，这些信号不如ECG信号那样被很好地理解。我们观察到，性能最佳的分类器的前5个特征是从背腹(1)和侧向(4)通道两者导出的，因此证明了分析SCG信号数据的所有轴而不仅仅是背腹的重要性。而且，对于回归问题，表现最好的2个特征也是从SCG的侧向通道导出的。
这些示例还包括低成本系统，它可以跟踪血流动力学充血的改变，有可能帮助数百万受HF影响的人。增加的心内充盈压力提供了心力衰竭(HF)充血发作的早期和可操作指示。血流动力学改变先于慢性代偿性心衰进展为急性失代偿性心衰(ADHF)数周。最近的研究还表明，长时间内肺压的微小改变的结果与向ADHF的过渡密切相关。因而，使用植入式血流动力学充血监视系统跟踪血流动力学和随后的主动HF管理疗法(例如，药物滴定、早期随访门诊等)以减少亚临床充血已证明在减少与HF相关的再住院方面有效。与血流动力学指导的HF管理相比，传统的HF管理疗法(包括跟踪每日体重、远程监视生命体征和检测ADHF的临床症状)在大型随机对照试验中并未示出减少HF相关再住院的功效，因为这些改变相对较晚地进入从代偿性HF到ADHF的进展中。
心震图(SCG)是与心脏和血管内血液的运动相关的胸壁的局部机械振动，可以被用于监视心血管健康。SCG定时可以被用于经由在运动和生理扰动的情况下估计心脏的射血前期来评估心脏收缩力的改变。重要的是，SCG可以被用于评估失代偿HF患者的临床状态。除了评估HF患者的临床状态外，SCG在跟踪HF患者的心肺运动试验和健康个体不受控制的日常生活活动期间的瞬时摄氧量方面也表现出功效。基于这些使用SCG跟踪健康个体和HF患者两者的血流动力学的结果，可以经由估计PAP和肺毛细血管楔压(PCWP)的改变用同时记录的SCG信号跟踪血流动力学充血的改变。
方法
在右心导管插入术(RHC)期间使用定制的可穿戴贴片从HF患者记录SCG和ECG信号，这是通过PAP和PCWP测量血流动力学充血的金标准。在RHC规程中，通过注入全身血管扩张剂来调节PAP和PCWP，并经由跟踪同时记录的SCG信号的改变来估计平均压力值的改变。对SCG信号的各个部分进行了分析，以了解提供有关PAP和PCWP变化的显著信息的重要部分。使用SCG跟踪血流动力学充血的急性变化可以证明使用这种新型可穿戴技术的潜力，它是对当前监视系统的一种不显眼且低成本的替代方案，可以纵向监视远程HF管理中的心内充盈压力，并有可能最终减少HF相关的再住院。
A.实验方案
对总共20名HF患者(8名住院患者和12名门诊患者)进行了RHC规程，这些患者被转介进行HF的血流动力学评估。排除心源性休克患者。数据集被随机分为两组，15名HF患者用于训练测试集，5名HF患者用于单独的独立验证集(详情见下文补充材料部分)。
图1A–1C图示了每个患者的不同传感器的实验设置和放置。图1A提供了实验设置，其中在接受右心导管插入术(RHC)规程的受试者身上放置了可穿戴贴片，轴(右上角)示出了心震图(SCG)信号的轴。图1B提供了可穿戴贴片的顶视图、底视图和内部视图。图1C提供了放置在代表性受试者身上的可穿戴贴片的前视图(左)和侧视图(右)。在开始RHC规程之前，定制的可穿戴贴片被刚好放置在胸骨上切迹下方，并且导管室记录系统与可穿戴贴片时间同步。
RHC规程在～25℃环境温度下的安静、环境控制的心导管插入术实验室中进行。使用洗必泰拭子以标准化的无菌方式清洁和准备右颈部或右肘窝区域。使用2％利多卡因进行局部麻醉。在超声引导下，获得静脉通路，并将5French(F)导引鞘置于右颈内静脉或右臂静脉中。在仰卧位休息至少20分钟后，将6F前端球囊肺动脉楔形导管在透视引导下推进到右心房、右心室、肺动脉和肺毛细血管楔形位置。在每个位置，在温和的呼气末屏气(呼气末)期间获得超过60秒的压力，重复三次并取平均值，按照标准的右心导管插入术方案。心输出量通过Fick原理和热稀释获得。在测量基线血流动力学和心输出量后，并在仰卧位休息10分钟后，根据执行该病例的心力衰竭医生的判断给予药物制剂。硝酸甘油作为舌下喷雾剂(400或800mcg)给予，硝普钠作为静脉内(IV)输注给药，从0.3mcg/kg/min开始(并每5分钟以0.3mcg/kg/min滴定，直到达到血流动力学效应)。在由心力衰竭医生确定的峰值血流动力学效应下，按照基线方案重复血流动力学。此后，前端球囊肺动脉楔形导管和静脉鞘被去除。
在整个RHC规程中连续记录可穿戴ECG和SCG信号，并在分析后期使用来自RHC和可穿戴系统两者的时间戳提取可穿戴信号的特定部分，以根据可穿戴信号的改变估计PAP和PCWP的改变。图1D示出了在来自代表性受试者的基线RHC记录期间，来自RHC计算机的可穿戴信号和对应的PAP信号。图1D提供了具有代表性的心源性信号：心电图(ECG)、三轴SCG(从头到脚[HtoF]、侧向[Lat]和背腹[DV])和RHC肺动脉压(PAP)信号。SCG是一种机械信号，与心肌收缩、心脏瓣膜运动以及血液从左心室向主动脉的移动相关联。
B.感测硬件
RHC压力值是从导管室Mac-Lab系统中提取的。利用如图1B中所示的定制可穿戴贴片收集了可穿戴ECG和三轴SCG(轴：头到脚(HtoF)、背腹(DV)和侧向(Lat))。这个示例的贴片的直径为7cm，重量为39gm。所有可穿戴ECG和SCG信号均以1kHz采样。图1D示出了来自可穿戴贴片的代表性ECG和三轴SCG信号。
C.信号处理和特征提取
图6图示了用于可穿戴信号和来自导管室Mac Lab系统的压力信号的信号处理和特征提取过程。图6提供了该方法的概述。图6A提供了可穿戴ECG和SCG(为简单起见仅示出信号的一个轴)信号与右心导管压力(RHCP)信号同步。当导管记录肺动脉(PA)压力和肺毛细血管楔(PCW)压力信号时，提取来自基线(BL)和血管扩张剂输注期间(VI)两者的20秒长的信号。图6B提供了检测到的ECG信号的R峰，随后用于将对应的SCG信号分割成单独的心跳。对SCG心跳执行离群值去除和降噪步骤，并提取特征以用于回归算法以估计RHC平均压力(MP)值的改变(例如，肺动脉平均压力的改变[ΔPAM]，以及肺毛细血管楔形平均压力[ΔPCWP]的改变)。从RHC Mac-Lab计算机中提取MPBL和MPVI值，并用于计算目标变量(ΔPAM和ΔPCWP)。图6C提供了有关可穿戴信号处理的详细信息：首先，检测ECG信号的R峰，并将SCG信号分段为单独的心跳。其次，SCGBL和SCGVI心跳通过离群值去除算法(使用主成分分析[PCA]和高斯混合模型[GMM])并被整体平均为每个轴有两个平均SCG心跳(一个用于BL，一个用于VI)。第三，计算了每个轴的BL和VI心跳之间的动态时间规整(DTW)距离，并将其用作回归算法中的特征(f)。
在规程开始之前，两个系统是时间同步的。由心力衰竭心脏病专家(LK)提取基线(BL)和血管扩张剂输注(VI)期间两者的PA平均压力(PAM)和PCWP值，随后将其用于通过分别从VI期间的平均压力值中减去BL期间的平均压力值来计算PAM的改变(ΔPAM)和PCWP的改变(ΔPCWP)。
由于Mac-Lab系统中的技术问题，未记录一名受试者的PCWPVI值，并且分析中缺失。总的来说，ΔPAM值可用于20个受试者(15个受试者用于训练测试集，五个受试者用于验证集)，并且ΔPCWP值可用于19个受试者(14个受试者用于训练测试集，五个受试者用于验证集)。
当导管位于肺动脉和肺毛细血管楔形位置时，同步时间戳用于从方案的BL和VI状态两者提取20秒长的可穿戴信号(ECG和SCG)。使用ΔPAM和ΔPCWP值分析可穿戴信号的改变，然后将其用于具有交叉验证的人口回归模型。下面给出了可穿戴信号处理、特征提取和回归模型的细节。
预处理和降噪：分别处理BL和VI可穿戴信号(过滤、去除离群值和整体平均)，然后用于计算两种状态(BL和VI)之间的动态时间规整(DTW)距离。来自不同轴的SCG信号的不同部分之间的DTW距离被用在回归算法中，以估计ΔPAM和ΔPCWP，并对训练测试集进行留一受试者(LOSO)交叉验证，然后对独立的验证集进行验证。
对来自可穿戴贴片的原始ECG和SCG信号进行数字过滤，并且使用已获得的三个SCG轴(SCGHtoF、SCGLat、SCGDV)的向量求和计算代表加速度计量值的第四个SCG信号(SCGMag)。在过滤步骤之后，检测到ECG信号的R峰，并将其用于将SCG的四个轴的20秒长信号分割成单独的心跳。SCG心跳被裁剪为R峰前后500ms的持续时间，其大致表示大多数感兴趣的相关舒张期和收缩期心脏事件(例如，快速流入、心房收缩、等容收缩、心室射血等)。
在对可穿戴SCG信号进行心跳分割之后，分别使用自动无监督算法从SCG信号的每个轴和每个部分(舒张期和收缩期)的两个状态(BL和VI)的两个分布中去除SCG的离群心跳(详见下文补充材料部分)。与分布的离群值对应的实际SCG心跳被去除，并导致每个轴有两个单独的分布(SCGBL和SCGVI)。剩余的心跳是整体平均的，以便为特定轴和部分的BL和VI创建两个整体平均的心跳，之后将其用于计算DTW距离。整体平均步骤减少了SCG心跳中的固有变异性和残留噪声。图7示出了来自BL和VI状态的整体平均的SCGDV心跳以及对应的PAP和PCWP心跳。图8提供了在图7A中的肺动脉压力(PAP)的改变，示出了PAPBL710和PAPVI 720，在图7B中的肺毛细血管楔压(PCWP)的改变，示出了PCWPBL 730和PCWPVI 740，以及在图7C中的背腹方向的心震图的改变(SCGDV)，示出了SCGBL750和SCGVI 760，其中为代表性受试者输注了血管扩张剂，箭头示出了相应信号的改变。时间“0”指示相应ECG R峰的位置。
动态时间规整和特征提取：为了计算SCG从BL到VI的改变，我们充分利用DTW并利用相关分析对来自SCG心跳的不同部分的DTW距离与ΔPAM和ΔPCWP进行比较，如图9中所示。图9提供了目标变量的相关性分析，在图9A的ΔPAM和图9B的ΔPCWP中，对于训练-测试集对应SCG信号的不同DTW距离，颜色条示出R2值，并且点线910指示心室舒张期和收缩期之间的分隔(即，对应ECG的R峰)。全舒张期(-500ms：R-peak)、早期舒张期(-500ms：-200ms)、晚期舒张期(-200ms：R-peak)、全收缩期(R-peak：500ms)、早期收缩期(25ms：150ms)和晚期收缩期(200ms：500ms)。DTW是一种时间序列分析方法，用于对准信号并查找信号之间的相似性。来自BL和VI的信号之间的DTW距离是根据SCG心跳的不同部分计算的：总舒张期(-500ms：R-peak)、早期舒张期(-500ms：-200ms)、晚期舒张期(-200ms：R-peak)、总收缩期(R峰：500ms)、早期收缩期(25：150ms)和晚期收缩期(200：500ms)，其中负时间表示R峰之前，正时间表示R峰之后。早期舒张期与被动心室充盈对应，晚期舒张期与心房收缩对应，早期收缩期与等容收缩(IVC)对应，而晚期收缩期与心动周期的心室射血期对应。
上述预处理和特征提取处理以相同的方式对训练测试和验证数据集两者执行。在特征提取处理之后，仅使用来自训练测试集的数据来开发使用LOSO交叉验证的回归算法。模型的超参数在这个步骤中进行了调整，以最大化所开发模型对训练-测试集的性能(最大化确定系数R2并最小化均方根误差RMSE)。所得的经训练的模型后来在独立验证集上进行了验证，以示出所开发模型的普遍性。这个步骤的细节在以下部分中给出。
D.回归
在使用来自训练测试集的数据开发回归算法之前，将SCG心跳的不同部分的特征(即，DTW距离)与目标变量进行比较，使用简单的相关性分析(如图9中所示)并计算它们之间的确定系数(R2)以分析SCG的哪些片段与跟踪PAM和PCWP的改变更相关。之后，DTW距离被用作构建和调节回归算法的特征，以估计训练测试集上PAM和PCWP的改变，然后在独立验证集上进行验证。
在简单相关分析之后，对训练测试集执行了具有LOSO交叉验证的人口水平回归模型，以根据DTW距离估计ΔPAM和ΔPCWP。为此目的探索了不同的回归算法，并且从我们的初始分析中选择了具有线性核的支持向量回归(SVR)模型作为回归模型。
由于来自SCG心跳的不同部分的DTW距离与训练测试集的相应目标变量(ΔPAM和ΔPCWP)之间的简单相关分析如图9中所示，并非来自SCG的不同部分的所有改变(即，DTW距离)都与平均压力(MP)的改变有关。因此，使用顺序向前选择(SFS)算法执行特征选择技术，以选择前五个特征作为回归模型中的估计变量。
对训练-测试集中的15名受试者使用LOSO交叉验证，我们在所选择的(使用SFS方法)来自14名受试者的DTW距离上训练了线性SVR回归器，每次都留下一名受试者。目标变量(ΔPAM和ΔPCWP)是为被去除的受试者预测的，再重复该过程14次，每次都排除一个不同的受试者。结果，我们获得了针对训练-测试集中所有15个受试者的预测。这种交叉验证方法被用于开发全局回归模型，该模型仅对训练-测试集中的数据具有优化的超参数。为了验证全局模型，回归模型(具有优化的超参数)在整个训练-测试集(来自15个受试者的数据)上进行了训练，并在单独的验证集(来自5个受试者的数据)上进行了测试。结果，预测了来自所有20名受试者的所有目标变量。
使用两个品质因数来评估回归模型和方法。首先，在估计的目标变量(ΔMPPred)和来自Mac-Lab系统的真实目标变量(ΔMPAct)之间计算RMSE。其次，在ΔMP的真实值和预测值之间进行简单相关分析(Pearson)以获得预测的统计显著性，并计算真实值和预测值之间的R2。在这项工作中，低于0.05的p值被认为具有统计学意义。分别为训练测试集和验证集计算了RMSE和R2两者。
结果
患者人口统计和临床特性详见表V，RHC特性在表VI中提供。
表V.受试者人口统计和特性
除非另有说明，否则所示的值是平均值±SD或n(人口的％)。使用Mann-Whitney U测试来评估HFrEF和HFpEF受试者值之间的统计显著性(如果适用的话)；BMI，身体质量指数；NYHA，纽约心脏协会。
表VI：右心导管插入响应
除非另有说明，否则所示的值为平均值±SD。使用Mann-Whitney U测试来评估HFrEF和HFpEF受试者值之间的统计显著性(如适用的话)；BL，基线值；VI，血管扩张剂输注值。
有15名HFrEF患者和5名HFpEF患者；四名患者是女性，平均年龄54.6±13.2岁。平均体重94.2±19.4kg，身高175.3±9.9cm，平均射血分数(EF)32±19.5。
输注血管扩张剂后，PAM和PCWP分别比相应的BL值降低了8.9±5.5mmHg和8±6.3mmHg。图7示出了PAP和PCWP信号的改变以及SCGDV的改变，其中一名代表性受试者输注血管扩张剂。注意的是，图中所示的所有信号与对应的R峰同步。PAP和PCWP信号的总体平均值随着血管扩张剂输注而降低，而SCGDV信号的收缩期部分相对于血管扩张剂输注后的ECG R峰随后移动。图9示出了来自SCG信号的不同部分和各轴的DTW距离(SCG信号随血管扩张剂的改变)与肺动脉平均压力的改变(ΔPAM)和肺毛细血管楔形平均压力的改变(ΔPCWP)之间的相关性分析(即，R2值)，而图10示出了使用方法部分中提到的特征选择技术选择的五个DTW距离，以及它们在用于训练-测试集的回归模型中的相对重要性(权重)。图10提供了训练-测试集上针对ΔPAM(图10A)和ΔPCWP(图10B)的回归算法中特征的相对特征重要性排名(即，相对权重)。Dias：总舒张期，ED：早期舒张期，LD：晚期舒张期，Sys：收缩期，ES：早期收缩期，以及LS：晚期收缩期。图9中解释了片段的时间长度。
图8示出了训练-测试和验证集两者的实际(测量)和估计的ΔPAM和ΔPCWP值之间的相关性分析。图8提供了训练-测试集(图8A)和验证集(图8B)上预测的ΔPAM与实际的ΔPAM的相关性分析。训练-测试集(图8C)和验证集(图8D)上预测的ΔPCWP与实际的ΔPCWP的相关性分析。相关结果显示，对于ΔPAM，对于训练-测试集，RMSE为3.2mmHg且R2为0.8，对于验证集，RMSE为3mmHg且R2为0.77，而对于ΔPCWP，对于训练-测试集，RMSE为3.6mmHg且R2为0.87，对于验证集，RMSE为6mmHg且R2为0.78。
E.补充材料
训练-测试和验证集分离：数据集被随机分成两组，15名心力衰竭(HF)患者用于训练-测试集以及五名HF患者用于单独的独立验证集，比例分别为75:25。用于分离数据集的唯一约束是对于训练测试和验证集两者保持射血分数降低的HF(HFrEF)和射血分数保留的HF(HFpEF)受试者的相同比例。随机分离导致训练-测试集中有四名HFpEF受试者并且验证集中有一名HFpEF受试者。
过滤和心跳分割：来自可穿戴贴片的原始ECG和SCG信号经过数字过滤(截止频率：ECG的截止频率为0.5–40.0Hz，SCG信号的截止频率为1–40Hz)，以去除带外噪声。这些截止频率被用于去除带外噪声而不扭曲信号的形状。在过滤步骤之后，使用已经获得的三个SCG轴(SCGHtoF、SCGLat、SCGDV)的向量求和来计算表示加速度计量值的第四个SCG信号(SCGMag)。
对ECG信号(在20秒帧中)进行量值标准化，并使用Pan Tompkins方法检测ECG信号的R峰。使用ECG信号的R峰将SCG信号(SCG的四个轴)分割成单独的心跳。每个心跳在R峰前后被裁剪为500ms的持续时间。R峰之前的500ms SCG帧大致表示心室舒张期，R峰之后的500ms SCG帧大致表示心动周期的心室收缩期。选择R峰前后500ms的持续时间，因为大多数感兴趣的相关舒张和收缩心脏事件(例如，快速流入、心房收缩、等容收缩、心室射血等)都发生在这个时间范围内，相对于ECG的对应R峰。选择恒定的时间窗口来裁剪ECG和SCG信号，以实现可重复和全局化的特征提取处理。
SCG离群心跳去除：在对可穿戴心震图(SCG)信号进行心跳分割之后，对于分别来自SCG信号的每个轴和每个部分(舒张压和收缩压)的两种状态(基线，BL和血管扩张剂输注，VI)的两种分布从SCG中去除离群心跳。为了从特定分布中去除离群值，通过使用主成分分析(PCA)并采用前三个主成分分量(PC)，将500个样本长的SCG心跳(对于500ms长的帧，具有1kHz采样频率)的维度减少为三个维度。将SCG心跳的这种低级表示用于高斯混合模型(GMM)，以确定每个样本属于SCG的特定部分和特定轴的特定分布(BL或VI)的概率。对于特定分布，具有最低20％概率的点被检测为分布的离群值。根据初始分析选择20％的截止值，将10％、20％和30％的搏动作为离群值去除。为特定分布创建GMM的主成分数量(例如，在这种情况下为三个)基于对由PC的数量和总体估计准确性解释的方差百分比的分析。由于SCG信号中的大部分功率都停留在信号的收缩部分，因此它最终可能会主导信号舒张部分中离群值的去除。出于这个原因，对SCG的舒张期和收缩期部分分别执行离群值去除。
SCG DTW距离与ΔPAM和ΔPCWP之间的相关性分析：图9示出了SCG信号的不同部分和轴的动态时间规整(DTW)距离与用于训练-测试集的肺动脉平均压力的改变(ΔPAM)和肺毛细血管楔平均压力的改变(ΔPCWP)之间的R2值。在ΔPAM的情况下，收缩早期(等容收缩，IVC，时段)期间的SCG的改变提供了与PAM的改变相关的最相关信息，对于ΔPAM，IVC时段期间SCG在背腹方向(SCGDV)的改变示出了0.8的最高R2。在ΔPCWP的情况下，舒张晚期(心房收缩)阶段期间SCG的改变提供了与PCWP的改变相关的最相关信息，以及对于ΔPCWP，舒张晚期时段(心房收缩)期间SCG量值信号(SCGMag)的改变示出0.87的最高R2。总体而言，该图示出ΔPAM与SCG信号的收缩部分(更准确地说是IVC时段)的改变更相关，而ΔPCWP与SCG的心室舒张晚期(即，心房收缩)部分的改变更相关。这可能用生理学原理来解释，因为肺动脉直接连接到右心室，心室收缩(收缩)阶段主导PAM的改变。另一方面，肺毛细血管连接到左心房，表明与心房收缩有更多关系。这些初步结果可以在一项涉及具有各种心血管条件的多元化受试者的大型人群研究中通过同时成像方式进行核实。
相对特征重要性：图10示出了具有线性核的支持向量回归中特征的相对权重，用于估计训练-测试集中的ΔPAM和ΔPCWP，与ΔPAM和ΔPCWP两者相关的最重要特征是在IVC时间期间的变化SCGLat。类似于从目标变量(ΔPAM和ΔPCWP)与DTW距离之间的个体相关性分析(图9)中获得的结果，ΔPAM的所有前5个特征都来自SCG的收缩部分。在ΔPCWP的情况下，前五个中的三个来自SCG的收缩部分，两个来自SCG的舒张部分。图10和11都示出了SCG的舒张部分在估计ΔPCWP时的重要性。大多数SCG研究工作都集中在信号的收缩部分。这些结果表明，SCG信号的舒张期部分也有可能提供有关肺充血的相关信息。
讨论
这个示例示出，SCG的改变可以跟踪由于HF患者全身性血管扩张剂输注引起的PAM和PCWP的急性改变。因此，使用可穿戴贴片获得的SCG信号可以跟踪血流动力学充血的改变。这些结果提供了经由可穿戴传感器跟踪HF患者日常生活和活动中血流动力学的改变。
这个示例中的两个发现是个体特征(DTW距离)相关性和特征重要性排名与由于全身血管扩张剂输注引起的PAM和PCWP的变化对应。这个示例的结果表明，在心动周期的心室收缩部分(更具体而言是IVC时段)期间SCG的改变提供了关于PAM的改变的显著信息，而SCG信号在心室收缩和心房收缩期间(主动心室舒张期)的改变提供了关于PCWP的改变的最相关信息。通过血管扩张剂输注，PAM和PCWP与前负荷一样降低，并且IVC时间间隔(即PEP)与前负荷负相关。出于这个原因，随着前负荷的减少，我们观察到PEP增加(如图7中所示)，这是预期的。这些科学发现揭示了一种阐明SCG信号本身的起源的方法，并揭示了使用这些信号来提取生命体征和心脏定时间隔之外的生理学上有意义的信息。这些结果还示出了SCG信号的心室舒张部分的重要性，这在大多数专注于SCG的研究工作中经常被忽视。可以结合成像模态来了解SCG的改变如何与由于生理或药理学扰动引起的潜在生理变化相关。
这个示例的另一个发现是使用简单的线性模型(线性SVR)而不是复杂的非线性模型来估计血流动力学充血的改变。与有时本质上是“黑匣子”的复杂非线性模型相比，简单的线性模型可以提供对模型和用于构建模型的对应特征的更多洞察。由于本研究的受试者数量较少，因此使用更简单的回归模型提供了对与血流动力学充血的急性改变相关的重要特征(SCG的片段和轴)的更好理解，以及对方法的推广能力的增加的置信度。这些方法使模型在生理学上更具洞察力和可解释性。
这项研究的另一个发现是使用降噪和离群值去除显著提高估计的整体准确性。分析结果表明，拥有20-30秒的高质量可穿戴ECG和SCG记录足以追踪血流动力学充血的改变。
这个示例的可穿戴贴片表明，可以从受控临床设定(心肺锻炼测试)中的HF患者和不受控制的日常生活设定中的健康受试者两者追踪心肺健康参数(即，患者的瞬时摄氧量和临床状态)。这个示例中描述的使用SCG跟踪血流动力学充血的变化的方法可以与本公开中使用SCG跟踪心肺参数的方法结合。
在这个示例中，我们利用同时记录的SCG信号的改变来估计由于血管扩张剂输注引起的HF患者肺动脉平均压力和肺毛细血管楔压的改变。我们开发了全局回归模型，用于使用机器学习算法来估计ΔPAM和ΔPCWP，并通过留一受试者交叉验证进行验证。我们已经证明，跟踪SCG的改变可以跟踪亚临床充血的改变，这有可能用于HF患者的远程家庭管理。总的来说，这项工作展示了不显眼的可穿戴贴片跟踪血流动力学充血的能力。
示例2
在这个示例中，我们展示了一种可穿戴、廉价、最小干扰的系统，以使用可穿戴式心震图(SCG)远程监视HF患者。SCG信号响应于心脏射血和心脏的移动而捕获胸壁的振动。对SCG信号的使用进行了调查，以对处于静息状态的HF患者的临床状态进行分类。具体而言，在这个示例中，证明了在静息状态下HF患者的临床状态的准确分类。由于使用肺毛细血管楔压(PCWP)和心脏指数(CI)确定患者的临床状态，因此这个分类提供了充盈压力升高和心脏指数降低的指示。检测升高的PCWP的能力为医疗保健提供者提供了与测量PA压力的植入式设备类似或更好的有价值信息，因为PCWP是左侧充盈压力的更好指示器。这个示例中的所有数据都在心脏导管插入术实验室中收集，以在患者接受右心导管插入术(RHC)标准护理时获取SCG信号和血流动力学参数两者。注意的是，虽然为这个示例收集的所有数据均来自医院的测量，但我们预期这些模型可以推广到家庭环境，因为它们只需要来自无创可穿戴贴片的数据来执行临床状态估计。
结果
使用SCG特征对HF患者的临床状态进行准确分类
进行了实验以评估SCG特征在HF临床状态中的区分能力，HF临床状态由升高的充盈压力和低心脏指数在临床上确定。为了构建机器学习模型，定义了二元分类任务，其中输入是83个提取出的特征的集合，并且输出表示失代偿(PCWP≥20mmHg和CI≤2.2L/min/m2)或代偿患者的血流动力学充血状态。对于这个任务，所有模型开发都是根据50名患者的数据(52条记录)进行的。这个数据以下称为训练集。在训练集上建立分类模型后，我们使用来自其它13名患者的未见数据来量化所开发分类模型的推广性能。我们将这个数据称为验证集。表2-1和2-2分别提供了训练集和验证集中受试者的人口统计信息。
表2-1.训练集中受试者的人口统计信息。
表2-2.验证集中受试者的人口统计信息。
对于分类模型，支持向量机(SVM)用于这个任务。使用内核，SVM可以对输入(SCG特征)和输出(临床状态)之间的非线性关系进行建模。在这项工作中，多项式和径向基函数(rbf)内核被认为捕获可能的非线性关系。为了评估分类器的性能，执行了5重交叉验证以计算训练集上的分类准确度和AUC。在每个交叉验证拆分中，训练和验证数据由不同的受试者组成，这使得交叉验证性能能够反映对看不见的新患者数据的推广性能。实验的结果总结在表2-3和图13A-B中。表2-3的前3列总结了基于特征的全集(82个SCG特征)对HF临床状态进行分类的结果。最后一列示出了使用特征集的子集的结果。最佳分类器使用提取出的特征的子集的接收器操作特性(ROC)曲线在图13A中示出。
表2-3.对训练集执行5重交叉验证的分类器的分类性能。
在这个示例中，由于提取出的特征(83个特征)多于数据点的数量(来自50名患者的52个记录)，因此采用前向顺序特征选择(SFS)来提高分类器的推广性能。从表2-3可以看出，使用SFS提高了分类器的性能。此外，SFS在识别哪些特征对执行任务有用方面提供信息，这进而提供了对SCG信号的哪些方面提供信息的见解。为了在5重交叉验证中使用SFS，执行了嵌套交叉验证。外部交叉验证循环被用于模型性能的中间评估，并且内部交叉验证循环被用于模型选择(即，SFS和使用网格搜索的超参数优化)。
为了进一步量化分类框架的推广性能，在验证集上计算了性能度量。使用整个训练集，在验证集上训练和测试新的分类器。虽然训练集与验证集类别分布有很大不同，但在图13B中可以看到在未见验证集上的表现非常相似。
用于评估血流动力学充血的能提供有用信息的SCG特征包括来自记录的横轴和舒张期部分的特性
这个示例中学习到的分类模型取决于SCG特征，并提供对与HF血流动力学评估相关的SCG信号特性的洞察。由于与其它更常测量的心血管信号(例如，心电图(ECG)、光电容积脉搏图(PPG)和阻抗心电图(ICG)信号)相比，SCG信号并未得到很好的理解，因此这个数据集提供了推进对与评估HF患者的充血状态相关的SCG信号特性的了解的机会。在这个示例中，识别出有助于区分HF患者临床状态的SCG特征。这些特征是从SCG搏动中提取的，这些搏动是从SCG信号中处理的。有关处理的详细信息，参见“材料和方法”部分。所解决的关键科学问题是如何最好地使用记录中的SCG搏动的集合来提取区分信息和预测性信息。基于之前对HF患者进行SCG信号分析的基础工作，这里检查了三种类型的特征：(1)来自信号的舒张期和收缩期时间间隔的整体平均搏动特征；(2)跨多个搏动的可变性特征；以及(3)频域特征。
整体平均搏动特征：记录的一些相关属性，例如临床状态和平均充盈压力，从一个搏动到下一个搏动不会发生实质性改变。这些属性可以从整体平均搏动中捕获。以下特征是根据整体平均搏动计算的：信号的功率的平方根(srPower)；以及R峰与最小振幅之间的延迟(delayMinAmp)。
这些特征选择的动机源自于广泛的先前工作，这些工作表明这些量度与一些关键的心脏事件相关，诸如主动脉瓣打开的定时和心脏周期内的重要事件。对于给定的心跳，可以在与收缩期和舒张期对应的不同生理定义的时间间隔内计算这些特征，可以通过将ECGR峰的位置定义为时间零来基于ECG信号对其编索引。定义了三个间隔，如图14A(失代偿信号)和图14B(代偿信号)所示：心室舒张期1(dias1，从-150ms到0ms)；收缩(sys，从0ms到300ms)；以及心室舒张期2(dias2，从300ms到650ms)。
常规的SCG分析方法只关注收缩定时间隔；但是，由于有兴趣寻找SCG信号与充盈特性(即，PCWP压力)之间的关系，因此分析中包括了这些通常被忽略的间隔。从每个间隔，通过计算两个特征获得每个通道的六个基本级别特征。可以为单独分段的搏动以及整体平均搏动计算基本级别特征。
可变性特征：除了来自整体平均搏动的这些特征之外，我们检查的其它特征特别关注搏动的集合中信号的可变性。假设血流动力学充血(失代偿)的HF患者在SCG信号中比代偿患者具有更大的可变性，因为心脏和血管在高度次优状态下操作，因此不能始终如一地产生具有相似强度和定时特性的搏动。因此，捕获这种可变性是重要的，因为它可以预示着心血管系统处于次优临床状态。具体而言，从每个单独的搏动中提取基本级别的特征。然后使用来自每个搏动的特征值集合计算特征的标准偏差。图14A-B中示出了特征的示例可变性。
描述性统计信息(诸如标准偏差)跨不同长度的记录(将具有不同的搏动数)地提供固定的特征表示。由于标准偏差是在六个基本级别特征中的每一个上计算的，因此从搏动集合中计算了六个统计特征。
频域特征：检查的特征的第三个集合是频域特征。在图15A-C中，可视化了随机选择的代偿和失代偿记录的标准化功率谱密度。在这些可视化中，可以看出失代偿和代偿记录在200-250Hz和0-50Hz附近的频率特性是不同的。因此，从SCG记录中，提取了两个频域特征：205-250Hz之间的信号功率比；5-40Hz以及0-5Hz与5-40Hz之间的信号功率之比。
在处理记录之后，共提取了83个特征，包括RR间隔作为特征。使用SFS，利用贪心特征选择来确定为执行分类任务而次优化的特征子集。图16A-C示出了作为特征重要性的估计的特征投票，以及更常用于评估特征重要性的另外两种方法的结果。在图16A中，条形图示出了从五个交叉验证拆分中选择特征的次数。选择的特征越多，它就越重要。在图16B中，特征重要性是基于线性SVM的分离超平面权重计算的。权重越高，决定受那个特定特征的改变的影响越大，指示该特征的重要性。最后，运行置换特征重要性分析，其中每个特征值都被打乱并观察到由此导致的性能下降。排列对性能的降低越大，该特征就越重要。排列特征重要性的结果如图16C中所示。值得注意的是，在所有三个特征重要性分析中，前两个特征保持相同。这两个特征都是从SCG的横轴中提取的，并且第二个特征是直接从SCG搏动的舒张期部分计算的。
讨论
图14A-B和表2-3中的结果表明，使用SCG特征可以准确分类HF患者的临床状态。目前，确定HF患者生理失代偿的临床状态需要导管插入术，这是昂贵且有创的。如果这种可穿戴设备可以提供有助于准确分类临床状态的数据，那么它可以用作预筛查工具以减少RHC规程的数量，从而可以降低HF护理成本并提高生活质量。这项研究的结果表明，使用SCG进行这种预筛选是有希望的。
HF临床状态的准确分类是重要的，因为它表明可以从HF患者中检测到升高的充盈压力。使用可穿戴设备在家中对临床状况进行准确分类可以通过减少住院大大改善HF护理。使用可穿戴设备对临床状态进行每日或更频繁的评估可以允许充盈压力引导治疗，类似于之前使用植入式血流动力学监视器的工作中使用的方法。重要的是，通过提供升高的充盈压力的指示而不是像之前的工作那样通过黑匣子输出来驱动决定，医生可以更好地参与该过程并获得可解释(explainable)和可解读(interpretable)的结果；而且，可以直接充分利用现有的流程图和指南。
实验中选择的特征连同特征重要性分析提供了对SCG信号特性的重要科学洞察(参见图16A-C)。虽然自1960年代以来就对SCG信号进行了测量和研究，但这些信号的起源及其与潜在血流动力学事件的关系尚不清楚。这项研究直接测量了HF患者的SCG信号和RHC波形，从而允许检查SCG特性(特征)如何表示潜在的血流动力学。由性能最佳的分类器的SFS选择的最优特征集是从横向和量值通道导出的，因此证明了分析SCG信号数据的所有轴的重要性，而不仅仅是背腹，如一些先前的工作也建议的那样。在所有特征重要性方法中，前两个特征一致地是从SCG的横向通道导出的。最近的工作也支持SCG的横向通道提供关键血流动力学信息的发现。最上面的特征源于频域，之前没有被研究过：较高频率分量(205-250Hz)与较低频率分量(4-50Hz)的比率是区分特征。这可能是由于失代偿患者的充盈压力较高所致。更高的充盈压力可能导致更响亮或更快速的瓣膜关闭，这可以反映为胸部捕获的加速度信号的更高频率分量。未来的工作应当研究横向SCG测量，以更好地理解这些振动的生理起源，从而提供对它们对临床状态估计的重要贡献背后的原因的机械洞察力。
这是第一项证明SCG信号在分类静息状态下的HF临床状态和检测升高的充盈压力方面的效用的研究。这个研究中提出的结果为支持在家庭环境中进行SCG信号调查以进行HF护理奠定了坚实的科学基础，并有可能减少与HF相关的住院。而且，这项工作不仅可以预测住院风险(即，急性失代偿)，还可以提供充盈压力升高的指示，从而有可能向医疗保健提供者提供反馈。
材料和方法
学习设计
该研究的目的是探讨SCG在区分处于静息状态的HF患者的临床状态(即，失代偿和代偿状态)以及研究SCG与血流动力学参数之间的相关性方面的区分特征。从一组患者中收集数据，为这些患者开具RHC(使用Mac-Lab血流动力学记录系统执行)以确定临床状态并捕获血流动力学参数。该研究是根据加州大学旧金山分校(UCSF)机构审查委员会和佐治亚理工学院机构审查委员会审查和批准的协议进行的。共有63名诊断患有HF的受试者参加了该研究。排除标准是患有心源性休克、或植入心室辅助设备或既往心脏移植的患者。表2-1(训练集)和表2-2(验证集)中示出了研究人群的人口统计数据。每个受试者在数据收集前都提供了书面知情同意书。
所有SCG数据都是在患者接受RHC规程时收集的。首先，患者仰卧在规程台上。可穿戴贴片硬件附接到患者颈静脉切迹的刚好下方，以获取SCG信号。在规程期间，患者被告知尽可能保持静止。然后插入导管，测量血流动力学参数。患者的仰卧位和静止状态被称为静息状态。在单个RHC规程期间收集的所有信号被称为记录，其中包括来自可穿戴贴片的ECG和SCG信号以及来自使用Mac-Lab血流动力学记录系统的导管插入术的压力波形(总共65条记录)。而且，代偿记录被定义为从被确定为血流动力学代偿的患者获取的记录，并且类似地用于失代偿记录。数据收集设置以及示例信号摘录在图1E中示出。
基于RHC规程，每次记录测量以下血流动力学参数：右心房压力(RAP)、右心室压力(RVP)、肺动脉压力(PAP)、心输出量(CO)和PCWP。根据血流动力学参数，临床医生按如下方式确定临床状态：如果患者的平均PCWP为20mmHg或更高且CI为2.2L/min/m2或更低，那么认为患者失代偿。否则，患者被认为得到了代偿。在一些少见情况下，如果PCWP或CI值之一异常高/低，那么护理人员会推翻这个规则。例如，临界PCWP为16mmHg且CI为极低的1.3L/min/m2的患者被视为失代偿。注意的是，两名患者接受了两次RHC规程，因此记录的数量比训练集中的患者数量多2。
在这个示例中，可穿戴贴片设备被用来捕获SCG和ECG信号。该设备以1kHz的频率对ECG信号采样，以500Hz对加速度计信号进行采样，并将数据保存到贴片中的微型安全数字(microSD)卡中。定制软件将所有数据从microSD卡传送到计算机并将加速度计重新采样到1kHz，以便所有信号共享相同的采样率以便于处理。然后在我们的处理算法中将所有信号抽取至500Hz以进行进一步分析。
SCG信号被处理以提取可以在区分HF患者临床状态中有用的特征。图2A-C图示了如何执行SCG信号的处理。作为处理的结果，我们获取了高质量的SCG搏动，如图2C中可以看到的，用于特征提取。
第一预处理步骤是从每个记录的开始和结束处去除五分钟，因为在一些记录中，传感器在设备附接到受试者之前开始记录，并在设备分离后结束记录。作为第二步，使用以下数字滤波器规格对ECG信号进行带通滤波：通带为1-30Hz的有限脉冲响应(FIR)滤波器。对于SCG信号，信号经过高通滤波，截止频率为1Hz。在这两个滤波器中，阻带都衰减了80dB。选择用于ECG信号的通带以隔离R峰，以便在下一个处理步骤中更容易检测它们。对于SCG信号，选择通带是为了抑制带外噪声并保持SCG信号特性并探索高频分量。
在对ECG和SCG信号都进行滤波之后，形成了两个附加的SCG通道，称为量值通道和XY量值通道，由以下等式表示：
其中SGGx[n]，SCGy[n]和SCGz[n]分别是SCG的横向、头到脚和背腹通道。
作为最后的预处理步骤，检测到ECG信号中的R峰，随后执行SCG信号中的搏动分割。对于R峰检测，使用了两种算法：Pan-Tompkins，由Physionet实现；以及具有自定义实施方式的相量变换。选择从两种算法检测到的R峰以减少R峰检测中的假阳性。对于检测，使用12秒窗口来检测R峰。
使用R峰，按以下方式对SCG信号执行搏动分割：R峰前150ms(包括心室舒张)和R峰后RR间隔的第15个百分位数(仅包括当前搏动)分别被界定为搏动的开始和结束。因此，为SCG的每个通道构造了SCG搏动阵列。注意的是，与从R峰(即，R峰之前/之后0ms)到R峰之后大约700ms执行搏动分割的先前工作相比，在这个示例中，心室舒张期定时被故意包括在内，因为预计在此时间期间观察到的SCG特征可能与包括有关充盈压力的信息非常相关。
运动伪影抑制和信号质量编索引
SCG信号容易受到运动伪影的影响：当受试者移动时，SCG振动会受到更高振幅的运动伪影的污染。在收集的数据集中，即使患者被指示尽可能保持静止，记录中仍然存在运动伪影。图3A-D图示了一个记录中此类伪影的示例。
通过充分利用观察到运动伪影的振幅高于SCG振动，我们设计了简单的算法来检测运动损坏的SCG搏动并随后丢弃运动污染的SCG搏动。这个算法输入分段搏动阵列并输出运动污染的搏动的索引。伪代码在算法1(上文)中示出。检测的关键是搜索两个最相似的连续搏动。如果两个连续的搏动没有被运动污染，那么它们在形态上应该是相似的，因为在短时段内我们预计SCG形态不会发生实质性改变。因此，最相似的两个连续搏动应当没有运动伪影(有关这个记录中最相似的两个连续搏动的示例，参见图3C)。通过使用记录的无运动伪影部分计算简单的阈值，我们检测到算法1(上文)中概述的运动伪影。运动伪影检测算法的结果在图3A-D中示出。
为了衡量两个搏动之间的相似性，使用了以下公式：
其中这个公式的输出可以产生的值范围在0和1之间。如果输出更接近1，那么输入更相似；如果输出更接近0，那么输入更不相似。
在检测并拒绝运动伪影污染的搏动之后，信号质量索引(SQI)分别应用于SCG的每个通道以提取高质量的SCG搏动。一种方法可以导致从受试者的集合中提取一系列模板，然后用于分析来自后续受试者的SCG记录。虽然这种方法试图跨受试者进行概括，但发现在这个应用中生成的模板并不令人满意。据推测，在先前的工作中使用健康受试者使得提取可推广的模板集合相对简单，而在这种情况下，HF人群表现出明显更大的异质性。解决方案是使用来自每个记录(即，来自每个患者)的特定模板集合。具体而言，受试者的每个SCG通道一个模板。通过这些改变，该模板是针对特定受试者量身定制的，没有任何运动伪影。SQI的输出是搏动的集合，每个搏动都有质量分数。基于质量测度使用搏动的前5％来提取特征。
统计分析
标准分析被用于评估临床状态估计模型的分类质量。真实数据是从导管测量中收集的。具体而言，对训练集执行了5重交叉验证，并在单独的看不见的验证集上估计了性能。
应该理解的是，本文公开的实施例和权利要求不限于它们对在说明书中阐述和在附图中图示的组件的构造和布置的细节的应用。更确切地说，描述和附图提供了设想的实施例的示例。在本文公开的实施例和权利要求还能够有其它实施例并且能够以各种方式被实践和执行。而且，应该理解的是，本文使用的措辞和术语是为了描述的目的，不应被视为限制权利要求。
因而，本领域技术人员将认识到的是，本申请和权利要求所基于的概念可以容易地用作设计其它结构、方法和系统的基础，以执行本申请中呈现的实施例和权利要求的几个目的。因此，重要的是权利要求应被视为包括此类等同构造。
此外，摘要的目的是使美国专利商标局和公众，尤其是不熟悉专利和法律术语或用语的本领域从业人员，能够通过粗略的检查快速确定申请的技术公开的性质和本质。摘要既不旨在定义本申请的权利要求，也不旨在以任何方式限制权利要求的范围。

Claims (74)

1.一种用于评估用户的心脏健康的系统，包括：
第一传感器，被配置为测量用户的心脏的至少一个电特性；
第二传感器，被配置为测量用户的心源性振动；
处理器；以及
存储器，存储器包括指令，指令在由处理器执行时使处理器至少部分地基于来自第一传感器和第二传感器的测量生成对用户的心脏健康的评估，所述评估包括指示心脏充盈特性的数据。
2.如权利要求1所述的系统，其中第一传感器被配置为测量用户的心电图信号。
3.如权利要求1所述的系统，其中第二传感器被配置为测量用户的心震图信号。
4.如权利要求3所述的系统，其中存储器还包括指令，指令在由处理器执行时使处理器至少部分地基于用户的心震图信号的横轴生成对用户的心脏健康的评估，所述评估包括指示心脏充盈特性的数据。
5.如权利要求3所述的系统，其中存储器还包括指令，指令在由处理器执行时使处理器至少部分地基于用户的心震图信号的头到脚轴生成对用户的心脏健康的评估，所述评估包括指示心脏充盈特性的数据。
6.如权利要求3所述的系统，其中存储器还包括指令，指令在由处理器执行时使处理器至少部分地基于用户的心震图信号的背腹轴生成对用户的心脏健康的评估，所述评估包括指示心脏充盈特性的数据。
7.如权利要求3所述的系统，其中存储器还包括指令，指令在由处理器执行时使处理器至少部分地基于在心跳的舒张期部分期间用户的心震图信号生成对用户的心脏健康的评估，所述评估包括指示心脏充盈特性的数据。
8.如权利要求1所述的系统，其中对心脏健康的评估包括指示用户心力衰竭的临床状态的分类的数据。
9.如权利要求1所述的系统，其中对心脏健康的评估包括指示用户的血流动力学的改变的指示的数据。
10.如权利要求1所述的系统，其中对心脏健康的评估包括指示用户的充盈压力的改变的指示的数据。
11.如权利要求1所述的系统，其中对心脏健康的评估包括指示用户的肺动脉压力的改变的指示的数据。
12.如权利要求1所述的系统，其中对心脏健康的评估包括指示用户的肺毛细血管楔压的改变的指示的数据。
13.如权利要求1所述的系统，其中存储器还包括指令，指令在由处理器执行时使处理器执行校准步骤以为与用户的心脏健康相关联的一个或多个参数创建基线。
14.如权利要求13所述的系统，其中基线是基线充盈压力。
15.如权利要求13所述的系统，其中校准步骤包括使用人口水平回归模型来创建基线。
16.如权利要求13所述的系统，其中校准步骤包括使用用户的个性化数据来创建基线。
17.如权利要求16所述的系统，其中个性化数据包括来自右心导管插入术的数据。
18.如权利要求16所述的系统，其中个性化数据包括来自临床检查的数据。
19.如权利要求1所述的系统，其中第一传感器包括用于放置在心脏附近的第一可穿戴传感器；以及
其中第二传感器包括用于放置在心脏附近的第二可穿戴传感器。
20.如权利要求1所述的系统，还包括第三传感器。
21.如权利要求20所述的系统，其中第三传感器被配置为测量环境参数。
22.如权利要求20所述的系统，其中第三传感器被配置为测量用户的光电容积脉搏波信号。
23.如权利要求1所述的系统，其中第二传感器被配置为测量用户的陀螺心电图信号。
24.如权利要求1所述的系统，还包括指示用户的心脏健康的输出。
25.如权利要求1所述的系统，还包括无线通信器，无线通信器被配置为将对用户的心脏健康的评估无线地传送到远程设备。
26.如权利要求1所述的系统，其中系统可由用户穿戴。
27.一种用于评估用户的心脏健康的可穿戴系统，包括：
第一传感器，被配置为测量用户的心脏的至少一个电特性；
第二传感器，被配置为测量用户的心源性振动；以及
控制器，被配置为执行校准步骤以创建与用户的心脏健康相关联的一个或多个参数的基线，并至少部分地基于基线和来自第一传感器和第二传感器的测量来生成对用户的心脏健康的评估，所述评估包括指示心脏的充盈特性的数据。
28.如权利要求27所述的系统，其中第一传感器被配置为测量用户的心电图信号。
29.如权利要求27所述的系统，其中第二传感器被配置为测量用户的心震图信号。
30.如权利要求29所述的系统，其中包括指示心脏的充盈特性的数据的对用户的心脏健康的评估至少部分地基于用户的心震图信号的横轴。
31.如权利要求29所述的系统，其中包括指示心脏充盈特性的数据的对用户的心脏健康的评估至少部分地基于用户的心震图信号的头到脚轴。
32.如权利要求29所述的系统，其中包括指示心脏充盈特性的数据的对用户的心脏健康的评估至少部分地基于用户的心震图信号的背腹轴。
33.如权利要求29所述的系统，其中包括指示心脏充盈特性的数据的对用户的心脏健康的评估至少部分地基于在心跳的舒张期部分期间用户的心震图信号。
34.如权利要求27所述的系统，其中对心脏健康的评估包括指示用户的心力衰竭的临床状态的分类的数据。
35.如权利要求27所述的系统，其中对心脏健康的评估包括指示用户的血流动力学的改变的指示的数据。
36.如权利要求27所述的系统，其中对心脏健康的评估包括指示用户的充盈压力的改变的指示的数据。
37.如权利要求27所述的系统，其中对心脏健康的评估包括指示用户的肺动脉压力的改变的指示的数据。
38.如权利要求27所述的系统，其中对心脏健康的评估包括指示用户的肺毛细血管楔压的改变的指示的数据。
39.如权利要求27所述的系统，其中基线是基线充盈压力。
40.如权利要求27所述的系统，其中校准步骤包括使用人口水平回归模型来创建基线。
41.如权利要求27所述的系统，其中校准步骤包括使用用户的个性化数据来创建基线。
42.如权利要求41所述的系统，其中个性化数据包括来自右心导管插入术的数据。
43.如权利要求41所述的系统，其中个性化数据包括来自临床检查的数据。
44.如权利要求27所述的系统，其中第一传感器包括用于放置在心脏附近的第一可穿戴传感器；以及
其中第二传感器包括用于放置在心脏附近的第二可穿戴传感器。
45.如权利要求27所述的系统，还包括第三传感器。
46.如权利要求45所述的系统，其中第三传感器被配置为测量环境参数。
47.如权利要求45所述的系统，其中第三传感器被配置为测量用户的光电容积脉搏波信号。
48.如权利要求27所述的系统，其中第二传感器被配置为测量用户的陀螺心电图信号。
49.如权利要求27所述的系统，还包括指示用户的心脏健康的输出。
50.如权利要求27所述的系统，还包括无线通信器，无线通信器被配置为将对用户的心脏健康的评估无线地传送到远程设备。
51.如权利要求27所述的系统，其中系统可由用户穿戴。
52.一种用于无创地监视用户的心脏健康的方法，该方法包括：
由可穿戴设备接收指示用户的心脏的至少一个电特性的第一信号；
由可穿戴设备接收指示用户的心源性振动的第二信号；
至少部分地基于第一信号和第二信号生成对用户的心脏健康的评估，所述评估包括指示心脏的充盈特性的数据；以及
提供指示对用户的心脏健康的评估的输出。
53.如权利要求52所述的方法，其中第一信号指示用户的心电图信号。
54.如权利要求52所述的方法，其中第二信号指示用户的心震图信号。
55.如权利要求54所述的方法，其中包括指示心脏的充盈特性的数据的对用户的心脏健康的评估至少部分地基于用户的心震图信号的横轴。
56.如权利要求54所述的方法，其中包括指示心脏的充盈特性的数据的对用户的心脏健康的评估至少部分地基于用户的心震图信号的头到脚轴。
57.如权利要求54所述的方法，其中包括指示心脏充盈特性的数据的对用户的心脏健康的评估至少部分地基于用户的心震图信号的背腹轴。
58.如权利要求54所述的方法，其中包括指示心脏充盈特性的数据的对用户的心脏健康的评估至少部分地基于在心跳的舒张部分期间用户的心震图信号。
59.如权利要求52所述的方法，其中对心脏健康的评估包括指示用户的心力衰竭的临床状态的分类的数据。
60.如权利要求52所述的方法，其中对心脏健康的评估包括指示用户的血流动力学的改变的指示的数据。
61.如权利要求52所述的方法，其中对心脏健康的评估包括指示用户的充盈压力的改变的指示的数据。
62.如权利要求52所述的方法，其中对心脏健康的评估包括指示用户的肺动脉压力的改变的指示的数据。
63.如权利要求52所述的方法，其中对心脏健康的评估包括指示用户的肺毛细血管楔压的改变的指示的数据。
64.如权利要求52所述的方法，还包括校准以创建用于与用户的心脏健康相关联的一个或多个参数的基线。
65.如权利要求64所述的方法，其中基线是基线充盈压力。
66.如权利要求64所述的方法，其中校准包括使用人口水平回归模型来创建基线。
67.如权利要求64所述的方法，其中校准包括使用用户的个性化数据来创建基线。
68.如权利要求67所述的方法，其中个性化数据包括来自右心导管插入术的数据。
69.如权利要求67所述的方法，其中个性化数据包括来自临床检查的数据。
70.如权利要求52所述的方法，其中可穿戴设备被放置在心脏附近。
71.如权利要求52所述的方法，还包括接收第三信号。
72.如权利要求71所述的方法，其中第三信号指示至少一个环境参数。
73.如权利要求71所述的方法，其中第三信号指示用户的光电容积脉搏波信号。
74.如权利要求52所述的方法，其中第二信号指示用户的陀螺心电图信号。
CN202180087930.3A 2020-11-24 2021-11-08 用可穿戴心血管感测测量血流动力学参数的系统和方法 Pending CN116744843A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063117766P 2020-11-24 2020-11-24
US63/117,766 2020-11-24
PCT/US2021/058429 WO2022115228A1 (en) 2020-11-24 2021-11-08 Systems and methods for measuring hemodynamic parameters with wearable cardiovascular sensing

Publications (1)

Publication Number Publication Date
CN116744843A true CN116744843A (zh) 2023-09-12

Family

ID=81754950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180087930.3A Pending CN116744843A (zh) 2020-11-24 2021-11-08 用可穿戴心血管感测测量血流动力学参数的系统和方法

Country Status (8)

Country Link
US (1) US20230293082A1 (zh)
EP (1) EP4251032A1 (zh)
JP (1) JP2023552725A (zh)
KR (1) KR20230132445A (zh)
CN (1) CN116744843A (zh)
AU (1) AU2021387667A1 (zh)
CA (1) CA3199919A1 (zh)
WO (1) WO2022115228A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648557A (zh) * 2024-01-30 2024-03-05 山东科技大学 一种基于soh联合降噪的soh预测方法及设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220354432A1 (en) * 2021-05-07 2022-11-10 Cortery AB Cardiac health assessment systems and methods

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160206292A1 (en) * 2008-08-05 2016-07-21 Guardsman Scientific, Inc. Systems and methods for managing a patient
US8870780B2 (en) * 2008-10-15 2014-10-28 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for monitoring heart function
CA2834102A1 (en) * 2011-05-03 2012-11-08 Heart Force Medical Inc. Method and apparatus for estimating myocardial contractility using precordial vibration signals
FI126008B (en) * 2013-09-13 2016-05-31 Murata Manufacturing Co cardiac monitoring system
US10806374B2 (en) * 2014-08-25 2020-10-20 Georgia Tech Research Corporation Noninvasive systems and methods for monitoring health characteristics
US10729337B2 (en) * 2015-05-05 2020-08-04 The Johns Hopkins University Device and method for non-invasive left ventricular end diastolic pressure (LVEDP) measurement
EP3096254A1 (en) * 2015-05-21 2016-11-23 Universität Zürich Method for monitoring and visualizing a patient's medical condition
US11363956B2 (en) * 2015-12-07 2022-06-21 Medici Technologies Llc Methods and apparatuses for assessment and management of hemodynamic status
WO2020037391A1 (en) * 2018-08-20 2020-02-27 Neptec Design Group Ltd. Method and apparatus for deriving biometric information using multiple-axis seismocardiography
JP7231742B2 (ja) * 2018-12-21 2023-03-01 ダブリュ．エル．ゴア アンド アソシエイツ，インコーポレイティド 血流調節可能な埋植型医療機器
US11464451B1 (en) * 2020-03-11 2022-10-11 Huxley Medical, Inc. Patch for improved biometric data capture and related processes

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648557A (zh) * 2024-01-30 2024-03-05 山东科技大学 一种基于soh联合降噪的soh预测方法及设备

Also Published As

Publication number Publication date
EP4251032A1 (en) 2023-10-04
US20230293082A1 (en) 2023-09-21
CA3199919A1 (en) 2022-06-02
AU2021387667A1 (en) 2023-06-22
KR20230132445A (ko) 2023-09-15
WO2022115228A1 (en) 2022-06-02
JP2023552725A (ja) 2023-12-19

Similar Documents

Publication Publication Date Title
JP6721153B2 (ja) 生体情報分析装置、システム、及び、プログラム
Gaurav et al. Cuff-less PPG based continuous blood pressure monitoring—A smartphone based approach
US6993378B2 (en) Identification by analysis of physiometric variation
JP2021519168A (ja) 訓練された予測モデルに基づく血圧降下の非侵襲的決定のためのシステム及び方法
US20110190598A1 (en) Health Data Dynamics, Its Sources and Linkage with Genetic/Molecular Tests
Shandhi et al. Estimation of changes in intracardiac hemodynamics using wearable seismocardiography and machine learning in patients with heart failure: a feasibility study
US20230293082A1 (en) Systems and methods for measuring hemodynamic parameters with wearable cardiovascular sensing
Anbalagan et al. Analysis of various techniques for ECG signal in healthcare, past, present, and future
US20230082362A1 (en) Processes and methods to predict blood pressure
US20220095955A1 (en) Method and system to assess disease using multi-sensor signals
Cao et al. Crisp-BP: Continuous wrist PPG-based blood pressure measurement
Mousavi et al. Cuff-Less blood pressure estimation using only the ecg signal in frequency domain
Zhang et al. Study of cuffless blood pressure estimation method based on multiple physiological parameters
US20220031220A1 (en) Model-based sensor technology for detection of cardiovascular status
US20230277071A1 (en) Systems, methods, and devices for non-invasive and continuous hemodynamic measurement
Alqudah et al. Multiple time and spectral analysis techniques for comparing the PhotoPlethysmography to PiezoelectricPlethysmography with electrocardiography
Sarada Basics and Descriptions of Different Biomedical Signals
Nagy et al. Sensor fusion for the accurate non-invasive measurement of blood pressure
US20230233089A1 (en) Multi-sensor mems system and machine-learned analysis method for hypertrophic cardiomyopathy estimation
Zienkiewicz et al. Wearable sensor system on chest for continuous measurement of blood pressure and other vital signs
Moharir et al. Sensor Data Analytics for Health Care
Bagyaraj et al. Acquisition of Jugular Venous Pulse Waveform by a Non-invasive Technique
Azam et al. Sleep Apnea Detection using Cardioid Based Graph
CN118139576A (zh) 用于将来自生物物理信号的心脏波形特征工程化以用于表征生理系统的方法和系统
Azam et al. Development of Cardioid Based Graph ECG Heart Abnormalities Classification Technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination