KR20230023671A - 비침습적이고 연속적인 혈류역학 측정을 위한 시스템, 방법 및 장치 - Google Patents
비침습적이고 연속적인 혈류역학 측정을 위한 시스템, 방법 및 장치 Download PDFInfo
- Publication number
- KR20230023671A KR20230023671A KR1020227046484A KR20227046484A KR20230023671A KR 20230023671 A KR20230023671 A KR 20230023671A KR 1020227046484 A KR1020227046484 A KR 1020227046484A KR 20227046484 A KR20227046484 A KR 20227046484A KR 20230023671 A KR20230023671 A KR 20230023671A
- Authority
- KR
- South Korea
- Prior art keywords
- vibration
- vcg
- data
- heart
- blood pressure
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 226
- 238000005259 measurement Methods 0.000 title claims abstract description 139
- 230000000004 hemodynamic effect Effects 0.000 title claims abstract description 32
- 210000002216 heart Anatomy 0.000 claims abstract description 231
- 230000000747 cardiac effect Effects 0.000 claims description 211
- 230000036772 blood pressure Effects 0.000 claims description 202
- 230000033001 locomotion Effects 0.000 claims description 138
- 230000001133 acceleration Effects 0.000 claims description 118
- 238000009530 blood pressure measurement Methods 0.000 claims description 84
- 230000000694 effects Effects 0.000 claims description 83
- 230000009021 linear effect Effects 0.000 claims description 67
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 65
- 230000002861 ventricular Effects 0.000 claims description 60
- 238000004458 analytical method Methods 0.000 claims description 54
- 238000004891 communication Methods 0.000 claims description 49
- 230000000241 respiratory effect Effects 0.000 claims description 48
- 230000003534 oscillatory effect Effects 0.000 claims description 38
- 238000001914 filtration Methods 0.000 claims description 30
- 230000036461 convulsion Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 78
- 238000012360 testing method Methods 0.000 description 78
- 230000010355 oscillation Effects 0.000 description 69
- 238000012545 processing Methods 0.000 description 67
- 238000012544 monitoring process Methods 0.000 description 65
- 210000000038 chest Anatomy 0.000 description 63
- 230000000875 corresponding effect Effects 0.000 description 63
- 239000008280 blood Substances 0.000 description 59
- 210000004369 blood Anatomy 0.000 description 59
- 210000004072 lung Anatomy 0.000 description 58
- 210000001765 aortic valve Anatomy 0.000 description 55
- 210000001562 sternum Anatomy 0.000 description 46
- 238000013527 convolutional neural network Methods 0.000 description 45
- 230000006870 function Effects 0.000 description 43
- 210000000709 aorta Anatomy 0.000 description 42
- 238000013459 approach Methods 0.000 description 42
- 238000010586 diagram Methods 0.000 description 42
- 238000006073 displacement reaction Methods 0.000 description 39
- 230000008859 change Effects 0.000 description 32
- 238000005070 sampling Methods 0.000 description 32
- 230000017531 blood circulation Effects 0.000 description 30
- 230000008602 contraction Effects 0.000 description 29
- 210000005240 left ventricle Anatomy 0.000 description 29
- 230000008569 process Effects 0.000 description 29
- 210000002417 xiphoid bone Anatomy 0.000 description 29
- 238000010801 machine learning Methods 0.000 description 25
- 230000036541 health Effects 0.000 description 23
- 210000003709 heart valve Anatomy 0.000 description 22
- 210000004115 mitral valve Anatomy 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 21
- 238000001514 detection method Methods 0.000 description 20
- 230000035487 diastolic blood pressure Effects 0.000 description 20
- 230000003205 diastolic effect Effects 0.000 description 19
- 238000004088 simulation Methods 0.000 description 19
- 230000035488 systolic blood pressure Effects 0.000 description 19
- 230000010363 phase shift Effects 0.000 description 17
- 239000013598 vector Substances 0.000 description 17
- 238000002474 experimental method Methods 0.000 description 16
- 238000001228 spectrum Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 15
- 230000007704 transition Effects 0.000 description 15
- 238000007405 data analysis Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 14
- 230000001965 increasing effect Effects 0.000 description 14
- 239000000463 material Substances 0.000 description 14
- 230000001766 physiological effect Effects 0.000 description 14
- 230000036387 respiratory rate Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000002802 cardiorespiratory effect Effects 0.000 description 13
- 238000002565 electrocardiography Methods 0.000 description 13
- 238000011161 development Methods 0.000 description 12
- 230000018109 developmental process Effects 0.000 description 12
- 230000003068 static effect Effects 0.000 description 12
- 206010058178 Aortic occlusion Diseases 0.000 description 11
- 208000024172 Cardiovascular disease Diseases 0.000 description 11
- 239000012530 fluid Substances 0.000 description 11
- 210000001367 artery Anatomy 0.000 description 10
- 230000007423 decrease Effects 0.000 description 10
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 210000004165 myocardium Anatomy 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 210000005246 left atrium Anatomy 0.000 description 9
- 238000012805 post-processing Methods 0.000 description 9
- 101000637031 Homo sapiens Trafficking protein particle complex subunit 9 Proteins 0.000 description 8
- 102100031926 Trafficking protein particle complex subunit 9 Human genes 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 8
- 210000002837 heart atrium Anatomy 0.000 description 8
- 230000001976 improved effect Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 210000005241 right ventricle Anatomy 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 238000002592 echocardiography Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 210000000115 thoracic cavity Anatomy 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 6
- 230000004872 arterial blood pressure Effects 0.000 description 6
- 238000013155 cardiography Methods 0.000 description 6
- 230000002526 effect on cardiovascular system Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000037081 physical activity Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 206010006322 Breath holding Diseases 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 230000001746 atrial effect Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000009795 derivation Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 238000005086 pumping Methods 0.000 description 5
- 210000002321 radial artery Anatomy 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000006722 reduction reaction Methods 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 210000005245 right atrium Anatomy 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 210000000779 thoracic wall Anatomy 0.000 description 5
- 230000031018 biological processes and functions Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 4
- 210000000748 cardiovascular system Anatomy 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 210000001147 pulmonary artery Anatomy 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000009528 vital sign measurement Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 235000011034 Rubus glaucus Nutrition 0.000 description 3
- 244000235659 Rubus idaeus Species 0.000 description 3
- 235000009122 Rubus idaeus Nutrition 0.000 description 3
- 208000007536 Thrombosis Diseases 0.000 description 3
- 230000003321 amplification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 210000002302 brachial artery Anatomy 0.000 description 3
- 210000004903 cardiac system Anatomy 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 239000013013 elastic material Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000004217 heart function Effects 0.000 description 3
- 230000003601 intercostal effect Effects 0.000 description 3
- 230000002045 lasting effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002685 pulmonary effect Effects 0.000 description 3
- 210000003492 pulmonary vein Anatomy 0.000 description 3
- 230000035485 pulse pressure Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004202 respiratory function Effects 0.000 description 3
- 208000023504 respiratory system disease Diseases 0.000 description 3
- 230000001020 rhythmical effect Effects 0.000 description 3
- 210000001013 sinoatrial node Anatomy 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 210000000591 tricuspid valve Anatomy 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 229920002595 Dielectric elastomer Polymers 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 230000009084 cardiovascular function Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000000170 cell membrane Anatomy 0.000 description 2
- 230000004087 circulation Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000004941 influx Effects 0.000 description 2
- 238000001802 infusion Methods 0.000 description 2
- 230000003434 inspiratory effect Effects 0.000 description 2
- 238000007914 intraventricular administration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 210000003102 pulmonary valve Anatomy 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 210000001908 sarcoplasmic reticulum Anatomy 0.000 description 2
- 238000013125 spirometry Methods 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 230000033772 system development Effects 0.000 description 2
- 230000001839 systemic circulation Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000010854 vegetative compatibility group Methods 0.000 description 2
- 210000001631 vena cava inferior Anatomy 0.000 description 2
- 206010057453 Aortic dilatation Diseases 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- 241001503987 Clematis vitalba Species 0.000 description 1
- 201000006306 Cor pulmonale Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 241001325280 Tricardia watsonii Species 0.000 description 1
- 241001433070 Xiphoides Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 230000005800 cardiovascular problem Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 210000000188 diaphragm Anatomy 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 239000011263 electroactive material Substances 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000000876 intercostal muscle Anatomy 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 210000002976 pectoralis muscle Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229910001414 potassium ion Inorganic materials 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 238000000306 qrs interval Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000024883 vasodilation Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 210000002620 vena cava superior Anatomy 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000003190 viscoelastic substance Substances 0.000 description 1
Images
Classifications
-
- 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
- A61B5/103—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
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
-
- 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
- A61B5/72—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
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (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)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
피험자의 비침습적 혈류역학 측정을 위한 시스템, 방법 및 장치가 제공된다. 상기 방법은 상기 방법은, 진동 심전도(VCG) 데이터로부터 진동 펄스(V1, V2)를 식별하는 단계로, VCG 데이터는 심장 유도 진동에 대응하는 피험자의 흉부 표면에서 획득된 진동 신호로부터 도출되는, 단계; 진동 펄스(V1, V2)로부터 진동 특징을 결정하는 단계; 및 상기 진동 특징으로부터 혈류역학 측정을 결정하는 단계를 포함한다.
Description
본 발명은 일반적으로 바이탈 사인 측정 기술, 특히 비침습적 연속 혈류역학 측정을 위한 시스템, 방법 및 장치에 관한 것이다.
혈압과 같은 바이탈 사인의 측정은 신체의 바이탈 또는 생명 유지 기능의 상태를 이해하고 결정하는 데 중요하다. 바이탈 사인 측정은 사람의 일반적인 신체 건강을 평가하고, 질병의 존재 가능성에 대한 징후를 제공하고, 회복을 위한 진행 상황을 표시하기 위해 사용할 수 있다. 예를 들어 정기적인 심장 모니터링은 심장 질환의 진단, 분석 및 예방을 용이하게 할 수 있다. 활력 징후의 지속적인 모니터링은 초기 단계에서 불규칙하고 비정상적인 활동을 검출할 수 있는 기회를 제공하여 후속 예방 및 치료 전략을 알릴 수 있다.
혈압은 혈관벽에서 순환하는 혈액의 압력이다. "혈압"이라는 용어는 일반적으로 체순환의 대동맥의 압력을 의미하다. 혈압은 일반적으로 이완기 혈압(두 심장 박동들 사이의 최소)에 대한 수축기 혈압(한 번의 심장 박동 동안 최대)으로 표현되며 주변 대기압보다 높은 수은주 밀리미터(mmHg)로 측정된다. 성인의 정상 휴식기 혈압은 약 120mmHg 수축기 혈압(16kPa), 80mmHg 이완기 혈압(120/80mmHg)이다. 정상 안정 시 혈압 값과의 편차는 심장 질환 및 심혈관 질환과 같은 건강 문제를 나타낼 수 있다.
혈압 측정에 대한 기존의 접근법은 침습적 및 비침습적 기술을 포함한다. 카테터 삽입은 혈압 측정의 황금 표준을 나타내는 침습적 측정 기술이다. 이 방법은 임의의 동맥 부위(예컨대, 요골 동맥, 대동맥)에서 혈액과 유체 접촉에 스트레인 게이지를 배치하여 순간 혈압을 측정하다. 그러나 카테터 삽입은 매우 침습적인 기술이며 일반적으로 병원 설정으로 제한된다.
비침습적 혈압 측정 기술에는 커프 기반 및 커프리스 기술이 포함된다. 커프 기반 기술의 예로는 청진, 오실로메트리 및 볼륨 클램핑을 포함한다. 이러한 커프 기반 기술은 여러 기기를 사용하며 정확하게 수행하려면 특정 전문 기술이 필요할 수 있다. 또한, 커프 기반 기술은 일반적으로 개인의 혈압을 개별적으로 측정하는 데 유용하지만 일반적으로 커프의 팽창으로 인해 환자에게 방해가 될 뿐만 아니라 침습적이기 때문에 연속 혈압 측정에는 적합하지 않는다. 팔에 혈액을 운반하는 혈관의 압착 및 압착된 혈관이 다시 튀어오르는 포인트으로 천천히 압력을 해제하는 것을 모니터링한다. 또한 커프 기반 기술은 진정으로 지속적인 혈압 측정을 제공하는 것이 아니라 불연속적인 시점에서 혈압 측정을 제공한다.
PTT(Pulse-Transit Time)는 커프가 없는 비침습적 혈압 측정 기술이다. PTT 시스템은 펄스가 동맥 트리의 근위 포인트에서 원위 포인트으로 전파되는 데 걸리는 시간인 펄스 통과 시간을 결정하다. PTT는 맥파 전파 모델을 통해 BP와 생리학적으로 관련이 있는 것으로 나타났다. PTT 시스템은 조정이 필요한 두 개의 기기(예컨대, 손가락 센서 및 흉부 센서)와 조정을 수행하기 위한 제3 기기를 사용한다. 기존 PTT 설정은 번거로울 수 있으며 특별한 경우에 사용하기에 더 적합하다. 또한, 기기 설정은 기기를 벗고 착용하는 것이 원치 않는 불편을 추가하기 때문에 원격 모니터링 또는 원격 의료 상황에서 PTT를 지속적으로 모니터링하는 데 적합하지 않는다. 일부 PTT 시스템은 보정 측정을 위해 드물게 커프를 사용해야 한다.
혈압 측정에 대한 기존의 접근법은 침습적일 수 있고, 불편함에 더허여 이동의 자유를 감소시키는 복잡한 기기 설정을 포함하고, 측정을 관리하거나 측정을 처리하기 위해 제2의 사람을 요구할 수 있기 때문에 지속적인 원격 건강 모니터링 애플리케이션에 적합하지 않는다. 그 결과. 기존 측정 시스템의 이러한 단점은 원격 의료 모니터링, 전장에서 최종 치료 환경으로 이동하는 부상 군인의 생체 신호 모니터링을 포함한 군사 응용 프로그램, 의료 전문가가 물리적으로 존재하거나 접근할 수 없거나 건강 상태를 유지하는 것이 특히 중요할 수 있는 우주 비행 임무와 같은 원격 응용 프로그램에 대한 실용성을 제한한다. .
따라서, 기존 시스템 및 방법의 단점 중 적어도 일부를 극복하는 혈류역학 측정을 위한 개선된 시스템 및 방법이 필요하다.
피험자의 비침습적 혈류역학 측정 방법이 제공된다. 이 방법은 진동 심전도(VCG) 데이터로부터 진동 펄스(V1, V2)를 식별하는 단계를 포함하며, VCG 데이터는 심장 유도 진동에 해당하는 피험자의 흉부 표면에서 획득된 진동 신호로부터 유도된다. 이 방법은 진동 펄스(V1, V2)로부터 진동 특징을 결정하는 단계를 더 포함한다. 상기 방법은 진동 특징으로부터 혈류역학적 측정을 결정하는 것을 더 포함한다.
혈류역학적 측정은 혈압일 수 있다.
상기 방법은 VCG 데이터로부터 호흡 신호를 식별, 추출 또는 분석하는 단계를 더 포함할 수 있다. VCG 데이터로부터 호흡 신호를 추출하지 않고 호흡 신호를 분석할 수도 있다.
상기 방법은 VCG 데이터에서 개별 심장 주기를 식별하거나 분석하는 단계를 더 포함할 수 있다.
혈압 측정을 결정하는 단계는, 각각의 심장 주기에 대한 중앙 대동맥 또는 좌심실 압력 파형의 최대값, 최소값 또는 평균값을 실시간으로 결정하는 것을 포함할 수 있다.
진동 신호는 선형 가속도 성분과 회전 속도 성분을 포함할 수 있다.
진동 신호는 6개의 직교 운동 신호를 포함할 수 있다.
진동 특징을 결정하는 것은, 진동으로 변환된 스트로크 볼륨의 에너지 분율을 정량화하는 것을 포함할 수 있다. 에너지는 운동 에너지일 수 있다.
진동 특징은 진동 신호의 선형 가속도 성분 및 진동 신호의 회전 속도 성분을 사용하여 결정될 수 있다.
진동 특징을 결정하는 단계는, 진동 신호의 선형 가속도 성분 또는 회전 속도 성분으로부터 저크, 진폭, 주파수, 위상 및 심장 시간 간격 중 임의의 하나 이상을 결정하는 것을 포함할 수 있다.
상기 방법은, 상기 진동 신호로부터 피험자의 모션 아티팩트, 센서 위치, 노력, 호흡 및 물리적 특성 중 임의의 하나 이상을 필터링 또는 복조하는 단계를 더 포함할 수 있다.
상기 방법은, VCG 데이터로부터 진동 펄스(V1, V2)를 추출 또는 분석하는 단계를 더 포함할 수 있다.
혈류역학적 측정은 혈압 측정일 수 있다.
피험자의 비침습적 혈압 측정 시스템도 제공된다. 이 시스템은 가속도계와 자이로스코프를 포함하는 센서 장치를 포함한다. 센서 장치는, 심장의 심장 기계적 활동에 대응하는 피험자의 가슴 표면에서 진동을 검출하고 검출된 진동과 관련된 진동 신호를 전송한다. 상기 시스템은 또한 데이터 통신 링크를 통해 센서 장치에 통신 가능하게 연결된 컴퓨팅 장치를 포함한다. 컴퓨팅 장치는, 데이터 통신 링크를 통해 센서 장치로부터 진동 신호를 수신하기 위한 통신 인터페이스; 진동 신호로부터 진동 특징을 결정하고, 진동 특징으로부터 혈압 측정을 결정하고, 사람이 판독할 수 있는 혈압 측정 포맷을 생성하도록 구성된 프로세서; 측정된 혈압을 저장하는 메모리; 및 사람이 판독할 수 있는 포맷으로 혈압 측정치를 출력하기 위한 디스플레이 장치를 포함한다.
상기 프로세서는 VCG(vibrational cardiography) 데이터로부터 진동 펄스(V1, V2)를 식별하도록 추가로 구성될 수 있으며, VCG 데이터는 진동 신호로부터 도출되고, 진동 펄스(V1, V2)로부터 진동 특징을 결정한다.
상기 상기 프로세서는 VCG 데이터로부터 호흡 신호를 식별, 추출 또는 분석하도록 추가로 구성될 수 있다. 상기 상기 프로세서는 VCG 데이터로부터 호흡 신호를 추출하지 않고 호흡 신호를 분석할 수도 있다.
상기 상기 프로세서는 VCG 데이터에서 개별 심장 주기를 식별하거나 분석하도록 추가로 구성될 수 있다.
상기 프로세서에 의해 혈압 측정을 결정하는 단계는, 각각의 심장 주기에 대한 중앙 대동맥 또는 좌심실 압력 파형의 최대값, 최소값 또는 평균값을 실시간으로 결정하는 것을 포함할 수 있다.
진동 신호는 선형 가속도 성분 및 회전 속도 성분을 포함할 수 있다.
진동 신호는 6개의 직교 운동 신호들을 포함할 수 있다.
상기 프로세서에 의해 진동 특징을 결정하는 단계는, 진동으로 변환된 스트로크 볼륨의 에너지 분율을 정량화하는 것을 포함할 수 있다. 에너지는 운동 에너지일 수 있다.
상기 상기 프로세서에 의해 진동 특징을 결정하는 단계는, 진동 신호의 선형 가속도 성분 또는 회전 속도 성분으로부터 저크, 진폭, 주파수, 위상 및 심장 시간 간격 중 임의의 하나 이상을 결정하는 것을 포함할 수 있다.
상기 프로세서는 모션 아티팩트, 센서 위치, 노력, 호흡 또는 진동 신호로부터의 물리적 특성 중 임의의 하나 이상을 필터링하거나 복조하도록 추가로 구성될 수 있다.
상기 프로세서는 VCG 데이터로부터 진동 펄스(V1, V2)를 추출 또는 분석하도록 추가로 구성될 수 있다.
피험자의 비침습적 혈압 측정을 위한 컴퓨터 시스템도 제공된다. 컴퓨터 시스템은 진동 신호를 수신하기 위한 통신 인터페이스를 포함한다. 진동 신호는 피험자의 가슴 표면에서 검출되며 심장의 심장 기계적 활동에 해당한다. 컴퓨터 시스템은 진동 신호로부터 진동 심전도(VCG) 파형 데이터를 생성하고; 처리된 VCG 파형을 생성하기 위해 VCG 파형 데이터를 필터링 및 복조하고; 처리된 VCG 파형 데이터로부터 진동 특징을 결정하고; 진동 특징으로부터 혈압 측정을 결정하고; 사람이 판독할 수 있는 혈압 측정 포맷을 생성한다. 컴퓨터 시스템은 사람이 판독할 수 있는 포맷으로 혈압 측정치를 출력하기 위한 디스플레이 장치를 더 포함한다.
상기 프로세서는 처리된 진동 심전도 파형 데이터로부터 진동 펄스(V1, V2)를 식별하고 진동 펄스(V1, V2)로부터 진동 특징을 결정하도록 추가로 구성될 수 있다.
상기 프로세서에 의한 필터링 및 복조는 VCG 파형 데이터로부터 호흡 신호를 추출 또는 분석하는 것을 포함할 수 있다. VCG 데이터로부터 호흡 신호를 추출하지 않고 호흡 신호를 분석할 수도 있다. 예를 들어, 상기 프로세서는 기계 학습 기술을 사용하여 VCG 데이터로부터 호흡 신호를 추출하지 않고 호흡 신호를 분석할 수 있다.
상기 프로세서는 처리된 VCG 파형 데이터에서 개별 심장 주기를 식별하도록 추가로 구성될 수 있다.
상기 프로세서에 의해 진동 특징으로부터 혈압 측정을 결정하는 단계는, 각각의 심장 주기에 대한 중앙 대동맥 또는 좌심실 압력 파형의 최대값, 최소값 또는 평균값을 실시간으로 결정하는 것을 포함할 수 있다.
상기 진동 신호는 선형 가속도 성분 및 회전 속도 성분을 포함할 수 있다.
진동 신호는 6개의 직교 운동 신호들을 포함할 수 있다.
상기 프로세서에 의해, 처리된 VCG 파형 데이터로부터 진동 특징을 결정하는 단계는, 진동으로 변환된 스트로크 볼륨의 에너지 분율을 정량화하는 것을 포함할 수 있다. 에너지는 운동 에너지일 수 있다.
상기 프로세서에 의해, 처리된 VCG 파형 데이터로부터 진동 특징을 결정하는 단계는, 진동 신호의 선형 가속도 성분 또는 회전 속도 성분으로부터 저크, 진폭, 주파수, 위상 및 심장 시간 간격 중 임의의 하나 이상을 결정하는 것을 포함할 수 있다.
프로세서에 의한 필터링 및 복조는 진동 신호로부터 피험자의 모션 아티팩트, 센서 위치, 노력, 호흡 및 신체적 특성 중 어느 하나 이상을 필터링 또는 복조하는 것을 포함할 수 있다.
상기 프로세서는 처리된 VCG 파형 데이터로부터 진동 펄스(V1, V2)를 추출 또는 분석하도록 추가로 구성될 수 있다.
다른 양태에서, 피험자의 비침습적 혈류역학 측정 방법이 제공된다. 이 방법에는 진동 심전도(VCG) 데이터로부터 심장 유도 진동을 식별하는 것이 포함된다. VCG 데이터는 심장 유도 진동에 대응하는 피험자의 흉부 표면에서 획득된 진동 신호로부터 도출된다. 이 방법은 진동 신호로부터 진동 특징을 결정하는 단계 및 진동 특징으로부터 혈류역학 측정을 결정하는 단계를 더 포함한다.
혈류역학적 측정은 혈압 측정일 수 있다.
심장 유도 진동은 진동 펄스(V1, V2)를 포함할 수 있다. 진동 펄스(V1, V2)는 일차 심음에 대응할 수 있다. 진동 특징은 진동 펄스(V1, V2)와 직접적으로 관련될 수도 있고 그렇지 않을 수도 있다. 심장 유도 진동은 심장의 기계적 운동에 대응하는 진동을 포함할 수 있다.
심장 유도 진동은 20Hz 미만의 주파수를 갖는 진동일 수 있다. 상기 심장 유도 진동은 초저주파 범위의 주파수를 갖는 진동일 수 있다. 상기 심장 유도 진동은 1Hz 내지 2Hz 범위의 주파수를 갖는 진동일 수 있다.
또 다른 양태에서, 피험자의 비침습적 혈류역학 측정을 위한 컴퓨터 시스템이 제공된다. 컴퓨터 시스템은 프로세서 및 이 프로세서와 통신하는 메모리를 포함한다. 메모리는 프로세서에 의해 실행될 때,컴퓨터 시스템이, 심장 유도 진동에 대응하는 피험자의 가슴 표면에서 얻어진 진동 신호로부터 유도되는 진동 심전도(VCG) 데이터로부터 심장 유도 진동을 식별하고. 진동 신호로부터 진동 특징을 결정하고; 진동 특징으로부터 혈류역학 측정을 결정하도록 하는 컴퓨터 실행 가능 명령을 저장한다
다른 양태들 및 특징들은 어떤 예시적인 실시예들의 다음 설명에 따라 통상의 지식을 가진자에게 명백해질 것이다.
본 명세서에 포함된 도면들은 본 발명의 아이템, 방법 및 장치의 다양한 실시예들을 설명하기 위한 것이다. 도면에서:
도 1은 심장의 개략도이다.
도 2는 일 실시예에 따른 비침습적 연속 혈압 측정 방법의 흐름도이다.
도 3은 일 실시예에 따라 진동 심전도(VCG)를 사용하는 비침습적 연속 혈압 측정 방법의 흐름도이다.
도 4는 일 실시예에 따른, 착용형 센서 모듈을 사용한 비침습적 연속 혈압 측정 시스템의 블록도이다.
도 5는 일 실시예에 따라 비침습적 연속 혈압 측정을 수행하기 위한 컴퓨터 시스템의 블록도이다.
도 6은 일 실시예에 따른, 도 4의 시스템을 사용하는 비침습적 연속 혈압 측정 방법의 흐름도이다.
도 7은 도 4의 시스템의 컴퓨팅 장치의 블록도이다.
도 8은 도 4의 시스템과 같은, 본 발명의 시스템을 사용하여 VCG 신호로부터 결정될 수 있는 생체 측정을 도시하는 도면이다.
도 9는 판막 작용을 보여주는 예시적인 심장진단(SCG) 파형이다.
도 10은 예시적인 심전도(ECG) 파형이다.
도 11은 심혈관 시스템용 혈액 순환 회로의 개략도이다.
도 12는 심장의 물리적 움직임 및 그의 전기적 명령과 관련하여 혈압을 나타내는 심장 주기 다이어그램(또는 위거스 다이어그램)이다.
도 13은 실시예에 따라, 본 발명의 시스템에 의해 구현되는 검상돌기 과정에서 진동 측정 또는 특징들로부터 대동맥 혈압을 결정하기 위한 분석적 접근법을 예시하는 블록도이다.
도 14는 일 실시예에 따라 검상돌기에서 진동 측정 또는 특징으로부터 대동맥 혈압을 결정하기 위한 기계 학습 기반 접근법을 예시하는 블록도이다.
도 15는 일실시예에 따른 비침습적 생리활동 모니터링 시스템의 생리측정에 사용되는 기기를 나타낸 도면이다.
도 16은 일 실시예에 따른 비침습적 생리 활동 모니터링 시스템 연구실에서 생리 측정에 사용되는 기기를 도시한 도면이다.
도 17은 일 실시예에 따른 본 발명의 비침습적 생리적 활동 모니터링 시스템의 시스템 구성도이다.
도 18은 다른 실시예에 따른 본 발명의 비침습적 생리 활동 모니터링 시스템의 시스템 구성도이다.
도 19는 실시예에 따라 순차적인 방법을 사용하는 본 발명의 시스템의 샘플링 레이트의 히스토그램이다.
도 20은 일 실시예에 따른, 멀티 스레딩 방법을 사용하는 본 발명의 시스템의 샘플링 레이트의 히스토그램이다.
도 21은 실시예에 따른, 본 발명의 시스템을 위한 예시적인 웹 기반 인터페이스이다.
도 22는 본 발명의 시스템과 관련된 실험 작업을 위한 센서 설정 및 실험 절차를 보여주는 개략도이다.
도 23a는 센서 위치 그리드이다.
도 23b는 피험자의 흉부상에 추적된 도 16a의 센서 위치를 예시하는 이미지이다.
도 24는 센서 위치의 함수로서 AO 진폭 및 센서 위치의 함수로서의 R-AO 지연을 나타내는 그래프이다(AO 위치 및 타이밍의 변화).
도 25는, (a) 높은 폐 용적, (b) 낮은 폐 용적, (c) 모든 피험자에 걸친, 및 (d) 모든 피험자에 대한 RMS로 인한 파형 변화를 예시하는 그래프이다.
도 26은 판막, 심실, 심방 및 주요 혈관을 나타내는 인간 심장의 개략도이다.
도 27은, (a) 심실 압력 및 용적의 전형적인 변화, (b) 심장 주기를 나타내는 P-V 루프, 및 (c) 압력, 용적, ECG, PCG 및 SCG의 동기화된 변화를 표시하는 위거스 다이어그램을 보여주는 심장 압력 주기를 예시하는 그래프이다.
도 28은 az, gx 및 gy 축(3개의 주 축들)에 대한 VCG 신호의 스펙트럼 프로파일이다.
도 29는 폐활량계(노란색)로부터 직접 통합되고 리셋(적색)되고 IMU 센서(청색)로부터 계산된 호흡량을 예시하는 그래프이다.
도 30은 (a) VarWin(상단) 및 DerWin(하단) 기능의 출력 사이의 비교 및 (b) 심장 주기에 의해 분리된 DerWin 출력을 예시하는 그래프이다.
도 31은, (a) 키엔스 센서로부터의 2차 미분 변위와 비교한 IMU에 의해 측정된 가속도, (b) 키엔스 센서로부터의 미분 변위와 비교한 IMU로부터의 적분 가속도, (c) 키엔스 센서로 측정한 변위와 비교한 IMU로부터의 2회 적분 가속도, (d) (청색) IMU 가속도계, (적색) IMU 자이로스코프, (노란색) 레이저 변위 센서에 의해 검출된 진동 운동 에너지의 속도 제곱항 검출기를 예시하는 그래프이다.
도 32는, (a) NIBP 및 VCG 파형, (b) 폐활량계 및 IMU로부터 도출된 RV, (c) SCG, ECG, ICG 및 NIBP 신호들로부터 HR, BTB, 및 LVET 계산, (d) 각 심장 주기의 수축기 단계 동안 NIBP에서 얻은 sBP 및 dBP 측정에 맞는 중앙 대동맥 압력 파형 및 (e) 데이터의 처음 10초를 일치시키기 위해 SCG 신호의 진폭을 간단히 스케일링하여 얻어진 보정된 압력을 포함하는 상이한 생리학적 메트릭에 대한 처리된 VCG 신호를 예시하는 그래프이다.
도 33은 심장에서의 전기적 활동을 연구하기 위해 제안된 모델의 기하학적 구조의 3차원 표현이다.
도 34는 심실의 전위차에 의해 야기된 압력 변화를 나타내는 그래프이다.
도 35는 제안된 판막 모델의 기하학적 구조의 3차원 표현이다.
도 36은 판막의 입력 및 출력에서의 차압을 나타내는 그래프이다.
도 37은, (a) 0.07s에서 심장 판막의 변형(입력 압력이 출력 압력보다 높은 초기) 및 (b) 0.21s에서 변형(입력과 출력 사이의 압력 차가 최대일 때)을 나타내는 그래프이다.
도 38은 실험을 통해 얻은 (b) 가속도와 비교하여 (a) XP에서의 시뮬레이션가속도를 나타내는 그래프이다.
도 39는 파동 전파 모델의 기하학적 구조의 3차원 표현이다.
도 40은 각 피험자(교정 측정 제외)에 대한 AO 이벤트에서 계산된 VarWin 진폭과 비교하여 측정된 수축기 혈압의 상관관계(좌측) 및 Bland-Altmann(우측) 플롯을 나타내는 그래프이다.
도 41은 각 피험자(보정 측정 제외)에 대한 AC 이벤트에서 계산된 VarWin 진폭과 비교하여 측정된 이완기 혈압의 상관관계(좌측) 및 Bland-Altmann(우측) 플롯을 나타내는 그래프이다.
도 42는 수축기 및 이완기 혈압에 대한 1D CNN 예측의 상관관계 플롯을 나타내는 그래프이다.
도 43은, (a) ICG 전극(녹색), ECG 전극(청색) 및 VCG 센서(적색)의 일반적인 위치 및 (b) ECG, ICG, 및 VCG의 동시 기록을 가능케 하는 시스템 구성을 나타내는 개략도이다.
도 44는 일 실시예에 따라 획득된 진동 운동 신호로부터 진동 펄스를 획득하기 위한 신호 처리 단계의 방법의 흐름도이다.
도 45는, (a) 식별된 R-피크를 나타내는 원을 갖는 ECG; (b) 각각 원과 십자로 나타낸, 주석이 달린 B-포인트와 X-포인트를 갖는 원시(청색) 및 필터링된(적색) ICG; 및 (c) SCG 가속도
(청색) 및 저크 크기 
(적색), (d) X축 GCG 
(청색) 및 그의 RKE 구성 요소 
(적색), 및 (e) V1 및 V2의 식별된 타임스탬프를 나타내는, 점선의 흑색 라인들을 갖는 
(청색) 및 
(적색)의 동시 기록을 예시하는 그래프이다.
도 46은, ECG를 참조할 때, r2가 각각 0.9887 및 0.9824인 (a) VCG 및 (b) ICG로부터 계산된 심박수의 상관관계를 나타내는 그래프이다.
도 47은, (a) ECG R-피크로부터 VCG로부터의 V2 및 ICG로부터의 B 모두로의 시간 간격와, (b) 각각 0.251 및 0.2797의 r2로 VCG 및 ICG로부터 얻은 LVETF의 상관관계를 나타내는 그래프이다. 각기;
도 48은, (a) 데카르트 기준 축에 의해 표시되는 방향과 함께 흉골의 검상돌기(흑색으로 표시) 상의 관성 측정 유닛(IMU)의 위치 및 몸통에 부착된 심전도(ECG) 전극(녹색으로 표시)을 도시하는 도면으로, 단일 CC의 대응 신호 모폴로지는 (b) 모든 축 구성 요소들의 가속 및 (c) 모든 축 구성 요소들의 회전에 대해 도시된다.
도 49는 일 실시예에 따른, VCG 심장 주기의 폐 용적 상태를 분류하기 위해 제안된 CNN의 전체 아키텍처를 도시하는 블록도이다.
도 50은 실시예에 따른, RPI 및 IMU를 포함하는 본 발명의 시스템에 대한 시스템 구성을 도시하는 도면이다.
도 51은, (a) 센서 및 전극 위치, (b) Z축 가속. (c) X축을 도시하는 도면이다.
도 52는 전체 데이터세트에 걸쳐서 VCG-유도 HR과 ECG-유도 HR을 비교하는 블랜드 알트만(Bland Altman) 플롯 및 상관관계를 예시하는 그래프이다.
도 53은, (a) 누운 자세, (b) 좌측을 향한 자세, (c) 우측을 향한 자세, (d) 앉은 자세, 및 (e) 서 있는 자세일 때 단일 피험자에 대한 앙상블 평균을 나타내는 그래프이다.
도 54는, (a) 대응하는 가속 좌표를 갖는 폐활량계(적색) 및 IMU(흑색) 위치 및 (b) 실험적 데이터 흐름도를 예시하는 도면이다.
도 55는, a) 원시 x-축 가속도(적색) 및 y-축 회전(청색), (b) Savitsky-Golay 필터링된 x-축 가속도(적색) 및 y-축 회전(청색), 및 (c) 기준 폐 용적(모든 플롯들은 정규화됨)을 나타내는 그래프이다.
도 56은 본 발명의 혈류역학적 측정을 위한 시스템 및 방법에 의해 활용될 수 있는, 좌심실로부터 손가락 동맥으로의 혈류 및 혈류의 심장 기계적 동작과 관련된 대응하는 진동 동작의 개략도이다.
도 57a는 박출 전 기간(PEP) 및 좌심실 박출 시간(LVET)을 포함하는 시간 경과에 따른 ECG 파형, 대동맥 혈압 파형 및 SCG 파형의 그래픽 표현이다.
도 57b는 변위(진동 신호, VCG로부터)와 심장 압력 사이의 관계를 예시하는, 선형 변위 및 각 변위의 그래프, 및 선형 변위 및 각 변위의 3개 축의 벡터 놈(norm)을 보여주는 그래픽 표현이다.
도 58a는, 대동맥 혈압, 좌심실압, 폐동맥압 및 우심실압에 대한 ECG 파형 및 압력 파형을 나타내는 제1 그래프, 및 제1 그래프와의 일치성을 나타내는 순환계의 심장 모델로부터 유도된 좌심방, 좌심실, 우심방, 우심실 및 동방결절에 대한 시간에 대해 도시된 속도를 예시하는 제2 그래프이다.
도 58b는, 심장 시스템의 도식적 표현 및 기계적으로 달성되고 진동과 심압 사이의 연결을 증명하기 위해 사용되는 심장 시스템의 심장 모델의 도식적 표현이며, 심장 모델은 도 58a의 제2 그래프를 생성하기 위해 사용된다.
도 59a는, 심장 압력 변화와 연관된 전달 함수의 그래픽 표현 및 대동맥으 로부터 손가락으로의 압력 파형의 변화를 예시하는 그래프이다.
도 59b는, 손가락 기반 측정 및 대동맥 추정에 대한 시간에 대한 혈압을 비교하는 그래프이다.
도 1은 심장의 개략도이다.
도 2는 일 실시예에 따른 비침습적 연속 혈압 측정 방법의 흐름도이다.
도 3은 일 실시예에 따라 진동 심전도(VCG)를 사용하는 비침습적 연속 혈압 측정 방법의 흐름도이다.
도 4는 일 실시예에 따른, 착용형 센서 모듈을 사용한 비침습적 연속 혈압 측정 시스템의 블록도이다.
도 5는 일 실시예에 따라 비침습적 연속 혈압 측정을 수행하기 위한 컴퓨터 시스템의 블록도이다.
도 6은 일 실시예에 따른, 도 4의 시스템을 사용하는 비침습적 연속 혈압 측정 방법의 흐름도이다.
도 7은 도 4의 시스템의 컴퓨팅 장치의 블록도이다.
도 8은 도 4의 시스템과 같은, 본 발명의 시스템을 사용하여 VCG 신호로부터 결정될 수 있는 생체 측정을 도시하는 도면이다.
도 9는 판막 작용을 보여주는 예시적인 심장진단(SCG) 파형이다.
도 10은 예시적인 심전도(ECG) 파형이다.
도 11은 심혈관 시스템용 혈액 순환 회로의 개략도이다.
도 12는 심장의 물리적 움직임 및 그의 전기적 명령과 관련하여 혈압을 나타내는 심장 주기 다이어그램(또는 위거스 다이어그램)이다.
도 13은 실시예에 따라, 본 발명의 시스템에 의해 구현되는 검상돌기 과정에서 진동 측정 또는 특징들로부터 대동맥 혈압을 결정하기 위한 분석적 접근법을 예시하는 블록도이다.
도 14는 일 실시예에 따라 검상돌기에서 진동 측정 또는 특징으로부터 대동맥 혈압을 결정하기 위한 기계 학습 기반 접근법을 예시하는 블록도이다.
도 15는 일실시예에 따른 비침습적 생리활동 모니터링 시스템의 생리측정에 사용되는 기기를 나타낸 도면이다.
도 16은 일 실시예에 따른 비침습적 생리 활동 모니터링 시스템 연구실에서 생리 측정에 사용되는 기기를 도시한 도면이다.
도 17은 일 실시예에 따른 본 발명의 비침습적 생리적 활동 모니터링 시스템의 시스템 구성도이다.
도 18은 다른 실시예에 따른 본 발명의 비침습적 생리 활동 모니터링 시스템의 시스템 구성도이다.
도 19는 실시예에 따라 순차적인 방법을 사용하는 본 발명의 시스템의 샘플링 레이트의 히스토그램이다.
도 20은 일 실시예에 따른, 멀티 스레딩 방법을 사용하는 본 발명의 시스템의 샘플링 레이트의 히스토그램이다.
도 21은 실시예에 따른, 본 발명의 시스템을 위한 예시적인 웹 기반 인터페이스이다.
도 22는 본 발명의 시스템과 관련된 실험 작업을 위한 센서 설정 및 실험 절차를 보여주는 개략도이다.
도 23a는 센서 위치 그리드이다.
도 23b는 피험자의 흉부상에 추적된 도 16a의 센서 위치를 예시하는 이미지이다.
도 24는 센서 위치의 함수로서 AO 진폭 및 센서 위치의 함수로서의 R-AO 지연을 나타내는 그래프이다(AO 위치 및 타이밍의 변화).
도 25는, (a) 높은 폐 용적, (b) 낮은 폐 용적, (c) 모든 피험자에 걸친, 및 (d) 모든 피험자에 대한 RMS로 인한 파형 변화를 예시하는 그래프이다.
도 26은 판막, 심실, 심방 및 주요 혈관을 나타내는 인간 심장의 개략도이다.
도 27은, (a) 심실 압력 및 용적의 전형적인 변화, (b) 심장 주기를 나타내는 P-V 루프, 및 (c) 압력, 용적, ECG, PCG 및 SCG의 동기화된 변화를 표시하는 위거스 다이어그램을 보여주는 심장 압력 주기를 예시하는 그래프이다.
도 28은 az, gx 및 gy 축(3개의 주 축들)에 대한 VCG 신호의 스펙트럼 프로파일이다.
도 29는 폐활량계(노란색)로부터 직접 통합되고 리셋(적색)되고 IMU 센서(청색)로부터 계산된 호흡량을 예시하는 그래프이다.
도 30은 (a) VarWin(상단) 및 DerWin(하단) 기능의 출력 사이의 비교 및 (b) 심장 주기에 의해 분리된 DerWin 출력을 예시하는 그래프이다.
도 31은, (a) 키엔스 센서로부터의 2차 미분 변위와 비교한 IMU에 의해 측정된 가속도, (b) 키엔스 센서로부터의 미분 변위와 비교한 IMU로부터의 적분 가속도, (c) 키엔스 센서로 측정한 변위와 비교한 IMU로부터의 2회 적분 가속도, (d) (청색) IMU 가속도계, (적색) IMU 자이로스코프, (노란색) 레이저 변위 센서에 의해 검출된 진동 운동 에너지의 속도 제곱항 검출기를 예시하는 그래프이다.
도 32는, (a) NIBP 및 VCG 파형, (b) 폐활량계 및 IMU로부터 도출된 RV, (c) SCG, ECG, ICG 및 NIBP 신호들로부터 HR, BTB, 및 LVET 계산, (d) 각 심장 주기의 수축기 단계 동안 NIBP에서 얻은 sBP 및 dBP 측정에 맞는 중앙 대동맥 압력 파형 및 (e) 데이터의 처음 10초를 일치시키기 위해 SCG 신호의 진폭을 간단히 스케일링하여 얻어진 보정된 압력을 포함하는 상이한 생리학적 메트릭에 대한 처리된 VCG 신호를 예시하는 그래프이다.
도 33은 심장에서의 전기적 활동을 연구하기 위해 제안된 모델의 기하학적 구조의 3차원 표현이다.
도 34는 심실의 전위차에 의해 야기된 압력 변화를 나타내는 그래프이다.
도 35는 제안된 판막 모델의 기하학적 구조의 3차원 표현이다.
도 36은 판막의 입력 및 출력에서의 차압을 나타내는 그래프이다.
도 37은, (a) 0.07s에서 심장 판막의 변형(입력 압력이 출력 압력보다 높은 초기) 및 (b) 0.21s에서 변형(입력과 출력 사이의 압력 차가 최대일 때)을 나타내는 그래프이다.
도 38은 실험을 통해 얻은 (b) 가속도와 비교하여 (a) XP에서의 시뮬레이션가속도를 나타내는 그래프이다.
도 39는 파동 전파 모델의 기하학적 구조의 3차원 표현이다.
도 40은 각 피험자(교정 측정 제외)에 대한 AO 이벤트에서 계산된 VarWin 진폭과 비교하여 측정된 수축기 혈압의 상관관계(좌측) 및 Bland-Altmann(우측) 플롯을 나타내는 그래프이다.
도 41은 각 피험자(보정 측정 제외)에 대한 AC 이벤트에서 계산된 VarWin 진폭과 비교하여 측정된 이완기 혈압의 상관관계(좌측) 및 Bland-Altmann(우측) 플롯을 나타내는 그래프이다.
도 42는 수축기 및 이완기 혈압에 대한 1D CNN 예측의 상관관계 플롯을 나타내는 그래프이다.
도 43은, (a) ICG 전극(녹색), ECG 전극(청색) 및 VCG 센서(적색)의 일반적인 위치 및 (b) ECG, ICG, 및 VCG의 동시 기록을 가능케 하는 시스템 구성을 나타내는 개략도이다.
도 44는 일 실시예에 따라 획득된 진동 운동 신호로부터 진동 펄스를 획득하기 위한 신호 처리 단계의 방법의 흐름도이다.
도 45는, (a) 식별된 R-피크를 나타내는 원을 갖는 ECG; (b) 각각 원과 십자로 나타낸, 주석이 달린 B-포인트와 X-포인트를 갖는 원시(청색) 및 필터링된(적색) ICG; 및 (c) SCG 가속도
도 46은, ECG를 참조할 때, r2가 각각 0.9887 및 0.9824인 (a) VCG 및 (b) ICG로부터 계산된 심박수의 상관관계를 나타내는 그래프이다.
도 47은, (a) ECG R-피크로부터 VCG로부터의 V2 및 ICG로부터의 B 모두로의 시간 간격와, (b) 각각 0.251 및 0.2797의 r2로 VCG 및 ICG로부터 얻은 LVETF의 상관관계를 나타내는 그래프이다. 각기;
도 48은, (a) 데카르트 기준 축에 의해 표시되는 방향과 함께 흉골의 검상돌기(흑색으로 표시) 상의 관성 측정 유닛(IMU)의 위치 및 몸통에 부착된 심전도(ECG) 전극(녹색으로 표시)을 도시하는 도면으로, 단일 CC의 대응 신호 모폴로지는 (b) 모든 축 구성 요소들의 가속 및 (c) 모든 축 구성 요소들의 회전에 대해 도시된다.
도 49는 일 실시예에 따른, VCG 심장 주기의 폐 용적 상태를 분류하기 위해 제안된 CNN의 전체 아키텍처를 도시하는 블록도이다.
도 50은 실시예에 따른, RPI 및 IMU를 포함하는 본 발명의 시스템에 대한 시스템 구성을 도시하는 도면이다.
도 51은, (a) 센서 및 전극 위치, (b) Z축 가속. (c) X축을 도시하는 도면이다.
도 52는 전체 데이터세트에 걸쳐서 VCG-유도 HR과 ECG-유도 HR을 비교하는 블랜드 알트만(Bland Altman) 플롯 및 상관관계를 예시하는 그래프이다.
도 53은, (a) 누운 자세, (b) 좌측을 향한 자세, (c) 우측을 향한 자세, (d) 앉은 자세, 및 (e) 서 있는 자세일 때 단일 피험자에 대한 앙상블 평균을 나타내는 그래프이다.
도 54는, (a) 대응하는 가속 좌표를 갖는 폐활량계(적색) 및 IMU(흑색) 위치 및 (b) 실험적 데이터 흐름도를 예시하는 도면이다.
도 55는, a) 원시 x-축 가속도(적색) 및 y-축 회전(청색), (b) Savitsky-Golay 필터링된 x-축 가속도(적색) 및 y-축 회전(청색), 및 (c) 기준 폐 용적(모든 플롯들은 정규화됨)을 나타내는 그래프이다.
도 56은 본 발명의 혈류역학적 측정을 위한 시스템 및 방법에 의해 활용될 수 있는, 좌심실로부터 손가락 동맥으로의 혈류 및 혈류의 심장 기계적 동작과 관련된 대응하는 진동 동작의 개략도이다.
도 57a는 박출 전 기간(PEP) 및 좌심실 박출 시간(LVET)을 포함하는 시간 경과에 따른 ECG 파형, 대동맥 혈압 파형 및 SCG 파형의 그래픽 표현이다.
도 57b는 변위(진동 신호, VCG로부터)와 심장 압력 사이의 관계를 예시하는, 선형 변위 및 각 변위의 그래프, 및 선형 변위 및 각 변위의 3개 축의 벡터 놈(norm)을 보여주는 그래픽 표현이다.
도 58a는, 대동맥 혈압, 좌심실압, 폐동맥압 및 우심실압에 대한 ECG 파형 및 압력 파형을 나타내는 제1 그래프, 및 제1 그래프와의 일치성을 나타내는 순환계의 심장 모델로부터 유도된 좌심방, 좌심실, 우심방, 우심실 및 동방결절에 대한 시간에 대해 도시된 속도를 예시하는 제2 그래프이다.
도 58b는, 심장 시스템의 도식적 표현 및 기계적으로 달성되고 진동과 심압 사이의 연결을 증명하기 위해 사용되는 심장 시스템의 심장 모델의 도식적 표현이며, 심장 모델은 도 58a의 제2 그래프를 생성하기 위해 사용된다.
도 59a는, 심장 압력 변화와 연관된 전달 함수의 그래픽 표현 및 대동맥으 로부터 손가락으로의 압력 파형의 변화를 예시하는 그래프이다.
도 59b는, 손가락 기반 측정 및 대동맥 추정에 대한 시간에 대한 혈압을 비교하는 그래프이다.
각각의 청구된 실시예의 예를 제공하기 위해 다양한 장치 또는 프로세스가 이하에 기술될 것이다. 이하에 기술된 실시예는 임의의 청구된 실시예를 제한하지 않으며 청구된 임의의 실시예는 이하에 기술된 것과 다른 프로세스 또는 장치를 포함할 수 있다. 청구된 실시예는 이하에 기술된 임의의 하나의 장치 또는 프로세스의 모든 특징을 갖는 장치 또는 프로세스 또는 이하에 기술된 다수 또는 모든 장치에 공통적인 특징으로 제한되지 않는다.
본 발명에 기술된 하나 이상의 시스템들은 프로그래밍 가능한 컴퓨터에서 실행되는 컴퓨터 프로그램으로 구현될 수 있으며, 각각은 적어도 하나의 프로세서, 데이터 저장 시스템(휘발성 및 비휘발성 메모리 및/또는 저장 요소 포함), 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치를 포함한다. 예를 들어, 프로그래밍 가능한 컴퓨터는 프로그래밍 가능한 로직 유닛, 메인프레임 컴퓨터, 서버 및 개인용 컴퓨터, 클라우드 기반 프로그램 또는 시스템, 랩탑, 개인 데이터 지원, 휴대폰, 스마트폰 또는 태블릿 장치일 수 있다.
각각의 프로그램은 바람직하게는 컴퓨터 시스템과 통신하기 위해 높은 수준의 절차적 또는 객체 지향 프로그래밍 및/또는 스크립팅 언어로 구현된다. 그러나 원하는 경우 어셈블리 또는 기계 언어로 프로그램을 구현할 수 있다. 여하튼, 언어는 컴파일되거나 해석된 언어일 수 있다. 각각의 이와 같은 컴퓨터 프로그램은 저장 매체 또는 장치가 본 명세서에 기술된 절차를 수행하기 위해 컴퓨터에 의해 판독될 때 컴퓨터를 구성 및 동작하기 위해 범용 또는 특수 목적의 프로그램 가능 컴퓨터에 의해 판독 가능한 저장 매체 또는 장치에 저장되는 것이 바람직하다.
여러 구성요소들이 서로 통신하는 실시예의 설명은 이러한 모든 구성요소가 필요하다는 것을 의미하지 않는다. 반대로, 본 발명의 다양한 가능한 실시예를 예시하기 위해 다양한 선택적 구성요소들이 기술된다.
또한, 공정(프로세스) 단계, 방법 단계, 알고리즘 등이 순차적인 순서로 (개시 및/또는 특허청구범위에) 기술될 수 있지만, 이러한 공정, 방법 및 알고리즘은 대체 순서로 작동하도록 구성될 수 있다. 즉, 설명될 수 있는 단계들의 임의의 시퀀스 또는 순서가 반드시 해당 단계가 해당 순서로 수행되어야 한다는 요구 사항을 나타내는 것은 아니다. 본 명세서에 기술된 프로세스의 단계는 실제적인 임의의 순서로 수행될 수 있다. 또한 일부 단계는 동시에 수행될 수 있다.
단일 장치 또는 물품이 본 명세서에서 설명될 때, 하나 이상의 장치/물품(그들이 상호작용하는지 여부에 관계없이)이 단일 장치/물품 대신에 사용될 수 있음이 명백할 것이다. 유사하게, 하나 이상의 장치 또는 물품이 본 명세서에 기재된 경우(그들이 협력하는지 여부에 관계없이), 하나 이상의 장치 또는 물품 대신에 단일 장치/물품이 사용될 수 있음이 쉽게 이해될 것이다.
다음은 일반적으로 바이탈 사인 측정, 특히 비침습적 혈류역학 측정을 위한 시스템, 방법 및 장치에 관한 것이다. 특정 실시예에서, 혈류역학적 측정은 혈압 측정이다. 혈압 측정은 연속적인 혈압 측정일 수 있다. 본 명세서에서 "혈압", "혈압 측정" 등의 용어가 언급될 수 있지만, 본 발명의 시스템 및 방법의 변형예들은 혈류역학 측정(혈압은 한 예임)을 결정하기 위해 유사하게 사용될 수 있음을 이해해야 한다.
본 발명은 진동 심전도(VCG) 신호를 분석함으로써 피험자의 연속 중심 대동맥 혈압을 결정할 수 있는 혈압 측정을 위한 시스템 및 방법을 제공한다. VCG 데이터는, (심장 위상 천이 및 기본 심장 소리에 대응하는) 심장 활동에 의해 생성된 심근 진동을 측정 및 분석하는 것을 포함하여 기계적 심장 기능들과 상호연관될 수 있으며, 진동은 선형 가속도 및 회전 속도로 흉골에서 검출된다. 이 시스템 및 방법은 실제로 가슴 표면의 진동을 검출하여 심장 구성요소의 심장 기계적 운동을 모델링할 수 있다.
본 명세서에 기재된 바와 같이, 본 발명은 흉부 표면에서 검출되고 심장의 기계적 운동(즉, 심장 유도 진동)에 대응하는 VCG 신호를 처리 및 분석하는 혈압 측정을 위한 시스템 및 방법을 제공한다. 본 발명에 기술된 시스템 및 방법의 작동 원리를 더 강조하고 설명하기 위해 인간 심장의 다양한 동작, 기능 및 구성 요소들을 도 1을 참조하여 설명한다.
일반적으로 100으로 도시된 심장은 4개의 챔버, 2개의 심방(110, 120) 및 2개의 심실(130, 140)을 포함하며, 측면으로 분할된 2개의 부분으로 분할된 명목상의 4개의 챔버 펌프를 형성한다. 심장의 4개의 챔버(110, 120, 130, 140)는 판막의 두 측면에서 생성된 압력 차에 응답하여 열리고 닫히는 판막에 의해 결합된다. 압력 차는 심장 구성 요소의 수축 및 이완에 의해 생성되며, 수축은 전기적 자극에 반응하여 발생한다.
심장(100)은 신체의 순환계를 통해 혈액을 펌핑하여 산소화된 혈액을 신체의 기관 및 세포로 펌핑하고 산소가 제거된 혈액을 폐로 펌핑한다. 펌핑 작용은 심장 근육의 리드미컬한 수축과 이완으로부터 유발된다.
우심방(110)과 우심실(130)로 이루어진 심장(100)의 우측은 상대정맥(111)과 하대정맥(112)을 통해 전신순환계로부터 탈산소화된 혈액을 공급받는다. 우삼첨판(113)이 열려 혈액이 유입되어 우심실(130)을 채운다. 우심실(130)이 수축하면 혈액은 폐반월판(114)을 통해 산소화를 위해 폐(미도시)를 향하여 폐동맥(150)으로 주입된다. .
좌심방(120) 및 좌심실(140)을 포함하는 심장(100)의 좌측은 폐정맥(160)을 통해 폐로부터 되돌아오는 산소화된 혈액을 받는다. 심장 주기의 끝에서, 좌심방(120)은 이완되고 정맥 복귀로 인해 혈액으로 채워진다. 챔버가 팽창함에 따라 좌심실(140)의 압력이 감소한다. 승모판(123)은 일단 좌심방 압력이 좌심실 압력을 초과하면 열린다. 승모판(123)이 열리면 혈액이 좌심실(140)로 유입되어 채워질 수 있다. 좌심실(140)이 수축((승모판(123)이 닫히고 대동맥판(141)이 열림))되면 산소가 함유된 혈액이 대동맥판(141)을 통해 대동맥(170)과 신체의 나머지 부분으로분출된다. .
전술한 바와 같이, 심장(100)의 작동에서 발생하는 물리적 이벤트는 이러한 이벤트로부터 발생하는 흉강에서의 진동 및/또는 변위 이벤트를 특징으로 한다. 이러한 진동의 빈도나 강도는 신체 활동 수준과 같은 요인으로 인해 다를 수 있지만 이러한 진동은 지속적으로 존재한다. 이와 같은 진동은 심장(100)으로부터 흉강을 통해 이동하고 가슴 표면에 나타나며, 여기서 진동은 센서 기술을 사용하여 검출될 수 있다.
본 발명에서 특히 관심을 두는 부분은 좌심방(120), 좌심실(140), 승모판막(123) 및 대동맥 판막(141)을 포함하는 심장(100)의 좌측이다.
연구에 따르면 첫 번째 기본 심음과 관련된 VCG에 의해 검출된 진동은 방실 판막(예컨대, 승모판 123)의 폐쇄로 인해 발생한다.
제1 심음은 승모판(123)(AV 판막)의 갑작스런 폐쇄로 인해 좌심실(140)의 혈액이 진동할 때 발생한다. 이 진동이 진동을 유발한다. 좌심실(140)은 혈액을 압축하여 대동맥(170)으로 분출한다. 대동맥 판막(141)은 좌심실(140)의 이완에 의해 유도된 대동맥 판막(141)에 걸친 혈액의 에너지 구배의 역전 및 그에 상응하는 심실내압 저하의 결과로서 폐쇄된다. 대동맥 판막(141)의 급격한 폐쇄는 제2의 1차 심음을 유발한다. 제1의 1차 심음은 이완기의 끝과 심장 주기의 수축기 시작을 나타낸다. 제2 심음은 수축기의 끝과 이완기의 시작을 나타낸다.
심실(좌측 140 및 우측 130)의 수축이 전기 신호인 QRS 콤플렉스에 의해 구동되는 동안, 판막들(123, 141)의 작동은 수축의 산물인 판막들(123, 141)에 걸친 압력 구배에 의해 제어된다.
심혈관계에는 혈액을 위한 보관 또는 저장소가 없기 때문에, 산소 요구량이 증가함에 따라(예를 들어, 신체 활동으로 인해) 전체 시스템은 심박수 및 호흡 증가의 조합을 초래하는 케이던스를 증가시켜야 한다. 결과적으로 혈압에 동적 반응이 있는 부피. 수요 감소(즉, 휴식 중인 신체)는 심박수 감소와 혈압의 동적 반응을 더욱 감소시킨다.
대동맥 판막(141)((즉, 좌심실(140) 또는 대동맥(170) 중 어느 하나에 있는))에 걸친 혈액의 직접 측정은 그것이 매우 침습적이고 병원 환경 밖에서 사용하기에 적합하지 않기 때문에 실용적이지 않다. 따라서, 비침습적 혈압 측정을 제공하기 위해, 본 발명의 시스템 및 방법은 승모판(123)과 (심장의 좌측에 있는) 대동맥 판막(141)의 개폐와 관련된 진동(선형 가속도 및 회전 속도 포함) 및 그로 인한 혈액의 이동을 측정한다. 본 시스템은, VCG를 사용하여 심실 수축으로 인한 혈류에 의해 생성된 진동의 측정치를 결정할 수 있고 혈액을 대동맥(170)으로 분출하는 힘(가속도)에 대한 비례 값으로 혈압을 결정할 수 있다. 이 시스템에 의해 이루어진 이들 결정은, 진폭, 가속도의 변화율, 이벤트 기간(예컨대, LVET, BTB)과 같은 진동 신호(예컨대, 가속도 신호)의 하나 이상의 특징들, 속성들 또는 아티팩트들을 분석하는 것을 포함한다.
대동맥(170)에서 혈압의 리드미컬한 상승 및 하강은 박출량으로 지칭되는 좌심실(140)에 의한 혈액 덩어리의 주기적인 주입과 관련이 있다. 스트로크 볼륨에는 운동 에너지가 있다. 박출량의 운동 에너지의 일부는 진동으로서 심장(100) 및 대동맥(170)을 지지하는 흉부 구조로 전달된다. 본 발명의 시스템 및 방법은 가속도계 및 자이로스코프를 이용하여 진동으로 나타나는 운동 에너지를 검출하고 이로부터 진동 심전도(지진심전도 및 자이로심전도 포함)를 생성한다.
본 명세서에 기재된 바와 같이, 본 발명의 시스템 및 방법은 진동 심전도(VCG) 신호의 검출 및 분석을 통한 중심 대동맥 혈압의 결정을 포함한다. 진동은 심장의 기계적 활동과 직접적으로 일치한다. 진동 심전도는 심장 지진도(가속)와 자이로심전도(회전)를 결합하여 흉부 표면의 진동을 설명하는 기술이다. VCG의 선형 성분은 가속도로 검출되며 SCG(Seismocardiography)라고 하다. 각도 구성 요소는 회전으로 검출되며 GCG(Gyrocardiography)라고 하다. 특히, VCG는 SCG와 GCG를 동시에 측정하는 것을 포함할 수 있다.
2개의 기본 심음에 대응하는 진동 펄스(V1, V2)는 심장 판막(예를 들어, 123 및 141)의 기계적 운동에 의해 생성된다. 판막들(123, 141)은 심장(100)의 혈압차에 의해 유압식으로 제어된다. 본 명세서에 기술된 시스템 및 방법은 두 진동 펄스(V1 및 V2)를 모두 검출하고 이 정보를 심장(100)을 통한 혈류를 계산하기 위한 기초로서 사용하도록 구성된다. .
이제 도 2를 참조하면, 일 실시예에 따른 비침습적 연속 혈압 측정 방법(10)이 도시되어 있다. 이 방법(10)은 각각 도 4 및 5의 시스템(300 및 400)과 같은 본 명세서에 기술된 하나 이상의 비침습성 혈압 측정 시스템에 의해 구현될 수 있다.
단계 20에서, 제1 및 제2 1차 심음에 대응하는 진동 V1 및 V2가 검출된다. V1 및 V2는 심장 위상 천이에 대응한다. 흉골에서 진동이 검출된다(예컨대, 검상돌기에서). 진동은 웨어러블 센서 모듈(예를 들어, 도 4의 센서 모듈(304))을 사용하여 검출될 수 있다. 진동 펄스(V1, V2)는 선형 가속도 성분(SCG) 및 회전 속도 성분(GCG)을 포함하는 VCG를 사용하여 검출된다. 진동 펄스의 검출은 본 명세서에 기술된 바와 같은 진동 심전도 변환 단계를 사용하여 수행될 수 있다. 특정 경우에, 진동 펄스는 도 44를 참조하여 기술된 신호 처리 단계를 사용하여 검출된다. 진동 펄스가 검출되면 검출된 펄스에 포함된 정보를 처리 및 분석할 수 있다.
일 실시예에서, 단계 20은 본 명세서에 기술된 진동 심전도 변환 단계를 수행하는 것을 포함할 수 있다. 예를 들어, 단계 20은 도 44(후술됨)에 도시되고 그에 대해 설명되는 하나 이상의 신호 처리 단계들의 수행을 포함할 수 있다.
단계 30에서, 진동 신호 특징(진동 아티팩트 또는 속성)이 V1 및 V2 진동 펄스로부터 결정된다. 진동 신호 특징 또는 진동 특징은 또한 진동 아티팩트 또는 진동 신호 아티팩트로 지칭될 수 있다. 이와 같이, 용어, 진동 신호 특징(진동 특징) 및 진동 신호 아티팩트(진동 아티팩트), 및 보다 일반적으로는 용어, 특징 및 아티팩트는 본 명세서 전반에서 상호교환적으로 사용될 수 있다. 진동 신호 특징은 진동 신호의 하위 구성요소로 간주될 수 있다. V1 및 V2 진동 펄스로부터 진동 신호 특징을 결정하는 것은 V1 및 V2와 관련된 VCG 신호를 분석하는 것을 포함할 수 있다. 이는, 운동의 진동 및 운동의 유압 원인을 생성하는 심장의 기계적 운동 모델링이 포함될 수 있다. 진동 특징은 SCG 신호, GCG 신호 또는 그 조합으로부터 유도될 수 있다. 진동 신호 특징은 예를 들어 진폭, 주파수, 위상, 가속도의 변화율('저크'라고 하는 위치의 3차 미분) 중 하나 이상을 포함할 수 있다. 진동 신호 특징은 심장 시간 간격(예를 들어 좌심실 박출 시간(LVET)이라 불리는 심실로부터 대동맥으로의 혈액 분출 기간)을 포함할 수 있다. "심장 시간 간격"이라는 용어는 심장 주기 내의 이벤트 기간을 의미한다.
부호 40에서, 중심 대동맥 혈압 측정치가 진동 신호 특징으로부터 결정된다. 이는 수축기 및 이완기 판독값, 혈압 파형 또는 기타 혈역학적 측정과 같은 혈압 값을 생성하는 것이 포함될 수 있다.
상기 방법(10)은 피험자에 대한 연속적인 혈압 측정치를 도출하기 위해 연속적으로 수행될 수 있다.
상기 방법(10)은 단계 20이 가슴 표면에서 진동을 검출하도록 구성된 센서 장치를 적용함으로써 수행될 수 있기 때문에 바람직하게 비침습적이다.
이제 도 3을 참조하면, 일 실시예에 따른 진동 심전도(VCG)를 사용하는 비침습적 연속 혈압 측정 방법(200)이 도시되어 있다. 이 방법(200)은 후술되는 각각 도 4 및 5의 장치(314 및 400)와 같은 컴퓨팅 장치에 의해 구현될 수 있다.
단계 202에서, 선형 가속도 신호 및 각속도 또는 회전 속도 신호를 포함하는 진동 신호가 획득된다. 이 진동 신호는 피험자의 검상돌기(흉골)(xiphoid process)에 위치한 센서 장치를 사용하여 획득된다. 획득된 진동 신호는 피부에서 검출되며 도 1을 참조하여 설명한 것과 같이 심장의 기계적 활동에 의해 발생하는 흉부 진동의 산물이다.
단계 204에서, 가속도 신호 및 회전 속도 신호로부터 진동 심전도(VCG) 파형 데이터가 생성된다. 여기에는 수신된 신호 또는 데이터 샘플링이 포함될 수 있다.
단계 206에서, VCG 파형 데이터는 필터링되고 복조된다. 이는 센서 위치 또는 배치, 호흡 활동, 활동 요인 등과 같은 외부 요인으로 인해 발생하는 노이즈 및 왜곡을 제거하기 위해 수행될 수 있다. VCG 파형 데이터를 필터링 및 복조하면 정밀도가 향상된 처리된 VCG 파형이 생성된다. 일 실시예에서, 호흡 효과는 PCT 출원 번호 PCT/CA2018/051006, 공개 번호 WO/2020/037391에 기술된 바와 같이 VCG 신호로부터 필터링되거나 복조될 수 있으며, 이는 전체적으로 본 명세서에 참고로 포함된다.
단계 208에서, 처리된 VCG 파형 데이터는 제1 및 제2 기본 심음에 대응하는 진동 V1 및 V2를 식별하기 위해 분석된다.
단계 210에서, V1 및 V2 진동과 연관된 VCG 파형 데이터로부터 진동 특징이 결정된다. 여기에는 진동 및 운동의 유압 원인을 생성하는 심장의 기계적 운동 모델링이 포함될 수 있다.
단계 212에서, 혈압 파형 데이터는 진동 특징 데이터로부터 도출된다.
단계 214에서, 혈압 파형 데이터로부터 혈압 측정치가 결정된다. 여기에는 혈압 파형 데이터에서 특정 값을 계산하거나 판독하는 것이 포함될 수 있다. 이 단계는 건강 전문가가 아닌 사람이 해석할 수 있는 혈압 값을 바람직하게 생성할 수 있다.
이제 도 4를 참조하면, 실시예에 따른 비침습적 혈압 측정을 위한 시스템(300)이 도시되어 있다. 상기 시스템(300)은 각각 도 2 및 3의 방법들(10 및 200)을 구현할 수 있다.
상기 시스템(300)은 센서 기술과 컴퓨터 구현 기술을 통합하여 연속적인 혈압 측정을 생성한다. 상기 시스템(300)은 피험자가 의료 전문가와 동일한 물리적 위치에 있지 않은 원격 모니터링 애플리케이션에 특히 적합할 수 있다. 이러한 원격 모니터링 애플리케이션의 예로는, 원격 의료(집이나 임상 환경 밖에서 환자가 혈압을 모니터링함), 우주 여행(활력 징후 측정이 필요한 우주 비행사), 사람이 처음 위치에서 부상을 입어 적절한 의료기관으로 이송이 필요한 군사 전투 환경 등이 있다. .
상기 시스템(300)은 피험자(302)에 대한 혈압 측정을 결정하는 데 사용된다. 혈압 측정은 불연속적이거나 연속적일 수 있다.
상기 시스템(300)은 웨어러블 센서 모듈(304), 센서 인터페이스 컴퓨팅 장치(314) 및 데이터 분석 서버(328)를 포함한다. 시스템(300)의 변형예에서, 데이터 분석 서버는 포함 또는 요구되지 않을 수 있다.
웨어러블 센서 모듈(304)은 심장 근처의 가슴 표면 상의 위치에서 피험자(302)의 피부 표면 상에 위치된다. 일반적으로, 피험자(302) 상의 센서 모듈(304)의 위치는 분석을 위한 충분한 진동 신호가 획득될 수 있는 위치여야 한다. 특정 위치는 심장에 대한 근접성, 신호 강도 및 소음 감소(예컨대, 흉부 구획 또는 호흡과 같은 생리적 활동을 통한 진동파 전파로 인해 발생)에 따라 선택될 수 있다. 인간 피험자에서, 웨어러블 센서 모듈(304)은 흉골 또는 그 근처에 위치된다. 보다 구체적으로 웨어러블 센서 모듈(304)은 검상돌기(흉골)에 위치될 수 있다. 피험자(302)의 흉골에 있는 센서의 예시적인 목표 위치는 부호 303으로 표시된다. 웨어러블 센서 모듈(304)은 임의의 적합한 접착 수단을 사용하여 피험자(302)에 적용될 수 있다. 어떤 경우에, 접착 수단은 센서 모듈(304)이 직립 위치에 있는 동안 또는 피사체(302)가 움직이는 동안(격렬한지 여부에 관계없이) 피사체(302)에 접착된 상태를 유지하도록 선택될 수 있다.
웨어러블 센서 모듈(304)은 무선일 수 있다. 이를 위해 웨어러블 센서 모듈(304)은 무선 전력 및 통신 부품을 포함할 수 있다. 센서 모듈(304)의 무선 구현은 바람직하게 피험자(302)에 대해 덜 제한적이고 복잡하며 피험자(302)에 의한 움직임을 가능케 한다.
웨어러블 센서 모듈(304)은 피험자(302)의 심장의 심장 기계적 활동에 대응하는 진동으로 인한 가슴 표면의 원시 진동 신호를 검출하고 획득하기 위한 원시 신호 획득 유닛(306)을 포함한다.
원시 신호 획득 유닛(306)은 진동의 선형 가속도 성분을 검출하기 위한 가속도계(308)를 포함한다. 가속도계(308)에 의해 검출된 원시 선형 가속도 신호(또는 가속도 신호)는 즉, SCG(seismocardiography) 데이터의 생성을 통해 VCG 파형 데이터를 생성하도록 사용될 수 있다.
원시 신호 획득 유닛(306)은 또한 진동의 회전 속도 성분을 검출하기 위한 자이로스코프(310)를 포함한다. 자이로스코프(310)에 의해 검출된 원시 회전 속도 신호(또는 회전 신호)는 즉, GCG(gyrocardiography) 데이터의 생성을 통해 VCG 파형 데이터를 생성하는 데 사용될 수 있다. 집합적으로, 가속도 신호 및 회전 속도 신호는 집합적으로 심장의 "원시 진동 신호"로 간주될 수 있다.
원시 신호 획득은 적어도 가속도계 및 자이로스코프를 포함하는 관성 측정 유닛일 수 있다.
일 실시예에서, 원시 신호 획득 유닛(306)은 6개의 직교 움직임 신호들을 획득하도록 구성된다. 원시 신호 획득 유닛(306)은 6개의 모든 직교 자유도(3개의 SCG, 3개의 GCG)에서 선형 
및 회전 
모션을 검출할 수 있다. 보다 포괄적인 진동 신호는 SCG 및 GCG로부터의 6개의 상호 직교하는 축들을 통합함으로써 생성될 수 있다((이러한 통합은 센서 모듈(304) 또는 센서 인터페이스 컴퓨팅 장치(314)에 의해 수행될 수 있다)).
웨어러블 센서 모듈(304)은 (컴퓨팅 장치 314와 같은) 외부 장치와 정보를 송수신하기 위한 통신 인터페이스 유닛(312)을 포함한다. 통신 인터페이스 유닛(312)은 정보가 원시 신호 획득 유닛(306)에 대해 또한 그로부터 통신될 수 있도록 원시 신호 획득 유닛(306)과 신호 통신한다. 통신 인터페이스 유닛(312)은, 각각 가속도계(308) 및 자이로스코프(310)를 통해 원시 신호 획득 유닛(306)으로부터, 획득된 가속도 신호 및 회전 속도 신호를 수신한다.
웨어러블 센서 모듈(304)은 통신 링크(316)를 통해 센서 인터페이스 컴퓨팅 장치(314)에 통신 가능하게 연결된다. 통신 링크(316)는 데이터를 송수신하기 위한 임의의 적합한 유선 또는 무선 통신 링크일 수 있다. 일 실시예에서, 통신 링크(316)는 블루투스와 같은 단거리 데이터 통신 링크일 수 있다.
통신 링크(316)는 센서 모듈(304)로부터 컴퓨팅 장치(314)로 원시 진동 신호를 전송하고 컴퓨팅 장치(314)로부터 센서 모듈(306)로 제어 명령을 전송할 수 있다. 제어 명령은 예를 들어 원시 신호 획득 또는 신호 획득 파라미터들의 시작 및 중지를 포함할 수 있다.
센서 인터페이스 컴퓨팅 장치(314)는 센서 모듈(304)과 같은 외부 장치로 데이터를 송수신하기 위한 통신 인터페이스(320)를 포함한다. 통신 인터페이스(320)는 웨어러블 센서 모듈(304)로부터 원시 진동 신호를 수신한다.
센서 인터페이스 컴퓨팅 장치(314)는 원시 진동 신호를 처리하고 그로부터 혈압 측정치를 생성하기 위한 실시간 신호 처리 장치(318)을 포함한다. 신호 처리 장치(318)은 수신된 진동 신호에 대해 하나 이상의 디지털 신호 처리 기술을 수행하도록 구성된다. 신호 처리 장치(318)는 실시간으로 지속적인 혈압 측정을 생성할 수 있다.
실시간 신호 처리 장치(318)은, (각각, 가속도 및 회전 속도 신호에 대응하는 SCG 및 GCG 파형 데이터를 포함하는) VCG 파형 데이터를 생성하기 위해, 가속도 및 회전 속도 성분을 포함하는 원시 진동 신호를 처리한다. 이 처리는, 호흡 활동 및 노력과 같은 요인으로 인한 왜곡을 제거하거나 제한하기 위해 VCG 파형 데이터를 필터링 및/또는 복조하는 것을 포함할 수 있다. 신호 처리 장치(318)는 심장 상전이에 대응하는 진동을 검출할 수 있다. 검출된 진동은 두 개의 일차 심음들에 해당할 수 있다. 신호 처리 장치(318)는 VCG 파형 데이터를 분석하고 진동 특징을 판단한다. 신호 처리 장치(318)는 상기 결정된 진동 특징을 사용하여 피험자(302)에 대한 혈압 측정을 결정한다.
일 실시예에서, 실시간 신호 처리 장치(318)는 심장 위상 천이에 대응하는 진동 펄스를 식별하기 위해 진동 심전도 변환을 수행하도록 구성된다. 특정 실시예에서, 신호 처리 장치(318)는 도 44(후술됨)를 참조하여 기술된 신호 처리 단계를 구현한다.
컴퓨팅 장치(314)는 또한, 실시간 신호 처리 장치(318)에 의해 생성된 데이터를 저장하기 위한 메모리(322)를 포함한다. 메모리(322)는 혈압 측정을 저장한다. 메모리(322)는 또한, 원시 진동 신호 데이터, VCG 파형 데이터, 처리된 VCG 파형 데이터 및 진동 특징 데이터와 같은 혈압 측정의 결정에 사용되는 데이터를 저장한다.
컴퓨팅 장치(314)는 사용자 인터페이스(324)를 포함한다. 사용자 인터페이스(324)는 실시간 신호 처리 장치(318)에 의해 생성된 혈압 측정치를 사람이 판독할 수 있는 포맷으로 제시하기 위한 하나 이상의 소프트웨어 모듈들을 포함한다. 사람이 판독할 수 있는 포맷은 숫자 또는 파형이나 그래프와 같은 시각화일 수 있다. 사용자 인터페이스(324)는 센서 모듈(304)에 의해 새로운 원시 진동 신호가 획득됨에 따라 실시간 혈압 측정치를 제공하기 위해 지속적으로 업데이트하도록 구성될 수 있다. 사용자 인터페이스(324)는 또한, 예컨대, 선택하거나, 보기 또는 콘텐츠 프레젠테이션 포맷 또는 스타일을 변경하거나, 명령을 보내기 위해, 사용자로부터 입력 데이터를 수신하도록 구성될 수 있다. 사용자 인터페이스(324)는 웨어러블 센서 모듈(304)의 성능 및 동작을 제어하고 보기 위한 제어 인터페이스를 포함할 수 있다.
컴퓨팅 장치(314)는 디스플레이 장치(326)를 포함한다. 디스플레이 장치(326)는 사용자 인터페이스(324)를 렌더링하고 표시하도록 구성된다. 디스플레이 장치(326)는 사용자 입력을 수신하기 위한 터치스크린과 같은 입력 구성요소를 포함할 수 있다.
센서 인터페이스 컴퓨팅 장치(314)는 또한, 데이터 통신 링크(330)를 통해 데이터 분석 서버(328)에 통신 가능하게 연결된다. 통신 링크(330)는 데이터를 송수신하기 위한 임의의 적합한 유선 또는 무선 통신 링크일 수 있다. 통신 링크(300)는 위성 통신 링크일 수 있다. 통신 링크(330)는 인터넷과 같은 광역 통신망을 포함할 수 있다.
데이터 분석 서버(328)는 센서 인터페이스 컴퓨팅 장치(314)와 또한 그로부터 데이터를 송수신하기 위한 통신 인터페이스(336)를 포함한다. 컴퓨팅 장치(314)로부터 통신 인터페이스(336)에 의해 수신된 데이터는 컴퓨팅 장치(314)에 의해 수신 또는 생성되는 임의의 데이터를 포함할 수 있다. 예를 들어, 수신된 데이터는 원시 진동 신호 데이터 및/또는 혈압 측정치를 포함할 수 있다.
데이터 분석 서버(328)는 컴퓨팅 장치(314)로부터 수신된 데이터에 대해 후처리를 수행하기 위한 후처리 장치(332)을 포함한다. 후처리는 생성된 혈압 측정에 기초하여 피험자(302)에 대한 건강 상태 궤적을 결정하는 것을 포함할 수 있다. 후처리는 기계 학습 기술에 따른 분석을 포함할 수 있다. 예를 들어, 기계 학습 기술에는 기계 학습 모델 훈련 및 훈련된 기계 학습 모델에 대한 예측이 포함될 수 있다. 기계 학습 기술에는 비지도 학습, 준지도 학습 및 지도 학습 기법이 포함될 수 있다. 일 실시예에서, 후처리 장치는 훈련된 신경망을 포함할 수 있으며, 이 훈련된 신경망은, 입력 층으로서 컴퓨팅 장치(314)로부터 데이터를 수신하고 출력에서 예측을 생성하도록 구성되는 입력 층, 적어도 하나의 히든 층, 및 출력 층을 포함한다. 특정 예에서, 신경망은 입력 층에서 혈압 측정치를 수신하고 출력 층에서 건강 상태 궤적 데이터를 생성할 수 있다. 입력 데이터는 다른 바이탈 사인 측정을 더 포함할 수 있다. 어떤 경우에, 후처리 장치(332)는 퍼지 논리 기술을 수신된 데이터에 적용하도록 구성될 수 있다.
데이터 분석 서버(328)는, 컴퓨팅 장치(314)로부터 수신된 데이터 및 건강 상태 궤적과 같은 후처리 장치(332)에 의해 생성된 데이터를 저장하기 위한 메모리를 포함한다.
데이터 분석 서버(328)는, 서버(328)에 의해 생성된 데이터에 액세스하고 보기 위해 사용될 수 있는 하나 이상의 클라이언트 컴퓨팅 장치(미도시)에 연결될 수 있다. 예를 들어, 클라이언트 장치는 피험자(302)의 건강을 모니터링하는 개인(의료 전문가, 우주 또는 군사 작전 지휘소)에 의해 사용될 수 있다.
이제 도 5를 참조하면, 일 실시예에 따른 비침습적 혈압 측정을 위한 컴퓨터 시스템(400)이 도시되어 있다. 컴퓨터 시스템(400)은 다양한 동작들을 수행하고 본 명세서에 기술된 다양한 기능을 제공하도록 구성된 복수의 소프트웨어 모듈을 포함한다. 컴퓨터 시스템(400)은 단일 장치로 구현되거나 복수의 장치에 걸쳐 구현될 수 있다. 일 실시예에서, 컴퓨터 시스템(400)은 도 4의 센서 인터페이스 컴퓨팅 장치(314)에서 구현될 수 있다.
컴퓨터 시스템(400)은, 메모리(402), 프로세서(404), 통신 인터페이스(406) 및 출력 장치(예컨대, 디스플레이 장치)(408)를 포함한다. 구성요소들은 버스(409)를 통해 통신 연결된다.
통신 인터페이스(406)는 도 4의 웨어러블 센서 모듈(304)과 같은 센서 장치로부터 원시 진동 신호 데이터(410)를 수신하며, 흉부 표면에서 심장의 기계적 활동에 대응하는 진동을 감지 및 검출하도록 구성된다. 통신 인터페이스(406)는 데이터(410)를 수신할 수 있고 블루투스 또는 다른 무선 연결을 사용하여 센서 장치와 통신하도록 구성될 수 있다.
진동 신호 데이터(410)는 메모리(402)에 저장된다. 원시 진동 신호 데이터(410)는 가속도 데이터(412)(진동 신호의 가속도 성분으로부터 유도) 및 회전 속도 데이터(414)(진동 신호의 회전 성분으로부터 유도)를 포함한다.
프로세서(404)는 메모리(402)로부터 가속도 데이터(412) 및 회전 속도 데이터(414)를 수신하고 그로부터 VCG 파형 데이터(422)를 생성하는 VCG 파형 생성기 모듈(416)을 포함한다. VCG 파형 데이터(422)는 SCG 성분(가속도 데이터 412에 해당)과 GCG 성분(회전 속도 데이터 414에 해당)을 포함한다. VCG 파형 데이터(422)는 메모리(402)에 저장된다. VCG 파형 데이터(422)는 다양한 왜곡을 포함할 수 있다.
상기 프로세서(404)는 VCG 파형 데이터(422)를 수신하고 VCG 파형 데이터(422)를 복조하는 필터링 및 복조 모듈(420)을 더 포함하며, 이는 센서 위치, 호흡 활동, 노력 및 모션 아티팩트와 같은 신호를 변조할 수 있다. 필터링 및 복조 모듈(420)은 처리된 VCG 파형(426)을 출력한다. 처리된 VCG 파형 데이터(426)는 VCG 파형 데이터(422)에 비해 증가된 정밀도를 갖는다. 처리된 VCG 파형 데이터(426)는 메모리(402)에 저장된다.
상기 프로세서(404)는 진동 펄스 식별 모듈(424)을 더 포함한다. 일반적으로, 진동 펄스 식별 모듈(424)은 심장 위상 천이에 대응하는 두드러진 진동 펄스를 식별하도록 구성된다. 진동 펄스 식별 모듈(424)은 처리된 VCG 파형 데이터를 입력으로서 수신하고 각각 제1 및 제2 기본 심음에 대응하는 진동 펄스(V1, V2)를 결정한다. 다음, 진동 펄스 식별기 모듈(424)은 처리된 VCG 파형 데이터(426)로부터 V1 및 V2(V1 및 V2 VCG 데이터 430)에 대응하는 처리된 VCG 파형 데이터(426)를 추출할 수 있다. V1 및 V2 VCG 데이터(430)는 메모리(402)에 저장된다.
프로세서(404)는 진동 특징 처리 모듈(428)을 더 포함한다. 진동 특징 처리 모듈(428)은, 진동 펄스 식별자 모듈(424)로부터의 출력(예를 들어, V1 및 V2 VCG 데이터)을 수신하고 그로부터 진동 특징을 결정한다. 진동 특징은 진동 특징 데이터(434)로서 메모리(402)에 저장된다.
진동 특징 처리 모듈(428)은 VCG 데이터(430)의 선형 가속도 성분으로부터 저크 값을 결정하도록 구성될 수 있다.
진동 특징 처리 모듈(428)은 VCG 데이터(430)의 선형 가속도 성분으로부터 진폭 값을 결정하도록 구성될 수 있다.
진동 특징 처리 모듈(428)은 VCG 데이터(430)의 선형 가속도 성분으로부터 좌심실 박출 시간(LVET) 값을 결정하도록 구성될 수 있다.
진동 특징 처리 모듈(428)은 VCG 데이터(430)의 회전 속도 성분으로부터 회전 운동 에너지(RKE) 값을 결정하도록 구성될 수 있다.
어떤 경우에, 진동 특징 처리 모듈(428)은 진동 특징 데이터(434)를 생성하기 위해 VCG 데이터(430)의 가속도 성분 및 회전 속도 성분 모두를 처리할 수 있다.
어떤 경우에, 진동 특징은 판막 운동(예컨대, 승모판막, 대동맥 판막 개방 및 폐쇄)으로부터 유발된다.
프로세서(404)는 혈압 파형 생성기 모듈(432)을 더 포함한다. 혈압 파형 생성기 모듈(432)은 입력으로서 진동 특징 데이터(434)를 수신하고 그로부터 혈압(BP) 파형 데이터(438)를 결정한다. BP 파형 데이터(438)는 시간의 함수로서 혈압 값 또는 측정치를 포함한다. BP 파형 데이터(438)는 메모리(402)에 저장된다.
프로세서(404)는 혈압(BP) 측정 생성기 모듈(436)을 더 포함한다. 상기 BP 측정 생성기 모듈(436)은 BP 파형 데이터(438)로부터의 수축기 압력 값, 이완기 압력 또는 수축기 압력 값과 이완기 값의 결합(즉, 수축기 혈압 대 이완기 혈압)과 같은 개별 혈압 측정값들을 결정한다. 일 실시예에서, BP 측정 생성기 모듈(436)은 각각의 심장 주기에 대한 수축기 값 및 이완기 값을 결정하도록 구성될 수 있다. BP 측정 생성기 모듈(436)에 의해 생성된 혈압 측정치는 BP 측정 데이터(442)로서 메모리(402)에 저장된다.
프로세서(404)는 사용자 인터페이스 모듈(440)을 더 포함한다. 사용자 인터페이스 모듈(440)은 사용자에게 제공하기 위해 BP 측정 데이터(442) 또는 BP 파형 데이터(438)의 사람이 판독할 수 있는 포맷을 생성하도록 구성된다. 사용자 인터페이스 모듈(440)은 사람이 판독할 수 있는 형태의 혈압 측정과 같은 데이터를 사용자에게 제공하고 사용자로부터 입력 데이터를 수신하기 위한 복수의 사용자 인터페이스 구성요소들을 포함하는 그래픽 사용자 인터페이스를 생성하도록 추가로 구성된다.
일 실시예에서, 사용자 인터페이스 모듈(440)은 BP 파형 데이터(438)를 지속적으로 업데이트하는 파형 또는 그래프로서 제시하도록 구성된다. 파형은 수축기 및 이완기 값과 같은 값으로 주석을 달 수 있다. 다른 실시예에서, 사용자 인터페이스 모듈(440)은 BP 측정 데이터(442)를 연속 업데이트 또는 정적 수축기 및 이완기 값으로 제시하도록 구성된다. 사용자 인터페이스(440)는 각각의 새로운 심장 주기에 대해 제시된 BP 측정 데이터(442)를 업데이트할 수 있다. 또 다른 실시예에서, 사용자 인터페이스(440)는 BP 파형 데이터(438)를 파형으로서, 또한 BP 측정 데이터(442)를 수축기 및 이완기 값으로서 제시할 수 있으며, 이들 중 하나 또는 둘 모두는 규칙적인 간격(예를 들어, 각각의 심장 주기)으로 업데이트된다.
사용자 인터페이스 모듈(440)에 의해 생성된 사용자 인터페이스는 디스플레이 장치 등일 수 있는 출력 장치(408)를 통해 제공된다.
이제 도 6을 참조하면, 일 실시예에 따라 도 4의 시스템(300)을 사용하는 비침습적 혈압 측정 방법(500)이 도시되어 있다.
단계 502에서, 센서 장치(304)는 피험자(302)의 흉골(검상돌기)에 적용된다.
단계 504에서, 센서 장치(304)에 의한 원시 진동 신호의 획득은 사용자 입력에 의해 개시된다. 사용자 입력은 피험자(302) 또는 다른 개인에 의해 제공될 수 있다. 수집을 시작하는 사용자 입력은 센서 인터페이스 컴퓨팅 장치(314)에 제공되는 사용자 인터페이스를 통해 제공된다.
단계 506에서, 원시 진동 신호는 센서 장치(304)에 의해 획득된다. 원시 진동 신호는 선형 가속도 성분 및 회전 속도 성분을 포함한다.
단계 508에서, 수집된 원시 진동 신호 데이터는 센서 장치(304)로부터 컴퓨팅 장치(314)로 전송된다. 일 실시예에서, 이 데이터는 블루투스를 사용하여 전송된다.
단계 510 내지 516은 컴퓨팅 장치(314)에 의해 수행되며 실시간 신호 처리 장치(318)에 의해 수행될 수 있다.
단계 510에서, 원시 진동 신호를 샘플링함으로써 VCG 파형이 생성된다.
단계 512에서, VCG 파형은 필터링되고 복조되어 왜곡을 제거한다.
단계 514에서, VCG 파형으로부터 진동 특징을 결정하기 위해, 처리된 VCG 파형이 분석된다. 어떤 경우에, 진동 특징을 결정하는 것은, 심장 위상 천이(예컨대, 수축기에서 이완기로, 이완기에서 수축기로)에 해당하는 진동 펄스를 식별하거나 검출함으로써 선행될 수 있다. 진동 펄스는 두 개의 일차 심음에 해당할 수 있다.
단계 516에서, 진동 특징 데이터로부터 혈압 파형이 생성된다.
선택적으로, 단계 518에서, 혈압 값(예를 들어, 수축기, 이완기, 수축기/이완기)을 포함하는 혈압 측정치가 혈압 파형으로부터 결정된다. 이 단계는 사용자(즉, 디스플레이 326을 통해 제공된 데이터의 판독기)가 혈압 측정치의 비파형 표현을 보다 쉽게 처리할 비전문가의 구현에서 수행될 수 있다.
단계 520에서, 혈압 파형 및 혈압 측정 중 하나 또는 모두를 포함할 수 있는 혈압 데이터가 사용자 인터페이스(324)에 제공된다.
단계 522에서, 혈압 데이터의 사람이 판독할 수 있는 표현이 사용자에게 제시하기 위해 사용자 인터페이스(324)에 의해 생성된다.
단계 524에서, 사람이 판독할 수 있는 혈압 측정의 표현을 포함하는 사용자 인터페이스(324)가 디스플레이(326)에 표시된다.
단계 520 내지 524는 컴퓨팅 장치(314)에 의해 수행될 수 있다. 변형예에서, 단계 520 내지 524는 컴퓨팅 장치(314)로부터 혈압 데이터를 수신하는 다른 컴퓨팅 장치(예를 들어, 의사의 장치)에 의해 수행될 수 있다.
단계 526에서, 센서 인터페이스 컴퓨팅 장치(314)로부터의 데이터는 데이터 분석 서버(328)로 전송된다. 전송된 데이터는 원시 진동 신호 데이터, VCG 파형 데이터, 진동 특징 데이터, 혈압 파형 데이터, 및 혈압 측정 데이터 중 임의의 하나 이상을 포함할 수 있다. , .
단계 528에서, 데이터 분석 서버(328)는 수신된 데이터에 대해 후 처리 및 데이터 분석을 수행하여 피험자(302)에 대한 건강 상태 궤적을 결정한다. 이것은 시스템(300)에 의해 제공되지 않은 추가 데이터의 처리 및 분석을 포함 및/또는 피험자(302)에 대한 다른 생체 신호 측정 데이터와 관련된다.
단계 530에서, 데이터 분석 서버(328)에 의해 생성된 분석 데이터는 클라이언트 장치로 전송된다. 클라이언트 장치는 의료 전문가 또는 우주 또는 군사 명령과 같이 피험자(302)의 건강 상태를 모니터링하는 사용자와 연관될 수 있다.
단계 532에서, 클라이언트 장치에서 수신된 분석 데이터가 사용자 인터페이스에 표시된다.
도 7은 모바일 장치 또는 휴대용 전자 장치와 같은 장치(1000)의 구성요소들의 간략화된 블록도를 도시한다.상기 장치(1000)는 예를 들어 도 4의 장치(304, 314, 328) 중 임의의 장치일 수 있다. 상기 장치(1000)는, 이 장치(1000)의 동작을 제어하는 메인 프로세서(1020)와 같은 다수의 구성요소들을 포함한다. 데이터 통신, 음성 통신 또는 이들 모두 포함하는 통신 특징들은 통신 서브시스템(1040)을 통해 수행될 수 있다. 상기 장치(1000)에 의해 수신된 데이터는 디코더(1060)에 의해 압축 해제 및 해독될 수 있다. 통신 서브시스템(1040)은 무선 네트워크(1500)로부터 메시지를 수신하고 메시지를 전송할 수 있다.
무선 네트워크(1500)는, 이에 제한되지 않는 예시적으로, 데이터 중심 무선 네트워크, 음성 중심 무선 네트워크 및 음성 및 데이터 통신 모두를 지원하는 이중 모드 네트워크를 포함하는 임의 형태의 무선 네트워크일 수 있다.
상기 장치(1000)는 배터리 구동식 장치일 수 있고 도시된 바와 같이 하나 이상의 재충전가능한 배터리(1440)를 수용하기 위한 배터리 인터페이스(1420)를 포함한다.
프로세서(1020)는 또한 랜덤 액세스 메모리(RAM)(1080), 플래시 메모리(1100), (예를 들어, 터치 감응 디스플레이 1180을 포함하는 전자 컨트롤러 1160에 연결되는 터치 감응 오버레이 1140을 갖는) 디스플레이(1120), 액추에이터 조립체(1200), 하나 이상의 선택적 힘 센서(1220), 보조 입/출력(I/O) 서브시스템(1240), 데이터 포트(1260), 스피커(1280), 마이크로폰로폰(1300), 단거리 통신 시스템(1320) 및 기타 장치 서브시스템(1340)과 같은 부가적 서브시스템과 상호 작용한다.
어떤 실시예에서, 그래픽 사용자 인터페이스와의 사용자 상호작용은 터치 감응 오버레이(1140)를 통해 수행될 수 있다. 프로세서(1020)는 전자 컨트롤러(1160)를 통해 터치 감응 오버레이(1140)와 상호작용할 수 있다. 프로세서(102)에 의해 생성되는 휴대용 전자 장치에 표시되거나 렌더링될 수 있는 텍스트, 문자, 기호, 이미지, 아이콘 및 기타 항목과 같은 정보는 터치 감응 디스플레이(118)에 표시될 수 있다.
프로세서(1020)는 또한 도 7에 도시된 바와 같이 가속도계(1360)와 상호작용할 수 있다. 가속도계(1360)는 중력 또는 중력 유도 반응력의 방향을 검출하기 위해 이용될 수 있다.
본 실시예에 따라 네트워크 액세스를 위한 가입자를 식별하기 위해, 상기 치(1l000)는, (무선 네트워크 1500과 같은) 네트워크와의 통신을 위해 SIM/RUIM 인터페이스(1400)에 삽입된 SIM/RUIM(Subscriber Identity Module 또는 Removable User Identity Module) 카드(1380)를 사용할 수 있다. 대안적으로, 사용자 식별 정보는 플래시 메모리(1100)에 프로그래밍되거나 다른 기술을 사용하여 수행될 수 있다.
상기 장치(1000)는 또한 프로세서(1020)에 의해 실행되고 플래시 메모리(1100)와 같은 영구 데이터 저장 장치에 저장될 수 있는 운영 체제(1460) 및 소프트웨어 구성요소(1480)를 포함한다. 무선 네트워크(1500), 보조 I/O 서브시스템(1240), 데이터 포트(1260), 단거리 통신 서브시스템(1320) 또는 임의의 다른 적절한 장치 서브시스템(1340)을 통해. 추가 애플리케이션들이 장치(1000)에 로드될 수 있다.
예를 들어, 사용 중에, 문자 메시지, 이메일 메시지, 웹 페이지 다운로드 또는 기타 데이터와 같은 수신 신호는 통신 서브시스템(1040)에 의해 처리되고 프로세서(1020)에 입력될 수 있다. 다음, 프로세서(1020)는 수신된 신호를 디스플레이(1120) 또는 대안적으로 보조 I/O 서브시스템(1240)으로의 출력을 위해 처리한다. 가입자는 또한, 예컨대 이메일 메시지와 같은 데이타 항목들을 작성할 수 있으며, 이는 통신 서브시스템(1040)을 통해 무선 네트워크(1500)에 전송될 수 있다.
음성 통신의 경우, 휴대용 전자 장치(1000)의 전반적인 동작은 유사할 수 있다. 스피커(1280)는 전기 신호로부터 변환된 가청 정보를 출력할 수 있고, 마이크로폰(1300)은 가청 정보를 전기 신호로 변환하여 처리할 수 있다.
본 명세서에 기술된 시스템 및 방법에 의해 구현되는 VCG를 사용하여 혈압을 결정하기 위한 추가 원리가 이후 설명될 것이다.
본 발명은 흉골 진동이 심장 판막의 운동과 어떻게 관련되는지, 그리고 이 판막 운동이 심장 혈압 주기에 의해 어떻게 유발되는지를 설명하는 시스템 및 방법을 제공하고자 한다. 도 4 및 5의 시스템(300 및 400)과 같은 본 명세서에 기술된 시스템 및 방법은 VCG 신호 형태로부터 도출함으로써 각각의 심장 주기 동안 중심 대동맥 혈압을 계산하도록 구성된다. 본 명세서에 기술된 시스템 및 방법은 비침습적 중심 대동맥 압력 측정을 제공할 수 있다.
도 8은 VCG 신호로부터 계산될 수 있는 생체 측정을 도시한다. 혈압 측정은 이론적(신호 처리), 시뮬레이션(3D 모델링) 및 경험적(신경망) 분석 중 하나 이상을 포함할 수 있다.
본 발명의 시스템 및 방법에 의해 검출된 VCG 신호는 혈압을 포함하는 하나 이상의 생체 측정을 계산하는 데 사용될 수 있다. VCG 신호로부터 혈압을 결정하는 것은 신호 처리, 시뮬레이션 또는 3D 모델링, 경험적 분석 중 어느 하나 이상을 포함할 수 있다. 경험적 분석에는 신경망과 같은 하나 이상의 기계 학습 기술을 통한 분석이 포함될 수 있다. 어떤 경우에, 본 명세서에 기술된 시스템 및 방법은 온도, 심박수 및 호흡과 같은 VCG 신호로부터 추가 생체 인식을 결정할 수 있다.
본 발명자들은 이미 관성 측정 장치에 의해 검출된 움직임으로부터 VCG 파형을 분석하는 과정과 이를 위한 알고리즘을 확인했다. 이 알고리즘은 SCG 신호에서 심박수를 측정하는 데 사용했다. SCG와 GCG를 결합하여 VCG 신호에서 심박수를 측정하기 위해 추가로 개발했다. 이러한 결과는 각 심장 주기의 첫 번째 심음에 해당하는 진동 펄스의 정확한 검출를 기반으로 하다. 각 심장 주기에서 이 펄스의 타임스탬프는 심박수를 계산하는 마커를 제공했다. 최근에는 두 번째 심음에 해당하는 진동 펄스를 검출하도록 알고리즘이 확장되었다. 심장 위상 천이에 대응하는 진동 펄스를 검출할 수 있는 알고리즘은 진동 펄스를 분석하고 심장 혈류역학 측정을 결정하기 위해 본 발명의 시스템 및 방법(예를 들어, 하나 이상의 컴퓨터 구성요소를 통해 구현)에 의해 사용될 수 있다.
또한, 본 발명자들은 또한, 호흡 활동 및 경험적으로 분류된 폐 용적 상태에 의한 VCG의 조절을 조사했다. HR 측정에 대한 신체 방향의 영향도 조사했다.
2개의 심음에 대응하는 진동 펄스는 심장 판막의 기계적 운동에 의해 생성된다. 판막들은 심장의 혈압 차에 의해 유압식으로 제어된다. 따라서, 두 진동 펄스들의 검출은 심장을 통과하는 혈류를 계산하기 위한 기초를 제공할 것이다. 맥박 분석은 혈류 계산으로 이어진다.
전체 시스템은 이론적 결과를 검증하기 위해 코스몰(Comsol)에서 시뮬레이션될 수 있다. 첫 번째 단계로 현재 판막에서 흉골로의 진동파 전파를 시뮬레이션하고 있다. 가슴을 통한 진동파 전파 시뮬레이션에 대한 예비 결과를 이미 생성했다. 이 작업은 현재 전체 연구로 개발되고 있다.
경험적 연구에서, 본 발명자들는 VCG 파형과 손가락 커프에서 얻은 실시간 혈압 측정 사이의 직접적인 상관관계를 확립하기 위해 신경망을 사용하고 있다. 본 발명자들는 이미 둘 사이의 예비 상관관계를 설정했으며 입력 데이터를 정리하고 네트워크 아키텍처를 수정하여 이러한 결과의 정확도를 개선하기 위해 노력하고 있다. 관련 저널 기사는 동등한 저작 논문으로 작성되고 있다. 제출 예정일은 2020년 7월 1일이다.
마지막으로, 호흡 및 좌식 운동에 의한 진동파 전파의 변조를 더 분석한다.
저크 아티팩트.
다시 도 1을 참조하면, 인간의 심장(100) 구조의 개략적 표현이 도시되어 있다. 관심 있는 부분은 승모판(123) 및 대동맥 판막(141)과 관련된 좌심방(120) 및 좌심실(140)이다.
분석적 접근법. 현재까지 수행된 연구에 따르면 '최초 심음'에 해당하는 VCG에서 검출한 진동은 승모판/삼첨판(방실 판막 - AV)의 폐쇄로 인해 발생한다. 이 첫 번째 심장음은 AV 판막(도 9에 도시된 SCG 추적의 MC 구성 요소)이 갑자기 닫히면 심실의 혈액이 진동하여 진동을 유발할 때 생성된다. 일단 좌심실이 압축되어 혈액을 대동맥으로 내보내면, 대동맥 판막은 좌심실의 이완과 그에 대응하는 심실 내압 저하로 인해 대동맥에 걸친 혈액의 에너지 구배가 역전되어 닫힌다. 이 갑작스러운 판막 폐쇄(SCG 관의 AC)는 '두 번째 심장 소리'를 유발한다. 첫 번째 심음은 이완기의 끝과 심장 주기의 수축기 시작을 나타내며 두 번째 심음은 수축기의 끝과 이완기의 시작을 나타낸다.
좌심실(140)의 펌핑 작용은 다이어프램 펌프와 매우 유사하고 승모판 및 대동맥 판막(123, 141)의 작용은 전기적 명령보다는 압력 차이에 의해 제어된다. 심실(우측 및 좌측 모두)의 수축은 전기적 명령인 ECG의 'QRS' 복합체(도 10 참조)에 의해 구동되지만 밸브 작동은 수축에 의해 생성된 압력의 결과이다.
도 11은 혈액 순환 회로의 개략도이다. 개략적인 표현은 심장 혈관 시스템 내에 혈액에 대한 '저장부' 또는 '저장소'가 없음을 정확하게 나타낸다. 이것은 산소 요구량이 증가함에 따라(예를 들어, 육체적인 노력으로 인해) 전체 시스템이 케이던스를 증가시켜야 하므로 결과적으로 혈압의 동적 반응과 함께 증가된 심박수와 호흡량의 결합을 유발한다. 수요 감소(즉, 휴식 중인 신체)는 심박수 감소와 혈압의 동적 반응을 더욱 감소시킨다.
대동맥 판막, 즉 좌심실이나 대동맥에서 혈압을 직접 측정하는 것이 실용적이지 않는다는 점을 고려하면(매우 침습적임; 병원 외부의 장기 모니터링에 허용되지 않음), 프록시 측정 혈압과 상관관계가 있는 정보가 필요하다. 이와 관련하여, 본 발명의 시스템 및 방법의 실시예들은 심장의 좌측에 있는 판막의 개폐 및 그에 따른 혈액의 움직임과 관련된 진동(선형 가속도 및 회전 속도로 측정됨)에 초점을 맞춘다. 심실의 수축으로 인한 혈류에 의해 발생하는 진동의 시스템에 의한 정량화는 혈액을 대동맥으로 분출하는 힘(가속)에 비례하는 값으로 혈압을 설정하게 된다. 하나 이상의 진폭, 가속의 변화율('저크'라고 하는 위치의 3차 유도) 및 심실로부터 좌심실 박출 시간(LVET)이라 불리는 대동맥으로의 혈액 분출과 같은 이벤트 기간을 포함하는, 가속도 신호의 몇몇 속성들(아티팩트 또는 특징으로 지칭)이 연속 혈압 측정(또는 다른 혈류역학 측정)을 결정하기 위해 본 발명의 시스템 및 방법에 의해 도출 및/또는 사용될 수 있다.
도 12는 심장의 물리적 움직임 및 그의 전기적 명령과 관련하여 혈압을 나타내는 심장 주기 다이어그램(때때로 위거스 다이어그램으로 불림)이다.
도 12의 상부 트레이스는 혈압계(즉, 혈압 기계)에 의해 판독되는 압력과 관련된 대동맥 혈압을 나타낸다. 상승하는 심실 압력이 대동맥 판막을 열게 하는 대동맥 압력과 교차하는 포인트은 '이완기' 압력으로 보고되는 값이다. 좌심실 박출 기간의 중간 포인트에서 발생하는 심실 압력 트레이스(최대 심실 압력)의 상단은 '수축기' 압력으로 보고되는 값이다.
대동맥에서 혈압의 리드미컬한 상승 및 하강은 좌심실에 의한 혈액 덩어리(박출량)의 주기적인 주입과 관련이 있다. 이 혈액 덩어리의 운동 에너지의 대부분은 혈관계를 통과하여 즉각적인 혈류를 촉진하는 반면 운동 에너지의 일부는 대동맥 벽의 탄성에 의해 흡수되어 후에 혈액으로 되돌아가 순환을 지원한다. 운동 에너지의 일부는 심장과 대동맥을 지지하는 흉부 구조로 전달된다. 이는, 검상돌기에 위치한 관성 모션 센서(가속도계 및 자이로스코프)에 의해 검출되고 진동 심전도(각각 지진파 심전도 및 자이로 심전도)로 보고되는, 진동 형태의 마지막 부분이며 대부분 낮은 부음향이다.
흉골의 진동을 모니터링하여 수축기 및 이완기 압력을 측정하는 문제는 두 가지이다. 첫째, 진동이 발생하는 정확한 메커니즘을 발견하고 진동으로 변환되는 운동 에너지의 비율을 발견/정량화해야 한다. 둘째, 이동이 신호를 어떻게 변경했는지 평가하기 위해 진동이 센서에 도달하기 위해 이동하는 전송 경로를 이해해야 한다. 본 발명자들은, CFD(Computational Fluid Dynamics)와 FEA(Finite Element Analysis)의 요소를 결합한 FSI(Fluid-Structure Interaction) 해석을 적용하면 궁극적으로 흉부에서 측정되는 진동들과 심박수, 호흡수 및 혈압과 같은 심폐 특성 사이의 해석적 관계를 확립할 수 있는 답을 얻을 수 있을 것으로 믿는다.
기계 학습 접근법. 이전 섹션에서 설명한 바와 같이, 검상돌기에서 대동맥 혈압과 진동 측정 사이의 연결을 설정하는 분석적 접근 방식은 도 13의 블록도로 나타낼 수 있다. 이는 두 개의 변환으로 구성된다. 첫 번째는 대동맥 혈압을 흉부 진동으로 변환하는 것이다. 두 번째는 검상돌기에서 측정된 진동 아티팩트(또는 진동 특징)와 소스(심장 또는 근처)의 진동 신호 사이의 관계이다.
이에 대해, 검상돌기에서 진동 아티팩트로부터 혈압을 결정하는 문제에 대한 기계적 학습의 적용은 도 14의 블록도에 따른다.
기계 학습 접근법은 본질적으로 주어진 특성화 데이터를 보고 원하는 결과(대동맥 혈압)와 제공된 입력 데이터(진동 아티팩트) 사이에 가능한 최상의 상관 관계를 결정하는 블랙 박스이다.
(분석적 접근에 지금까지 쏟은 노력에 의해 입증된) 진동과 혈압 사이의 관계를 보다 완벽하게 이해하려는 본 발명자들의 욕구에 따라, 혈압 문제에 대한 기계 학습의 적용은 본 발명자의 데이터와 표면 상관관계 및 현재 알려지지 않은 이상현상들을 분석하는 기술을 사용하는 데 중점을 둔다. 이 맥락에서, 기계 학습은 해법 수단이라기보다는 검색 및 데이터 분석을 지원하는 도구에 가깝다. 본 발명자들는 진동과 혈압 사이의 관계에 대한 더 나은 통찰력을 얻고 분석 노력을 발전시키기 위해 상관관계와 이상 현상을 조사하고자 한다.
비침습적 혈압 측정을 위한 시스템 및 방법의 추가 특징이 설명될 것이다. 이러한 특징은 도 2-6에 기술된 것과 같은 본 발명의 시스템 및 방법에 의해 구현될 수 있다. 어떤 경우에는, 비침습적 생리적 활동 모니터링을 위한 시스템 및 방법이 기술된다. 이와 같은 시스템 및 방법은 다른 생리학적 활동 또는 바이탈 사인 모니터링 특징에 추가될 수 있는 본 명세서에 기재된 혈압 측정을 위한 시스템 및 방법 또는 그 일부를 포함할 수 있음을 이해해야 한다.
비침습적 생리 활동 모니터링 시스템(NIPAMS).
1. 서론
1.1 프로젝트 개요
이 프로젝트는 지구와 우주에서 액세스 가능한 건강 모니터링에 대한 긴급한 요구를 해결한다. 우주 비행 임무의 맥락에서 장거리 여행은 지구와의 실시간 통신에 어려움을 겪는다. 의학적 응급 상황의 경우 비행 외과 의사와의 의사 소통이 어렵거나 불가능할 수 있다. 이러한 의사소통의 격차로 인해 CSA(Canadian Space Agency)를 비롯한 전 세계 공공 우주 기관은 승무원을 지원하기 위해 우주 비행사 무선 생체 인식 모니터링 기술의 필요성을 파악했다. 그들의 요구 사항은 증상을 식별하고, 건강 상태를 진단 또는 예측하고, 치료 옵션을 일치시키고, 정보를 기지(예컨대, 우주 정거장, 진료소, 병원)로 전송할 수 있는 자율 시스템의 개발을 제안하는 협업에 동기를 부여했다. 이 계획은 주요 생리적 파라미터를 모니터링, 기록 및 분석하는 웨어러블 무선 검출 플랫폼을 구축하는 것이다. 본 발명자들의 작업은 우주 비행사에게 전산화된 의료 서비스를 제공해야 하는 우주 커뮤니티의 필수 요소를 활용하여 접근 가능한 건강, 웰빙 및 피트니스 기술 솔루션의 시대를 열 수 있다는 전망에 동기를 부여한다. 이러한 목표의 달성은 MDA 코포레이션과 캐나다 생명공학, 건강, 웰니스, 피트니스, 방위 및 우주 부문에 가치가 있는 장기 탐색 결과와 단기 기술 솔루션을 생성할 것이다.
보고된 작업은 디지털 신호 처리(DSP) 알고리즘을 사용하여 전기 광학 및 전기 기계 센서 신호를 물리적으로 검증 가능한 실시간 생리학적 상태 측정 및 관련 신체 활동에 대한 반응으로 변환하도록 하는 비침습적 생리 활동 모니터링 시스템(NiPAMS)의 개발 및 시연을 기술한다. 시스템 개략도는 도 15에 도시되어 있다. 사용자에게 부착된, 특수 제작된 웨어러블 센서 모듈(WSM)은 가속도계와 자이로스코프를 사용하여 관성 측정(IM)을 획득하거나 발광 다이오드와 광검출기를 사용하여 광학 측정을 획득한다. 휴대용 센서 인터페이스 보드(SIB)는 다수의 WSM들과 무선으로 페어링되어 센서 신호에 대해 실시간 DSP를 수행하고 생리적 활동(예컨대, 심폐 활동, 혈류) 및 신체 활동(예컨대, 움직임)과 관련된 메트릭을 계산한다. 데이터는 기본 소프트웨어 인터페이스를 통해 모니터링된다. SIB는 추가 분석, 기록 및 예측을 위해 원시 신호 및 측정값을 중앙 데이터 분석 서버(DAS)로 전송한다. NiPAMS는 맥길 유니버시티(McGill University)의 플랜트(Plant) 그룹과 온타리오에 기반을 둔 우주 시스템 및 센서 엔지니어링 회사인 MDA 간의 전략적 파트너십을 통해 개발되고 있다.
도 15: NiPAMS의 개략도. 이 시스템은 가속 및 회전을 위한 IM-WSM과 빛 흡수를 위한 OM-WSM을 지원한다. 두 WSM 모두 불루투스를 통해 통신한다. SIB로 전송된 WSM 신호는 생체 판독값으로 변환된 다음, DAS로 전달된다. DAS는 건강 상태 궤적 평가를 위해 측정값을 저장하고 분석한다.
1.2 생리학적 측정
NiPAMS는 실시간으로 피험자의 건강을 평가하기 위해 주로 심박수, 호흡수, 혈압 및 체온의 4가지 활력 징후들을 모니터링한다. 또한 심폐 활동, 움직임, 운동, 산소 포화도, 혈역학적 항상성과 관련된 주요 생리적 파라미터를 계산한 다음 이러한 측정값을 서로 분리하여 건강, 웰니스 및 피트니스에 대한 포괄적인 평가를 제공한다. 이러한 결과의 정확성은 임상 표준에 대해 벤치마킹된다. 따라서 NiPAMS는 생리적 활동 평가와 관련된 다음의 측정들을 제공한다:
- 심폐 활동(CRA):
o 호흡 활동: 속도(RR), 호흡량(RV), 위상, 말초 산소 포화도(SpO2), 폐활량
o 심장 활동: 심박수(HR), 효율, HR 가변성, 좌심실 박출 시간 및 분획, 박동량, 박동 간 지속 시간(TBTB)
o 혈류: 수축기 혈압(PSys), 이완기 혈압(PDia), 박출 속도, 점도
- 신체: 표면 체온(BT), 신체 활동 수준(EL)
- 물리적 운동: 모션 아티팩트(MoArt) 제거를 위한 모션 캡처(MoCap) 정보
시스템 개발은 이미 2개의 저널 기사, 1개의 회의 논문 및 1개의 특허 출원으로 이어지는 HR 및 RR 측정을 입증했다. 이러한 달성된 이정표를 고려할 때 현재 목표는 혈압을 추정하는 것이다. 이 목표를 위해 본 발명자들는 맥길 유니버시티의 McConnell Engineering Building 814A호에 NiPAMS 실험실을 건설했다. 실험실은 포괄적인 테스트를 위해 도 16에 도시된 바와 같이 컴퓨터, 마사지 침대 및 골드 표준 측정 기기를 포함한 생리학적 모니터링 테스트 벤치를 수용한다. 이러한 테스트는 NiPAMS 신호와 생리학적 측정 사이의 관계가 설정될 수 있도록 BP와 관련된 모든 생체 인식을 모니터링하도록 설계되었다.
도 16: NiPAMS 실험실에서 생리학적 측정에 사용되는 기기.
1.3 혈압에 대한 로드맵
심폐 활동은 가슴을 통해 전파되고 피부 표면에 진동으로 나타나는 진동파를 생성한다. 이들 파동은 심장과 폐에 근접하는 이유로 흉골의 검상돌기 근처에서 기록했다. 진동은 피부에 부착된 관성 측정 장치(IMU)에 의해 검출했다. 수집된 신호의 콘텐츠는 결합된 기압계 및 진동 심전도(VCG) 측정으로 구성했다. 본 발명자들의 작업은 이들 흉골 진동이 심장 판막의 움직임과 어떻게 관련되어 있으며 이 판막 움직임이 심장 혈압 주기에 의해 어떻게 발생하는지 기술하는 것을 시도한다. 본 발명자들 연구의 목적은 VCG 신호 형태에서 유도하여 각 심장 주기 동안 중앙 대동맥 혈압(BP)의 계산을 제공하는 것이다. 센서 위치, 호흡량, 심장 수축성 및 심장 박동으로 인해 발생하는 모든 왜곡은 VCG 파형의 정밀도를 향상시키기 위해 복조된다. 이 리포트는 흉골에서 중앙 대동맥 혈압의 실현을 위해 완료되고 진행 중인 작업을 기술한다.
VCG 파형 분석만을 사용하여 혈압을 정확하게 계산하려면 테스트 환경에 대한 포괄적인 이해가 필요하다. 이는, 각 피험자의 물리적 특성, 생리적 영향을 포함한 심폐 활동, 흉골로 전파되는 진동파를 조절하는 흉부의 변형, 센서의 위치, 센서의 과도 응답 및 감도, 시스템 획득 실행 계획 및 각 피험자에 대한 테스트 조건들을 포함한다. 실시간 무선 기능을 향한 NiPAMS 검출 시스템의 개발은 섹션 2에 기술되어 있다. 시스템의 각 업그레이드는 주제 시험에서 직접 평가했다. 이러한 시도는 섹션 3에서 기술한 바와 같이 폐 용적, 센서 위치, 노력 및 MoArt의 효과를 측정하도록 설계했다. 각 테스트는 도 16에 도시된 기기를 사용하여 신호의 수집을 얻었다. 이들 신호로 구성된 원시 데이터는, 상업적으로 입수가능한 Biopac 소프트웨어 및 맞춤형 Matlab 알고리즘을 사용하여 섹션 4에 자세히 기술된 관련 생체 측정을 추출하도록 필터링된다. 일단 필터링되고 복조되면 처리된 VCG 파형을 분석하여 심장 압력 주기와 관련된 측정값을 추출할 수 있다. 그러나 이를 위해서는 실험적으로 얻은 VCG 파형 형태에 포함된 관계에 대한 지식이 필요하다. 섹션 5는 분석 방정식에 기초하고및 신호 처리 결과로 교차 검증된 압력 유도 VCG 모폴로지에 대한 물리적으로 유효한 설명을 도출하기 위한 현재 진행 상황을 제시한다. 이 모델은 섹션 6에 기술된 흉부를 통한 압력에 의한 진동파 전파의 시뮬레이션과 병행하여 개발되고 있다. 또한 중심 대동맥 혈압과 VCG 형태 사이의 관계도 모델의 예측을 알리거나 향상시키기 위해. 섹션 7에서 인공 지능 알고리즘을 통해 조사되고 있다. 그 결과, 제한 사항 및 향후 계획은 잠재적인 간행물을 포함하는 2020년 제안 일정과 함께 섹션 8에 요약되어 있다.
2. 시스템 개발
앞서 언급한 바와 같이, 이 프로젝트는 지구와 우주에서 접근 가능한 의료 서비스에 관한 것이다. 이전 시스템을 업그레이드한 주요 동기는 원격 모니터링을 달성하는 것이었다. 원격 센서로 업그레이드하면 케이블 길이에 대한 걱정 없이 MoCap(섹션 3.4) 중에 수행되는 동적 연습과 같은 보다 복잡한 테스트를 쉽게 수행할 수 있다. 이전 시스템과 현재 시스템 모두 상용 기성 부품으로 조립했다. 무선인 것 외에도 본 발명자들 시스템은 작고 견고해야 했으며 이전 시스템과 일치하거나 개선된 적절한 샘플링 속도를 달성해야 했다.
2.1 이전 시스템
심장 유도 진동은 흉골의 검상돌기에 배치된 관성 측정 장치(IMU)에 의해 검출했다. IMU 센서는 본 연구에서 사용하지 않은 디지털 나침반과 함께 MEMS 자이로스코프와 가속도계로 구성된 9축 InvenSense Motion Processing Unit™(MPU) 9250(San Jose, CA, USA)이다. MPU-9250 가속도계와 자이로스코프의 감도는 각각 ±2g 및 ±250°/s로 설정했다. 동시 ECG 측정은 SparkFun AD8232 Single Lead Heart Rate Monitor(Niwot, CO, USA)로 획득했다. 두 센서는 도 17의 시스템 구성 다이어그램에 표시된 대로 Arduino Leonardo 마이크로컨트롤러에 연결했다. 마이크로컨트롤러는 센서 근처에 있는 피험자의 몸통 주위에 묶었다. 센서 신호는 시스템에 전원을 공급하는 USB 케이블을 통해 컴퓨터로 전송했다. Arduino의 샘플링 속도는 약 250Hz였다. 데이터 수집 및 신호 처리는 맞춤 제작된 MATLAB 기반 그래픽 사용자 인터페이스(GUI)에 의해 수행했다.
도 17: MPU-9250, AD8232 및 Arduino Leonardo 간의 시스템 구성
시스템에 대한 외부 참조로서, 테스트 동안 약 3분 동안 상완 동맥에서 Omron 10 시리즈 오실로메트릭 혈압 모니터를 사용하여 3개의 심박수 측정값을 기록했다. 커프에서 얻은 측정값은 데이터 수집 중에 수동으로 GUI에 입력했다.
현재 시스템
2.2.1 구성
현재 시스템의 주요 수정 사항은 다른 마이크로폰로 컨트롤러였다. RPI(Raspberry PI) Zero W를 사용하여 시스템을 제어했다. 이 RPI 모델은 무선 마이크로폰로 컨트롤러이다. ICM-20602 6축 InvenSense Motion Processing Unit™은 단종으로 인해 MPU-9250을 대체했다. 레지스터 아키텍처는 두 모델 간에 유사하므로 코드 수정 없이 ICM-20602를 시스템에 통합할 수 있다. 그러나 현재 시스템은 시스템 버전 간의 연속성을 위해 MPU-9250도 사용했으며 ICM-20602는 백업으로 유지했다. RPI는 PIZ Uptime 배터리 실드를 사용하여 파이에 전원을 공급하고 사용자에게 무선 이동성을 제공한다. RPI는 하드웨어에 하드 코딩된 16진수 어드레스를 사용하여 I2C 버스의 두 IMU 모델에 연결된다. IMU 가속/회전 값과 BIOPAC 데이터 간의 수집 후 동기화를 지원하는 BIOPAC 클록은 프로그래밍 가능한 범용 입력 출력(GPIO) 핀을 사용하여 RPI에 입력했다. 사용된 배터리는 USB-마이크로폰로 USB 케이블을 사용하여 쉴드를 PC에 연결하여 충전할 수 있는 리튬 이온 충전식 배터리였다. 도 18에 도시된 바와 같이 GPIO 핀 1(보라색), 3(흑색), 5(적색), 9(녹색)는 센서에 대한 I2C 연결에 사용했다. 핀 11은 BIOPAC에 연결하도록 프로그래밍했다. 새 시스템의 샘플링 속도는 약 560Hz였다. 데이터 수집 및 신호 처리는 맞춤형 웹 기반 사용자 인터페이스로 제어했다. RPI는 IMU 및 BIOPAC 연결에서 값을 획득하고 데이터를 Micro SD 카드의 텍스트 파일에 추가했다.
도 18: MPU-9250, RPI 및 배터리 간의 시스템 구성
표 1: 하드웨어 요구 사항
표 2: 소프트웨어 요구 사항
표 3: 시스템 사양
2.2.2 듀얼 센서 설정
VCG 신호에서 모션 아티팩트를 연구하기 위해, 섹션 4.4에서 언급될 MoCap 테스트에 앞서 이중 센서 설정이 개발되었다. 첫 번째 센서는 흉골의 검상돌기에 부착하였고, 두 번째 센서는 후면에 부착하였다. 두 번째 센서는 센서 사이에 수직 거리를 형성하기 위해 첫 번째 IMU와 동일한 수직 높이로 지면에 위치했다. 두 센서 신호들 모두 심장 유도 진동을 전달하는 첫 번째 센서 신호와 함께 동작 정보를 전달한다. 차동 증폭기와 유사한 방식으로 두 신호를 사용하여 동작을 필터링할 수 있다. 동일한 하드 코딩된 어드레스(0x68)를 가진 두 센서에서 판독가능하도록 IMU로부터 RPI로의 추가 연결이 추가되었다. MPU-9250의 AD0 핀을 접지 또는 3.3V에 연결함으로써, I2C 버스에서 센서의 어드레스를 변경할 수 있다. 하나의 센서를 접지하고 다른 센서를 3.3V로 설정함으로써, 이제 각각 어드레스 0x68 및 0x69를 사용하여 두 센서와 병렬로 상호작용할 수 있다. 두 번째 센서를 추가하면 샘플링 속도가 ~270Hz로 감소하며, 이는 하나의 센서로 달성할 수 있는 샘플링 속도의 거의 절반이다.
2.2.3 획득 인터페이스
데이터 획득에 사용되는 두 가지 버전의 인터페이스가 있다. 첫 번째 버전은 센서 폴링이 끝날 때 IMU 데이터를 플로팅할 수 있는 웹 기반 애플리케이션이다. 실행은 순차적이었고 다음 단계들에 기초했다. (i) 브라우저에 RPI의 IP 어드레스를 입력함에 따라 웹 서버가 로드된다. (ii) URL에 런타임이 입력되면 IMU가 폴링된다. (iii) RPI는 원시 데이터를 텍스트 파일에 첨부하고, (iv) 최종적으로 획득된 정보로부터 플롯을 생성한다. 플롯을 생성하면, 이미지로 저장되어 네트워크에 로컬인 웹사이트로 전송된다. 이 버전의 장점은 병렬화(멀티 스레딩)를 포함하지 않는 간단한 실행과 ~560Hz의 매우 높은 샘플링 속도를 포함한다. 두 가지가 있었다
이 버전에 관한 결점; 텍스트 파일 업데이트를 완료하도록 RPI의 대기로 인한 테스트들 간의 지연, 및 시스템에 실시간 플로팅을 적용할 수 없음. 도 19에 도시된 바와 같이, 샘플링 속도의 히스토그램이 생성되었다. 플롯은 총 5초 동안 IMU에서 수집된 두 개의 타임스탬프 사이의 차이를 나타낸다. 대부분의 값은 ~300Hz의 사례들이 거의 없이 ~500Hz 부근에 있다.
도 19: 5초에 걸친 샘플링 속도의 히스토그램 - 순차적 방법
두 번째 버전은 또한 RPI의 IP 어드레스를 브라우저에 입력할 때 로드되는 웹 기반 애플리케이션이었다. 실행은 두 개의 스레드를 갖는 다중 스레드. 데이터에 대해 IMU를 폴링하는 폴링 및 데이터를 텍스트 파일에 추가하는 인쇄였다. 카운터와 지연은 인쇄 스레드가 폴링 스레드를 초과하지 않도록 한다. 이 버전의 인터페이스에는 실시간 플로팅이 포함되지 않았다. 대신 인쇄 스레드는 IMU 원시 데이터를 실시간으로 전송하여 로컬 웹 사이트에 표시했다. 데이터는 타임스탬프별로 또는 배치로 전송될 수 있으며 성능은 배치 크기에 따라 선형적으로 향상된다. 이 버전의 장점은 실시간 플로팅을 위한 향후 옵션뿐만 아니라 실시간 데이터 저장 및 전송을 포함한다. 이 버전의 단점은 RPI에 대한 더 높은 계산 요구로 인해 발생하는 샘플링 속도의 주기적인 하락이다. 이로 인해 샘플링 속도가 매우 낮은 짧은 시간(~50Hz)이 발생하여 평균 샘플링 속도가 낮아졌다. 도 20과 같이 샘플링 속도의 히스토그램이 생성된다. 대부분의 값은 약 ~500Hz에 있으며 50-200Hz 범위에 상당한 수의 사례들이 있다.
도 20: 5초에 걸친 샘플링 속도의 히스토그램 - 멀티스레딩 방법
웹 기반 인터페이스에 의해 생성된 플롯의 일례가 도 21에 도시되어 있다. 웹 인터페이스는 빠른 플로팅 및 시각화를 위해 설계되었다. 이러한 버전의 인터페이스는 엄격하게 테스트되었지만 20분 이상 실행된 테스트는 없다는 점에 유의해야 한다. 데이터의 무결성을 확인하고 런타임이 증가함에 따라 클록의 드리프트의 크기를 결정하기 위해 RPI는 12시간 동안 웹 서버를 시작하지 않고 실시간으로 텍스트 파일을 폴링하고 추가하도록 설정했다. 바람직하지 않게, 테스트는 RPI가 작업을 종료하기 전까지 1.7시간 동안만 지속되었다. 사용된 클록은 폭이 주기적으로 변하는 단순한 구형파였다. 클록 신호의 무결성은 1.3시간 동안 유지되었지만 이후 왜곡되었다. 이 문제는 아직 완전히 조사되지 않았다.
도 21: 간단한 VCG 프런트 엔드 애플리케이션
2.2.4 실시간 플로팅
위에서 논의된 애플리케이션의 두 가지 버전은 분석을 위한 데이터 무결성 및 테스트를 위한 프로토콜 단순성과 관련하여 프로젝트의 요구를 충족했다. 그러나 개선의 여지가 더 있다. 현재 플롯 생성 및 이미지 업로드가 실시간으로 수행될 수 있는 시스템 버전이 있다. 그러나 이것은 샘플링 속도를 대폭 낮추는 RPI에 의해 수행되었다. 따라서, 다음 작업은 데이터의 그래프 및 시각화를 클라이언트(PC)로 내보내고 대신 RPI(서버)가 IMU에서 받은 입력만 전달하도록 하는 것이다. 이는 높은 샘플링 속도를 유지하고 사용자 인터페이스에서 더 큰 유연성을 허용한다.
클라이언트-서버 소켓 프로그램의 구현은 Python으로 개발되었다. RPI는 서버이고 수신 PC는 클라이언트이다. TCP(Transmission Control Protocol)는 소켓들 간의 통신에 사용했다. TCP는 처음에 클라이언트 측에서 무손실 데이터 수신을 보장하기 위해 선택했다. 샘플의 손실은 데이터를 시각화하는 능력에 부정적인 영향을 미치고 분석에 어려움을 초래할 수 있다. 앞으로 사용자 데이터그램 프로토콜(UDP)을 조사하여 상당한 샘플링 속도 향상을 제공하는지, 및 이 향상된 성능이 잠재적인 데이터 손실과 절충할 가치가 있는지 판단할 것이다.
앞서 언급한 바와 같이, RPI로부터 PC로 폴링 데이터를 전송하기 위해 소켓이 사용되었다. 클라이언트가 RPI에 연결할 수 있는 유일한 방법은 동일한 네트워크에서 서버의 IP 어드레스에 연결하는 것이었다. 기본적으로 RPI의 IP 어드레스는 PC에 무선으로 연결할 때마다 변경된다. 따라서 연결이 설정되면 클라이언트 스크립트에서 IP 어드레스를 수동으로 업데이트해야 했다. 한 가지 솔루션은 RPI에 대한 정적 IP 어드레스 설정과 관련이 있다. 상용 또는 우주 응용 프로그램에서 솔루션의 토폴로지가 선험적으로 알려지면 정적 IP 접근 방식이 실현 가능하다. 그러나 개발 과정에서 여러 장치가 네트워크에 연결되어 있는 경우 다른 장치가 동일한 IP 어드레스를 가질 가능성이 있었다. PC는 어떤 장치가 문제인지 절대 알 수 없기 때문에 오류가 발생한다. 이를 해결하기 위해 raspberrypi.local을 테스트(ping)하여 IP 어드레스를 획득하는 스크립트가 PC 측에서 개발되었다. RPI 모델은 멀티캐스트 DNS를 지원했기 때문에, 호스트네임 및 .local 접미사를 사용하여 도달될 수 있었다. 새로운 Raspbian 설치의 디폴트 호스트네임은 raspberrypi이므로, 디폴트에 의해 Raspbian을 실행하는 임의의 RPI는 raspberrypi.local에 응답한다. 다음, 스크립트는 특정 IP 문자열을 가져오고 해당 문자열을 사용하여 연결을 시작한다. 동일한 식별자를 가진 RPI가 네트워크에 연결된 경우 명칭(name)을 변경해야 한다.
2.3 결론
이전에 언급된 바와 같이, 애플리케이션의 현재 버전은 팀의 목표를 적절하게 제공했다. 이 시스템은 하나의 센서에 대해 ~560Hz, 이중 센서 구성에 대해 ~270Hz의 높은 샘플링 속도를 달성했다. 테스트 프로토콜은 런타임이 애플리케이션에 입력되고 디버깅 목적으로 플롯이 표시되는 간단한 두 번의 클릭 프로세스이다. 실시간 플로팅 기능에 대한 가능성도 있다. 향후 작업에는 플로팅을 위한 시작-중지 옵션 개발, 사용자 친화성(확대/축소 및 스크롤)을 위한 완전히 개발된 GUI, UDP 대 TCP 성능 조사가 포함된다.
3. 실험 작업
진동 심전도는 생리학 및 신호 처리 분야 내에서 합쳐지는 복잡한 문제를 나타낸다. 강력한 DSP 알고리즘을 구축하기 위해 실험 절차는 인체의 불일치를 고려해야 한다. 각 실험 세트는 특정 파라미터들을 분리하거나 알려지지 않은 변수들을 통계적으로 일반화하도록 설계했다. 실험 작업의 파일럿 연구는 데이터가 IMU, ECG 및 Omron 혈압 모니터로 기록된 섹션 3.1에 설명되어 있다. 이러한 결과는 IMU 및 BIOPAC 시스템을 사용하여 많은 피험자가 광범위하게 기록된 섹션 3.2에 기술된 실험을 설계하는 데 사용했다. 섹션 3.3의 제3 연구는 VCG 파형에 대한 위치 지정 효과를 조사하기 위한 파일럿 연구를 생성한다. 섹션 3.4의 최종 연구에서는 VCG 신호의 방향 및 움직임 아티팩트의 영향을 조사한다.
3.1 VCG 옴론(Omron)
테스트는 맥길 유니버시티의 Review Ethics Board에 따라 승인된 프로토콜로 수행했다. 20~30세 남성 25명의 생체신호를 측정하였다. 이 피험자들은 알려진 심장-호흡기 질환이 없었다. 테스트 프로토콜은 약 7분 동안 지속되는 두 가지 테스트로 구성했다. 첫 번째 테스트에는 앙와위(supine)로 휴식을 취하는 각 피험자가 포함했다. ECG 및 VCG 데이터 수집 시작 1분 후 옴론 혈압계 커프 모니터가 활성화되었다. 테스트 주기의 7분 동안 커프를 사용하여 3회 연속 측정을 수행했다. 커프는 또한 참가자가 휴식을 취하는 동안 기준 심박수를 측정했다. 이 테스트 후 피험자들은 마운틴 클라이머로 알려진 고강도 바닥 운동을 수행했다. 이 운동은 피험자들이 심장 박동수를 높이기 위해 강렬한 심혈관 운동을 하도록 준비 운동 없이 수행했다. 노력에 필요한 운동의 정도는 개인의 체력 변화에 따라 크게 달라지지만, 이 운동을 약 1분 정도 하면 충분히 높은 심박수를 유도하는 것으로 나타났다. 두 번째 측정 과정은 피험자가 운동 종료를 선택한 직후에 시작했다. 누운 자세로 누운 상태에서 데이터를 수집했다. 이 연구의 결과는 기준점을 혈압과 연관시키기 위해 섹션 7.1에서 사용했다. 그러나 이 방법에는 불연속화된 혈압 측정이 포함되어 있으며 정확한 예측을 위한 첫 번째 패스로만 사용할 수 있다.
3.2 VCG 바이오팩(BIOPAC)
혈압 추정을 위한 실험 데이터는 맥길 유니버시티에서 수집했다. 이 설정은 맞춤형 VCG(섹션 2.2에서 설명), BIOPAC 획득 시스템 및 키엔스 레이저 변위 센서로 구성했다. BIOPAC은 심전도, 임피던스 심전도, 폐활량 측정법, 비침습적 혈압 및 포토플라이모그래피를 기록하는 데 사용했다. 키엔스 센서는 IMU 센서의 직각 변위를 추적했다. 도 22a는 부착된 센서의 위치를 도시한다. 연구 절차는 McGill Ethics Board의 승인을 받아 수행되었으며 요약은 도 22b에 도시되어 있으며 부록 I: 테스트 프로토콜에 자세한 설명이 나와 있다. 연구는 피험자당 약 90분 정도 소요했다. 모든 검사는 앙와위 자세로 진행했다. 이완된 상태에서 간단하고 움직이지 않는 두 가지 테스트를 사용하여 "최상의 경우" 시나리오에서 기준 측정값을 얻었다. 호흡 기술과 호흡 유지는 흡기와 호흡량으로부터의 신호 여과를 돕기 위해 사용했다. 짧고 강렬한 운동 직후 회복은 상승하고 빠르게 변화하는 심박수와 혈압의 변화를 제공했다. 파일럿 테스트에서 발견된 획득 오류 확률이 가장 높았기 때문에 이를 반복했다.
도 22: (a) 센서 설정, 및 (b) 실험 절차.
BIOPAC 시스템은 내장된 AcqKnowledge 소프트웨어를 사용하여 기록했다. 이 소프트웨어와 임상적으로 입증된 루틴을 사용하여 원시 신호에서 수축기 혈압, 이완기 혈압, 평균 혈압, 맥압, 호흡량, QRS 간격, 심박수, 좌심실 박출 시간, 박출량, 및 심박출량과 같은 메트릭을 도출했다. 다음, 이들 신호를 처리하고 MATLAB으로 내보내 혈압 추정, 유도 및 신호 여과에 사용할 수 있도록 했다. 통계적으로 강력한 결과를 얻기 위해 피험자 샘플 크기는 100명이었다. 현재 연구에는 64명의 참가자가 있다. 연구 모집단의 평균 메트릭은 표 1에서 볼 수 있다. 그러나 연구 팀이 분석에 집중할 수 있도록 추가 피험자를 모집했다.
표 1: 연구 모집단
3.3 센서 위치
이전 시도를 완료하는 동안 발견된 바와 같이, 센서 위치는 테스트 설정 중에 반복적인 어려움을 일관되게 생성했다. 출력 파형, 주로 기준점의 위치와 진폭은 가슴의 위치에 따라 다르다. 따라서 이 종속성은 각 위치에서 파형을 분석하여 개발해야 한다. 보다 강력한 시험 설계를 돕기 위해 첫 번째 연구가 수행했다. 테스트는 각 5분 동안 테스트된 42개의 위치를 가진 한 명의 남성 피험자로 구성했다. 위치의 좌표는 도 23에 도시되어 있다. 실험에서는 두 개의 동시 IMU/Arduino 시스템을 사용했으며, 한 센서는 기준으로 흉골의 검상돌기에 고정되었고 다른 센서는 가슴 주위에 다양했다. 아날로그 ECG 보드는 각 Arduino에 출력 분할로 본체에 연결했다. 이는 두 Arduino 사이의 동기화를 위한 글로벌 타이밍 시스템을 제공했다. 이 실험의 결과는 섹션 4.1에 있다. 다음 단계는 한 피험자에 약 6시간이 걸렸기 때문에 더 짧은 루틴을 개발하는 것이다. 가까운 장래에 약 5~10 피험자들로 연구를 확장하여 구체적인 경향을 발견할 수 있는지 확인할 계획이다.
3.4 모션 캡처
실제 상황에서, 사용자가 누운 자세로 움직이지 않는 경우는 거의 없다. VCG가 가슴의 움직임을 기록할 때 움직임, 걷기 및 음성과 관련된 추가 동작은 신호를 손상시킬 기회를 제공한다. 따라서, 개발된 방법의 기능을 특성화하고 동작 검출, 감소 또는 제거를 위한 새로운 알고리즘을 만들기 위해 일련의 테스트가 수행되었다. 실험은 모션 캡처 연구소의 뮤직 미디어 및 테크놀로지(CIRMMT)의 학제간 연구를 위한 맥길 센터에서 진행했다. VCG는 ECG를 기록하는 데 사용된 BIOPAC MP160과 함께 섹션 2.2.2에 기술된 시스템을 사용하여 기록했다. 움직임은 16대의 적외선 Qualisys 모션 카메라로 캡처했다. BIOPAC에서 생성된 아날로그 클록은 세 개의 시스템들 간의 동기화에 사용했다. IMU, 가슴 및 발과 같은 관심 포인트을 포함하여 몸 전체에 반사 마커를 위치시켰다. 5명의 피험자들이 9개의 활동을 수행했으며, 모션 아티팩트의 방향과 수준이 다양했다. 첫 번째 녹음은 피사체가 누운 자세로 움직이지 않는 전통적인 SCG 녹음이었다. 다음의 두 사람은 움직이지 않았지만 양쪽에 누워있었다. 그 다음 앉은 상태와 서 있는 동안 움직이지 않는 테스트를 기록했다. 피험자가 움직이는 착석 테스트에 작은 레벨의 모션 아티팩트가 추가되었다.
도 23: 포지티브 B는 머리를 향하고 포지티브 A는 몸의 좌측을 향한 상태로, 센서 위치 그리드 및 가슴의 추적 위치
앉아있는 동안 그들의 몸통. 동일한 수준의 동작이 다음의 서기 테스트에 추가되었으며 피험자는 서 있는 동안 몸통을 움직였다. 마지막 두 가지 테스트는 걷기로 구성했다. 모션 캡처 카메라는 특정 범위만 캡처할 수 있기 때문에, 피험자는 다양한 속도와 강도의 걸음으로 시계방향으로 원을 그리며 걸었다. 이것은 피험자가 시계 반대 방향으로 원을 그리며 걷는 것과 함께 반복했다. 모션 캡처 시설을 통해 모션 아티팩트의 타이밍, 위치 및 강도, 특히 VCG 센서의 실제 사용을 활성화하기 위해 섹션 4.4에 기술된 아티팩트 제거 알고리즘 개발을 위한 발 낙상을 정량화할 수 있었다.
4. 신호 여파(filtration)
VCG 신호의 전형적인 형태는 피험자 간 변동성이 높지만 박동 간 변동성이 거의 없음을 보여준다. 그 결과, 단일 피험자에 대해 SCG 신호가 식별되면 신호 형태의 변화는 생리적 활동의 변화에 기인할 수 있다. 동맥을 통한 혈압 전달과 유사하게 흉부를 통해 이동하는 VCG 파동은 전파 중에 조절된다. 신호는 센서에 도달하기 전에 흉부의 동적으로 변하는 재료 특성으로 인해 주파수에 따른 분산 및 감쇠를 겪는다. VCG 파형 형태 변조의 주요 원인은 센서 위치 및 호흡 활동이다. 예를 들어 흉부의 다공성은 호흡량(RV)에 따라 감소하여 VCG 진폭을 약화시킨다. 흉곽의 복잡한 구조로 인해 심장과 센서 사이의 전파 경로를 따른 물질 특성이 급격하게 변할 수 있다. 이들 효과는 유압 심장 판막의 기계적 작동과의 관계를 증폭하기 위해 신호로부터 필터링되어야 한다.
4.1 센서 오배치
진동 파형의 표면 기록은 센서 위치에 크게 의존한다. 심장 진동의 근원은 심장의 가슴 내부에서 시작된다. 파동이 표면으로 전파됨에 따라 기록 위치는 진동파의 방향성과 가슴의 불균일성으로 인해 신호에 영향을 미친다. 지진 심전도의 일반적인 기술은 가속도계를 흉골의 검상돌기에 위치시키는 것이다. 그러나 일부 연구자들은 흉골 상부나 쇄골 중간선 등에서 5번째 늑간 공간을 사용한다. 이들 위치들의 각각은 강점과 약점이 있는 서로 다른 파형을 생성한다. 검상돌기를 고려하면 여전히 사용자 오류가 존재한다. 인체는 완벽하게 재현 가능한 형태가 아니기 때문에 경험이 없는 사용자에게는 센서를 이 위치에 부착하는 것이 어려울 수 있다. 숙련된 기술자와 함께 테스트하는 동안에도 흉골 근처에 센서를 부착하는 동안 다양한 VCG 파형을 관찰할 수 있다.
센서 오배치의 영향을 조사하기 위해 예비 연구를 수행하였다. 절차는 섹션 3.4에 설명되어 있으며, 단일 피험자가 가슴에 있는 센서의 여러 위치에서 측정된다. 예를 들어 제한된 결과는 이하의 도 24에서 볼 수 있는 바와 같이, AO 포인트이 더 약하고 센서의 배치가 심장에서 더 멀리 이동함에 따라 표면에 도달하는 데 더 오래 걸린다는 것을 보여준다.
이 연구는 진동파 전파의 기본이 되는 물리적 원리의 증거를 제공한다. 그러나, 인체의 불균일성으로 인해, 데이터에 많은 양의 노이즈가 있다. 따라서 위치가 VCG 판독값에 어떤 영향을 미치는지 더 잘 이해하기 위해, 배치 및 SCG 진폭에 관한 정량적 매핑을 제공하는 분석에 더 깊이 들어가기 전에 더 많은 피험자들에 대해 이 실험을 반복해야 한다. 이 실험은 피험자별로 시간이 많이 걸리므로 약 5-10명의 피험자를 테스트하여 분석에 대한 기반을 제공하고 애플리케이션에서 최상의 결과를 얻기 위해 센서를 배치할 위치를 지정하는 것을 목표로 한다. 센서가 최적의 위치에 배치된 후에도 VCG 파형에는 여전히 호흡, 활동 또는 모션 아티팩트와 관련될 수 있는 변화가 있다.
도 24: AO 진폭 및 타이밍의 변화. 축은 그래프들 사이에서 회전하여 두 관점을 모두 제공하는 점에 유의해야 한다.
4.2 호흡
정확한 위치설정에 이어, VCG 파형은 혈압의 변화와 무관한 변조를 경험한다. 많은 생리학적 측면에 기인할 수 있지만 가장 분명한 것은 호흡이다. 호흡 조절은 대부분의 형태의 생리적 신호에서 일반적이다. 그 효과는 일반적으로 베이스라인 방황, 주파수 변조 및 진폭 변조의 세 가지 방법에 기인할 수 있다. VCG의 경우 숨을 쉴 때마다 가슴이 오르락 내리락하면서 중력 가속도에 대한 센서의 위치가 바뀌므로 기준선 가속도가 바뀐다. 센서의 위치와 사람의 가슴 모양에 따라, 이는 3개의 축들 모두에서 볼 수 있다. 활성 과정인 흡입은 신경계로 인해 심박수의 변화를 일으킨다. 흡입하는 동안 신체는 가슴 근육에 더 많은 혈액을 공급하기 위해 심박수를 증가시킨다. 이 효과는 RR 간격이 짧아지는 ECG와 같은 다른 생리적 신호에서 나타났다. 아마도 각 비트마다 VCG 도메인 내에서 동일한 효과가 발생할 것이다. 그러나 명확하지 않은 것은 흡입과 관련하여 각 비트 내의 타이밍이 어떻게 변하는가이다. 따라서 포인트들과 흡입 사이의 관계를 특성화해야 한다. 마지막 주요 효과는 호흡에 의해 유도되는 VCG 신호의 진폭 변화이다. 이전 논문에서 본 발명자들는 평균 RMS 진폭의 변화가 호흡 단계가 아니라 폐 용적의 변화에 대응함을 입증했다. 아래의 도 25는 해당 백서에 게시된 이러한 효과를 보여준다. 발견 이면의 물리적 추론에 대해서는 아직 명확하지 않다. 흉부 밀도의 변화, 흉막내압의 변화 또는 심박출량의 변화를 포함하는 몇 가지 이론이 있다.
이것은 예비 연구였으며 평균 비트에서 작업했다: 이 연구는 음량으로 인한 효과를 특성화하기 위해 각 비트와 각 기준점에 미치는 영향을 연구하는 것으로 확장될 것이다. 또한, 이 연구는 정적 호흡 유지 중에 수행되었으며 알려진 폐 용적의 범위를 증가시키기 위해 폐활량계 측정을 사용하여 동적 호흡 운동으로 확장했다. 실험 절차는 섹션 3.2에 요약되어 있으며 이 섹션에서 분석을 시작하기에 충분한 데이터를 축적했다.
도 25: (a) 높은 폐 용적, (b) 낮은 폐 용적, (c) 모든 피험자에 걸쳐, (d) 모든 피험자들에 대한 RMS로 인한 파형 변화
4.3 노력(Exertion)
신호 변조에 대한 두 번째 주요 생리학적 기여는 운동 상태이다. 신체가 활동하고 더 많은 에너지를 소비하면 심장은 반응하여 신체의 나머지 부분으로 혈액을 더 빨리 펌프질한다. 심장이 더 빨리 뛰면 더 빠른 BTB(beat to beat) 간격으로 더 작은 박동량(SV)을 펌핑하여 혈액을 더 빨리 순환시킨다(따라서 BTB 및 LVET도 더 낮ek). 운동을 멈추면 순환이 덜 필요하므로 HR과 BP가 감소한다. HR이 더 낮아지면 충전 시간이 (심장의 심근 수축력에 따라) 충분히 증가되어 보다 큰 SV들이 펌핑될 수 있다. 그러나 보다 큰 SV는 더 큰 BP를 필요로 하므로 HR이 감소함에 따라 BP가 상승한다. 따라서 BP, SV, LVET 및 BTB 사이에는 비선형 관계가 있으며 이러한 측정 사이에 높은 결합이 있음을 보여준다.
이러한 효과는 VCG 형태에서 관찰되었다. 특히 심장 시간 간격은 낮은 BTB 간격에 비례하여 압축되는 반면 각 간격의 LVET 비율은 상대적으로 일정하다. 또한 운동 직후 신호 진폭이 크게 증가한 후 신체가 회복됨에 따라 진폭과 심박수가 급격히 감소한다. 그러나, 혈압에서는 정확히 동일한 증가와 기하급수적 감소를 볼 수 없으므로 VCG와 BP 사이의 명확한 매핑을 생성하기 위해서는 이를 고려해야 한다.
4.4 모션 아티팩트
여파(filtration)에 있어서의 마지막 단계는 모션 아티팩트를 필터링하는 것이다. 웨어러블 센서의 주요 단점 중 하나는 모션 아티팩트에 대한 민감성이다. VCG는 흉벽의 동작 기록으로 구성되므로 다른 모든 동작은 신호를 손상시키고 알고리즘 및 해석에 잘못된 결과를 생성할 수 있다. 모션 아티팩트는 신체 움직임, 발소리, 목소리, 위 또는 벤틸레이션과 같은 신체 내부의 소리와 같은 다양한 소스에서 발생할 수 있다. 섹션 3.4에 기술된 실험은 신체 움직임 및 걷기와 관련된 모션 아티팩트에 중점을 둔다. 이러한 질병을 검출하고 제거하는 것은 VCG 시스템의 실제 구현에 필수적이다. 사용자가 항상 누운 자세로 움직이지 않는 것은 아니기 때문이다. 그러나 최상의 실험실 환경에서는 감시되는 피험자가 상대적으로 조용하고 가만히 있기 때문에 이러한 효과가 낮다고 가정할 수 있다. 현재 데이터를 수동으로 검사하고 식별할 수 없는 신호는 폐기했다. 그러나 실제 시스템에서 구현하면 수동 분석이 불가능하다. 소음을 줄이기 위해 가속도와 회전 데이터를 비교하여 구현되는 간단한 솔루션이다. 이 원칙에 따라 일부 노이즈는 직교 측정에 다르게 영향을 미치므로 거부된다. 큰 모션 아티팩트는 여전히 두 신호를 손상시킬 수 있으며 이 방법은 실패한다. 섹션 3.4에 기술된 실험에서 이중 센서 구성(섹션 2.2.2)을 사용하면 큰 아티팩트를 완화할 수 있다. 두 번째 센서는 가슴 뒤쪽의 거의 같은 위치에 배치되기 때문에 두 개의 센서는 더 큰 아티팩트들과 나란히 있어야 한다. 또한 척추에 센서를 배치하면 VCG 신호를 충분히 포착하지 못하므로 기록하는 모든 움직임은 모션 아티팩트들과 관련될 수 있다. 이러한 실험의 분석은 아직 완료되지 않았으며 EMBC 회의에 제출할 가능성이 높다. 이중 센서 구성을 사용하면 최소한의 소프트웨어 및 처리 복잡성이 추가되지만 하드웨어 및 시스템 복잡성이 증가한다. 일부 애플리케이션에서는 단일 IMU만 사용되므로 이중 센서 구성에 의존하여 모든 모션 아티팩트를 제거할 수 없으며, 단일 센서 데이터를 해석하는 데 알고리즘이 필요하다. 현재 개발되지 않았지만 신호 에너지, 방향성 또는 기계 학습 기술과 같은 모션 아티팩트를 해결하는 몇 가지 방법이 있다. 이들 방법은 최선의 혈압 추정에 대한 견고한 기반이 도출되면 다음 학기에 탐구될 것이다.
4.5 결론
생체 인식 데이터를 기록하기 위해 IMU를 사용하는 주요 이점은 단일 센서에서 사용할 수 있는 풍부한 정보이다. 그러나, 단점은 모든 정보가 관련성이 없고 추출하려는 정보에서 일부를 분리해야 한다는 것이다. 어려움은 센서가 부착되었을 때, 실험의 개시에서 시작된다. 부착물이 잘못 배치되면, VCG 신호에 비선형 효과가 발생할 수 있으므로 이를 특성화하기 위한 보다 나은 연구가 필요하다. 다음의 주요 장애물은 호흡이며, 이는 커플링들을 정량화하기 위해 작업이 진행 중인 VCG 기록에 생리학적 및 체계적으로 결합된다. 활동은 호흡과 유사하게 신호에 영향을 미치지만, 휴식 시나리오에서는 그 효과가 무시할 수 있다. 마지막으로, 모션 아티팩트 검출 알고리즘은 시스템의 실제 구현에 필수적이다.
5. BP의 분석적 유도
혈액은 심장을 통해 폐와 몸 사이를 순환한다. 신체의 산소 공급과 온도를 유지하는 것은 이송 메커니즘이다. 혈류는 심장 내부의 심실 수축에 의해 생성된 압력 차이의 결과이다. 방향성은 단방향 유압 밸브에 의해 조절된다. 심장 운동에 의해 발생하는 진동은 흉골에서 측정할 수 있지만 파동의 생리학적 경로는 아직 분석되지 않았다. 심초음파를 사용한 연구에서는 심장 판막의 개폐가 흉골에서 높은 진동 진폭의 발생과 일치한다는 것을 발견했다. 물리적 모델은 이러한 흉골 진동이 세로 심실 수축 및 혈액 분출과 같은 과정 중에 갈비뼈에 작용하는 심장의 압력에 기인한다고 한다. 이 관점은 진동 파형에서 변곡점의 기준점과 판막 움직임의 일치를 확인한다. 예를 들어, 대동맥 판막 열림(AO) 이벤트와 일치하는 가속 파형의 피크는 판막이 열리면서 속도가 급격히 증가함을 나타낸다. 승모판 개방(MO) 이벤트는 심실이 수축될 때 심장이 흉강에 더 적은 압력을 가하기 때문에, 진폭이 더 작지만 파형의 유사한 진동과 일치한다. 신호의 형태에 대한 판막 이벤트의 이러한 직접적인 영향은 심음도와 같은 진동 파형이 기계적 판막 작동과 강한 인과 관계를 나타냄을 시사한다. 따라서 본 발명자들의 작업은 판막 운동이 VCG 파형 형태의 특징인 주요 진동 기능을 생성한다는 가정에 기초한다.
5.1 심장 주기
심장 주기는 심방 이완 동안 심실 수축에 이어 심방 박출 동안 심실 이완으로 구성된다. R 피크는 심장의 수축기 단계의 시작을 표시하며, 이 시점에서 전기 충격으로 인해 심실이 수축하고 대동맥과 폐동맥을 통해 혈액이 배출된다. 혈액은 폐정맥과 상대정맥과 하대정맥을 통해 수동적으로 심방을 채우기 위해 신체에서 동시에 되돌아온다. 심방이 채워지고 심실이 비워지면 이완기가 시작된다. 이것은 심방이 심실을 다시 채우는 심실 이완 기간이다. 심실이 채워지면 심장 주기가 다시 시작된다. 분당 심실에 의해 펌핑되는 혈액의 총량은 심박출량(CO)이며 심장을 통과하는 혈류 속도를 나타낸다. 심장의 양쪽은 동기화되어 있지만 좌측이 폐에서 전신으로 산소가 공급된 혈액을 순환시키기 때문에 좌측이 더 크다. 따라서 다음 논의는 대동맥판과 승모판에 의해 혈류가 조절되는 좌심실에 초점을 맞출 것이다.
도 26: 판막, 심실, 심방 및 주요 혈관을 나타내는 심장의 개략도.
5.1.1 대동맥 및 승모판
승모판(MV)은 좌심방과 좌심실 사이의 흐름을 조절한다. 이완기 동안 심방 수축의 결과인 좌심방 압력이 좌심실 압력 Pven보다 높을 때 열린다. 반대로 수축기 박출 중에 발생하는 Pven이 높을 때 닫힌다.
대동맥 판막(AV)은 좌심실과 대동맥 사이의 흐름을 조절한다. 좌심실 압력 Pven이 대동맥 압력 Poar보다 높을 때 열리는데, 이는 수축기 동안 심실 수축의 결과이다. 반대로 이완기 재충전 중에 발생하는 Poar가 높을 때 닫힌다.
심장 판막의 탄성은 심장 판막에 걸친 혈압 차이에 대한 수동적이고 기계적인 반응을 허용한다. 승모판 폐쇄(MC), 대동맥 개방(AO), 대동맥 폐쇄(AC) 및 승모판 개방(MO) 판막 이벤트는 심장 시간 간격을 평가할 수 있는 기계적 신호에서 기점 마커를 제공한다. 구체적으로, MC 및 AO는 각각 등용적 수축 기간(IVCP)의 시작 및 끝에서 발생하고, AC 및 MO는 등용적 이완 기간(IVRP)을 정의한다. MC 이벤트 후 IVCP 동안 심실 압력이 증가하여 AO 이벤트가 발생한다. 판막 운동의 충동적인 특성은 첫 번째 심음과 일치하는 흉골 진동에 대한 강력한 기여를 시사한다. 판막 작동과 흉골 진동 사이의 이러한 상관관계는 심초음파를 통해 추가로 확인했다. 따라서, 이러한 기준점의 진동 진폭은 심장 근육 수축성과 암묵적으로 심장 압력 주기와 관련이 있다. 이러한 방식으로, 심장의 동적으로 변화하는 압력 수준은 판막 움직임을 직접 자극하며, 이는 흉골에서 검출된 진동 진폭을 특정한다.
5.1.2 심장 유도 진동
심장 압력 수준은 심장 주기에서 판막의 유압 작동을 결정한다. 판막이 열리면 주변을 압축하고 초저주파 범위의 진동파를 생성한다. 이 파동은 흉부를 통과하여 흉골에서 VCG(Vibrational Cardiography) 신호로 기록했다. IMU 센서는 Z축이 몸의 등배축을 따라 바깥쪽으로 향하도록 흉골의 검상돌기에 위치된다. 흉골과 관련된 정확한 위치는 테스트 중에 확인할 수 없었다. 6개의 직교 동작 신호를 센서로부터 획득하고 50Hz에서 저역 차단을 사용하여 필터링했다. 심장 활동에 의해 생성된 선형 
및 회전 
벡터는 다음과 같이 좌표축에 투영했다:
이는 세로 및 전단 적외선에 대응한다. 이들 
및 
성분들은 IMU 센서 신호에서 SCG(Seismocardiography) 및 GCG(Gyrocardiography) 파형으로 필터링했다. 선형 
의 좌표축에 대한 투영은 다음 방정식을 사용하여 검색했다.
알려진 센서 방향을 사용하여, 
성분은 
벡터의 방향에 대한 대체물로 사용했다. 비교적 높은 진폭의 진동은 그 주파수가 15-40Hz 사이의 실험적으로 검증된 범위 내에 있고 발생이 준주기적인 경우 MC-AO 복합체로 분류했다. 이들 큰 진동은 슬라이딩 윈도우 내의 모든 포인트에 대한 진폭 차이를 비교하는 VarWin 함수에 의해 향상되었다. 이러한 방식으로, 신호의 진동은 중심이 
에서 발생되는 피크로 변환되었으며, 느리게 변화하는 방향 변경 또는 모션 아티팩트의 스파이크는 대부분 필터링되었다. AO 타임스탬프를 참조로 사용하여 식별 정확도를 향상시키기 위해 다른 축에 나타나는 AO 진동의 구성 요소를 교차 검증했다. 유사한 프로세스로 AC-MO 복합체의 분류가 가능해졌다. 그러나, VCG 형태의 높은 변동성으로 인해 개별 판막 이벤트는 각 심음에 해당하는 진동과 상대적으로 구별할 수 없었다. MC-AO 컴플렉스와 관련하여, ECG R-peak의 발생은 t
이기 때문에 MC 포인트의 대용으로 사용했다. VCG 신호에서 측정되거나 추정된 심장 시간 간격은 다음과 같다:
여기서, 
및 
는 심장 주기의 수축기 및 이완기 단계의 지속 시간이고, 
는 박동간 간격, 
는 박출 전 기간, 
는 좌심실 박출 시간(LVET) 및 첨자 -1은 이전 심장 주기에서 발생하는 이벤트에 해당한다. 심장 판막 동작은 전적으로 혈압 차이에 의해 결정되기 때문에 판막 관련 이벤트는 심장의 압력 교차에 대한 명확한 지표를 제공했다. 또한, 진동 진폭은 심박수에 따라 증가하는 것으로 밝혀졌으며 VCG 신호의 다른 기능은 BP 및 최대 산소 소비량과 상관 관계가 있는 것으로 밝혀졌다. 따라서, 본 발명자들는 심장 혈압 주기가 심장 판막 움직임과의 직접적인 관계를 통해 VCG 신호 형태에서 유도될 수 있다는 가설을 세운다. 이에 기초하여, 다음 섹션에서는 실험적인 VCG 파형에서 중심 대동맥 혈압을 계산하는 새로운 알고리즘 개발에 대해 설명한다. 본 발명자들의 방법은 맥파 분석, 다변량 회귀 및 오실로메트리를 포함하여 커프리스 BP 모니터링의 원칙을 따른다. PAT(Pulse Arrival Time) 및 PTT(Pulse Transit Time)의 일반적인 측정은 압력 수준과의 낮은 상관 관계로 인해 직접 사용되지 않지만 맥파 속도의 기술을 사용한다.
5.2 압력 유도 VCG 모델링
심장 주기의 역학은 심방에서 유지되는 결합된 압력-용적 관계에 의해 조절된다. 수축기 동안 심실 수축은 AV를 통한 혈액 분출을 유발하는 변화를 유도하고 이에 따라 심실 용적 
이 감소한다. 도 27a에 도시된 바와 같이, 심실 용적은 이완기 동안 다시 채워진다. 심장 주기 동안 
과 
사이의 이 관계는 도 27b의 P-V 루프에 매핑된다. 심장 측정에서 그 징후는 도 27c의 Wiggers 다이어그램으로 표시된다. 심실 압력과 대동맥 압력 사이의 관계도 다이어그램에 표시되어 있으며 다음과 같이 설명할 수 있다. 사전 박출 기간 
(
이후) 동안 심장 근육은 등용적 수축을 겪어 심실 압력 
을 급격하게 증가시킨다. 이때 중심 대동맥 혈압 
는 이완기압 
와 일치한다고 가정한다. 시간 
에서 
이 
를 넘어서면 AV가 열리고 혈액이 대동맥으로 분출되어 
가 증가하게 된다. 이 유압식으로 유도된 판막 동작은 주변에 기계적인 힘을 발생시켜 진동이 가슴을 통해 확산되고 흉골에서 검출되도록 한다. 대동맥 혈압 
는 최대 
에 도달하는 수축기 중간까지 
을 따라 계속 상승한다.
따라서, 심장 압력과 VCG 파형 형태 사이의 관계를 설명하는 모델은, (i) 심실 압력 주기가, (iv) 가슴을 통해 전파하는 진동 파들을 발생하는 (iii) 유압식 판막의 기계적 움직임을 통해 (ii) 중심 대동맥 압력 주기를 어떻게 생성하는지를 설명해야 한다.
도 27은, (a) 심실 압력 및 용적의 전형적인 변화, (b) 심장 주기를 나타내는 P-V 루프 및 (c) 압력, 용적, ECG, PCG 및 SCG의 동기화된 변화를 나타내는 Wiggers 다이어그램을 도시하는 심장 압력 주기이다.
5.2.1 중앙 대동맥 혈압
중심 대동맥 혈압은 일반적으로 90/60에서 120/80 사이이다. AV가 열리면 AV의 제한된 영역이 심실 압박에서 방출되는 혈액의 흐름을 제한한다. 결과적으로 
은 계속 증가하고 
는 둘 다 같아질 때까지 계속 증가한다. 최대 
는 수축기 혈압 
로 기록되는 것에 유의한다.
혈관 확장을 설명하면서 AV 및 대동맥의 치수 및 재료 특성을 사용하여 
가 
를 어떻게 따르는지 추정할 수 있다. 이 관계는 심실과 대동맥 근부 사이의 압력 차이인 AV 전체의 압력 구배에 반영된다.
이것은 AV의 유압식 기계 작동의 특성과 강도를 결정한다. 이 구배는 포물선 모양의 곡선을 따르는 것으로 밝혀졌으며 트레일링 에지에서 기울기가 0인 3차 다항식에 피팅했다. 그것은 
를 유도하는 데 사용되었으며 결과적으로 수축기 및 이완기 압력 수준이다.
IVCP 동안, AV는 닫힌 상태를 유지하고 
은 크게 증가한다. AO 이벤트에서 압력 차이는 AV를 개방하기 위해 필요한 임계 압력으로 제공되며,
AO 이벤트 직후 대동맥 혈압의 변화는 무시할 수 있는 것으로 가정하여, 변화하는 압력 구배가 심실 압력에 의해서만 결정되도록 한다.
AC에서 수축기 단계의 끝에서, 판막에 걸친 안정화된 압력 평형으로 인해 무시할 수 있는 흐름이 있을 때 AV가 닫힌다.
이 시점에서, 압력 구배는 더 이상 변경되지 않는다.
이완기 혈압이 초기 교정 기간에 결정될 수 있다면 그에 따라 측정값을 조정할 수 있다.
그러나, 이 접근 방식은 유도에 
를 포함시키면서 AO 이벤트 직후 초기 차압을 무시할 수 없기 때문에 결함이 있다. 따라서, 변화하는 압력 구배를 5차 다항식으로 모델링하거나 섹션 6의 시뮬레이션 결과에서 물리적 관계를 추출해야 한다. 이들 결과가 성숙해질 때까지, 조각별 함수와 같은. 문제를 과도하게 구속하지 않는 보다 좋은 접근 방식이 필요할 수 있다. 그러나, 예비 조사로서 이 접근 방식은 DSP 코드에서도 에뮬레이션되었다. 섹션 5.3.5에서 기술하겠지만, 그 결과는 이 접근법에 대한 새로운 조사 방향에 동기를 부여했다. 피팅된 다항식의 정확도가 개선되면, 이 피팅된 다항식을 물리적으로 유효한 대동맥 압력 파형으로 성형하기 위해 물리적 제약 조건을 통합한다.
5.2.2 심실 압력 주기
수축기 동안의 심실 압력 
의 거동은 연속파 도플러 심초음파와 침습적 카테터 삽입의 조합을 사용하여 모니터링했다. 카테터가 정확한 압력 측정을 제공하는 동안 유체로 채워진 카테터 시스템이 심초음파로 설명되는 측정 지연을 유발하는 것으로 나타났다. 그럼에도 불구하고 두 결과 모두 
곡선의 포물선 특성을 나타낸다. 이 맥락에서, 
은 다음과 같이 계수 p1, p2 및 p3을 갖는 2차 다항식으로 모델링된다.
계수가 전체 신호 시간과 무관하도록 시간 변수의 시작점을 A0로 이동했다. 이러한 맥락에서, 계수 값은 각 심장 주기 내에서 심실 압력의 거동을 직접적으로 반영한다. 후속 유도는 CC의 경계 조건을 활용하여 다항식의 계수를 계산한다.
AO 이벤트 발생 시 
은 
보다 특정 임계값 
만큼 높으며 이는 밸브의 탄성에 의한 것으로 추측된다. 판막의 기계적 특성이 덜 빠르게 변하기 때문에 이 임계값은 일정한 것으로 가정했다.
심실 압력의 변화는 시간에 대한 다항식을 미분하여 구할 수 있다.
그러나, p2가 심실 압력 그래프의 기울기를 나타내는 경우 
에서 t=0이라는 점에 유의한다,
대략 수축기의 중간에서 발생하는 최고 심실 압력에서 기울기는 0이다.
MC 이벤트의 발생은 수축기의 시작을 표시하며 ECG R-피크의 발생으로 근사화할 수 있다. 또한 
이 다음과 같은 등용적 수축 기간(IVCP)의 시작을 표시한다.
(4)에 방정식 (5) 및 (6)을 대입하면,
따라서 곡선을 적절하게 제한하여 VCG 파형에서 심실 압력을 추정할 수 있다. 그러나, 이 2차식 피팅은 압력-체적 루프의 물리학을 고려하거나 활용하지 않는다.
5.2.2.1 AV에서 혈액 배출
심실 수축은 
을 증가시켜 AV를 강제로 열고 혈액을 대동맥으로 분출하여 대응하는 심실 용적 
을 감소시킨다. AV를 통해 흐르는 혈액의 속도는 대동맥으로 분출되는 혈액의 속도와 일치한다고 가정했다. 따라서 압력 수준 
및 
는 베르누이 방정식을 통해 관련된다.
혈액의 밀도가 1060kg/m3인 경우, 판막에 걸친 압력 구배는 다음과 같다:
이 값을 mmHg로 환산하면,
AV를 통한 혈액 제트의 방출 속도가 최대일 때 방정식은 AV와 MV 모두에 유효한 단순화된 형태로 축소된다.
좌심실에서 AV로 흘러나가는 혈액도 연속 방정식을 통해 관련된다:
AV에서 박출 속도에 대한 심실의 기하급수적으로 감소하는 혈액량의 이 영향은 차압이 최대 속도 
에서 감소하는 부피와 어떻게 관련되는지 직접적으로 설명한다.
섹션 5.2.3에서 
의 진폭으로부터 AV에 걸친 차압을 도출할 수 있고 AV 
의 최대 단면적을 섹션 5.2.3.1에서와 같이 추정할 수 있다고 가정하면, 이 방정식은 좌심실의 감소하는 용적을 나타낸다. 좌심실 용적의 이러한 감소는 센서에 의해 측정된 흉골의 변위와 관련이 있을 수 있으며, 따라서 BP와 관련된 계산의 유효성을 제공할 수 있다. 박출량과 추가적 관련이 있을 수 있다.
박출량은 신체 표면적(BSA)의 함수로 추정할 수도 있다. BP 계산에서 이 지표의 중요성은 아직 결정되지 않았지만 BP의 주요 지표와의 직접적인 연결은 유용할 수 있음을 시사한다.
5.2.3 유압 판막의 기계적 작동
AO 이벤트가 발생하는 동안 
이 
에서 그의 값 이상으로 상승하지 않으면 AV의 탄성으로 인해 임펄스를 생성하는 대신 이완되어 열리게 된다. 이는 차압 dΔP/dt의 변화율이 AV가 열리는 속도와 AO 이벤트로 인한 진동과 관련이 있음을 시사한다. 진폭 
따라서 
곡선의 상향 기울기에 매핑될 수 있다. dP/dt 메트릭은 일반적으로 심실 수축성의 지표인 것에 유의한다.
심장 판막을 여는 데 필요한 기계적 에너지는 판막 양쪽의 혈압 수준 차이에 의해 생성된다. AV에 걸쳐, 심실과 대동맥 사이의 압력 차 
는 차동 힘을 생성한다.
판막 AAV의 단면적은 섹션 5.2.3.1에서 계산된다. 이 차동 힘 ΔFAV는 대동맥으로의 혈류를 유도하며, 그 동안 힘의 일부가 판막을 열어두기 위해 옆으로 방향이 바뀐다. 수축기 동안, 이 비율은 판막을 여는 데 필요한 힘 F⊥에 의해 균형을 이룬다. 판막이 열리는 정도는 판막이 열리면서 감소하는 판막 벽의 점탄성뿐 아니라 압력 차이에 따라 달라진다.
여기서 Fth는 밸브를 여는 데 필요한 임계값 힘이다. 이 두 적대적인 힘들 사이의 동적 관계는 밸브가 열리는 속도를 결정한다. 임계값을 넘어서면 이 유압식 차동력은 주변 매체를 압축하는 횡력으로 AV를 연다. 이 기계적 움직임의 에너지 중 일부는 진동파로 주변 매질을 통해 확산된다. 압축력은 심근을 유사탄성 물질로 취급하여 모델링할 수 있다. 요약하면, 유압력은 임펄스로서 밸브의 측면으로 방향이 바뀌며, 이는 주변에 가해지고 압축파로 전파된다.
5.2.3.1 AV의 단면적
대동맥륜의 최대 직경으로부터 AV의 단면적을 계산하였고, 이는 관계식을 이용하여 피험자의 체표 면적(BSA)으로부터 추정하였다:
Biopac을 사용하여 얻은 모든 실험 결과에 대해 Mosteller 공식을 사용하여 면적 ABSA를 계산했다. 이 직경은 수축기 동안 AV의 최대 개방, 즉 단면적 AAV의 상한을 나타낸다. BSA와 환형의 관계가 직접 주어지지 않았기 때문에 대동맥 상부 직경과 대동맥 환형 사이의 차이를 설명하기 위해 계수 0.2가 포함되었다는 점에 유의해야 한다.
5.2.4 진동파 전파
흉골의 진동파는 전파 중에 특징적인 에너지 프로파일을 유지한다. 결과적으로 진동의 에너지 스펙트럼은 판막 운동으로 인한 압박과 직접적으로 연결될 수 있다. 이러한 맥락에서, AO 이벤트의 에너지는 진동 신호의 운동 에너지에서 얻을 수 있으며,
흉골의 질량 m과 관성 모멘트 I는 단일 테스트 기간 동안 일정하다고 가정할 수 있다. 따라서 진동 운동 에너지 파형의 모든 변화는 IMU 센서에 의해 측정된 6개의 자유도에서 직접 나타난다. 3차원 각속도는 IMU 자이로스코프에 의해 직접 측정했다. 그러나, 선형 운동에 해당하는 신호는 가속도 단위로 측정되었기 때문에 적분이 필요했다. 따라서, 선형 속도는 사다리꼴 통합을 사용하여 가속도 신호를 통합하여 계산했다.
도 28: 세 개의 기본 축에 대한 VCG 신호의 스펙트럼 프로파일.
신호의 스펙트럼 프로파일에서 고조파와 함께 공진 피크가 관찰되었다. 18Hz보다 높은 주파수는 판막 작동에 기인한 반면 0.6-20Hz 범위의 낮은 주파수는 심실 수축으로 해석되었다. 18Hz를 넘는 가장 큰 주파수 성분은 밸브 작동에 의해 생성된 진동 펄스의 피크 진폭과 관련이 있다. 각 심장 주기에서 18Hz 이상의 피크 주파수와 관련된 진폭은 AO 이벤트의 발생으로 분류했다. 향후 단계에서 이 신호는 푸리에 변환을 사용하여 주파수 영역에 통합된다.
이를 위해서는 각 심장 주기에 대해 별도의 처리 또는 통합 단계가 필요할 수 있다. 이 시나리오에서 주파수 영역 분석은 하나가 아닌 세 개의 심장 주기에서 생성된 VCG 신호의 앙상블 평균에 대해 추가로 수행될 수 있다. DSP 코드의 안정성은 3회 연속 심장 주기의 집계에서 증가할 것으로 예상된다. 진동파의 에너지 프로필이 확보되면 전파 중 변조도 계산해야 한다. 특성을 유지함에도 불구하고 흉골에서 검출된 진동 펄스는 흉부의 점탄성 매질을 통해 거리 를 전파함에 따라 주파수 의존적 감쇠 
및 분산을 겪는다.
여기서 f는 파동의 주파수 성분, P는 압력, 
및 
는 점탄성 재료의 경우 
및 
, 인체 조직의 경우 ≥ 1인 재료 파라미터이다. 이러한 감쇠 및 분산 전달 함수는 피험자 시험의 실험 데이터를 피팅하여 얻을 수 있다. 예를 들어, 신호 형태에 대한 센서 위치 및 호흡량의 영향은 신호 스펙트럼에서 발생하는 해당 변화에 의해 검출될 수 있다. 이 이론은 섹션 4.1에서 설명한 센서 위치 연구의 예비 실험 결과에 의해 확인했다. 파일럿 연구에서는 센서가 특정 방향으로 검상돌기로부터 더 멀리 배치됨에 따라 신호 스펙트럼에서 공진 피크의 주파수, 위상 및 진폭의 비례적 이동이 밝혀졌다. 이러한 전달 함수의 개발은 동맥 위쪽의 요골 동맥 압력 파형을 중앙 대동맥 파형으로 매핑하기 위해 개발된 수학적 변환과 유사할 것으로 예상되며, 이는 참조 BP 모니터의 작동 원리이기도 하다.
5.3 알고리즘 개발
이전 섹션의 유도는 DSP 코드의 형태로 방정식을 대략적으로 에뮬레이션하는 알고리즘과 함께 개발했다. 신호 구성 요소의 원치 않는 향상을 방지하기 위해 원시 신호에는 표준 필터링 기술을 사용하지 않았다. 예를 들어, 주파수 도메인 필터에는 필터링된 신호의 스펙트럼을 왜곡하는 통과대역 리플이 포함되어 있다. 이러한 왜곡은 처리 스트림을 따라 추가로 아티팩트에서 나타날 수 있으며 측정 결과에서 예상치 못한 부정확성을 초래할 수 있다. 측정이 완료되면 필터링 기술의 영향을 추가로 조사할 수 있다. 누운 피험자에 대한 IMU 신호의 주요 노이즈 소스는 수동으로 필터링된 호흡 요소였다. 필터링되지 않은 신호에 대해 다음 신호 처리 단계가 수행되었다.
5.3.1 VCG 신호 재샘플링
센서에서 획득한 VCG 신호는 VCG 파형의 최대 주파수 성분이 50Hz로 실험적으로 확인되었지만 약 300Hz의 주파수로 샘플링된다. 이는 샘플링 주파수를 100Hz로 줄여 정확도 손실을 무시하고 상당한 속도 향상을 얻을 수 있음을 의미한다. 안전 예방 조치로 샘플링 주파수 fs는 200Hz로 설정했다. IMU 신호는 이 주파수와 일치하도록 선형 보간했다. 이것은 코드에 의해 처리되는 모든 센서 신호에 대해 일정한 샘플링 주파수를 유지했다.
5.3.2 호흡 필터링
FFT(Fast Fourier Transform) 기능을 사용하여 6개 축 모두의 주파수 스펙트럼을 얻었다. 이러한 스펙트럼은 회전축과 가속도 축 사이의 크기 변화를 제거하기 위해 정규화했다. 정규화는 또한 6개 스펙트럼 모두에서 가장 높은 주파수 성분이 동일한 크기를 갖도록 보장했다. 0-2Hz 범위 내에서 이러한 스펙트럼을 합산하면 호흡수(RR)로 식별되는 증폭된 피크가 생성했다. 이 RR을 사용하여 4차 Savitsky-Golay 필터는 프레임 길이(샘플링 포인트 수)로 다음과 같이 구성했다.
이 필터를 이용하여 각 축의 호흡성분을 추출하였다. 호흡 활동은 6개 축 모두에서 느린 진동으로 나타나므로 선형 영역과 각도 영역에서 분리하여 3개 축 모두에 공통적인 주파수 성분만을 고려하여 호흡 신호를 추출했다. 세 축들의 각 세트에 걸쳐 필터링된 호흡 신호의 평균 주파수 스펙트럼이 얻어졌다. X축의 각도를 가속도 스펙트럼의 각도로 설정하고, Y축의 회전 스펙트럼의 각도를 전체 회전 각도로 설정하였다. 두 파형은 둘 사이의 위상 지연을 보상하기 위해 어느 방향으로든 동일하게 이동되었다. 두 파형들 사이의 평균은 도 29에 도시된 호흡량(RV)의 추정치를 생성했다.
도 29: 호흡량은 폐활량계(황색)에서 직접 통합되고, 재설정(적색)되고 IMU 센서(청색)로부터 계산된다.
이 방법을 사용하여 추출된 호흡 활동은 대부분의 데이터 세트에 대해 폐활량계와 유사한 결과를 생성했다. 도 29에서 알 수 있듯이 기준 측정 자체는 신뢰할 수 없었다. 이는 폐활량계가 입의 공기 흐름을 측정하도록 설계되었기 때문에 신호가 통합되고 RV로 보정되면 계산이 부정확해지기 때문이다. 센서가 흉부 움직임과 코를 통한 흡입도 검출했기 때문에 센서와 폐활량계 사이에 추가적인 불일치가 발생했으며 이는 폐활량계의 기류 측정에서 나타나지 않았다.
미래에, 모든 6개 축들간의 위상 불일치는 개선을 위한 가장 큰 가능성을 제공한다. 신호 구성 요소들 사이의 지연을 적절하게 정렬하면, 계산된 RV 파형의 충실도를 크게 높이고 폐활량계만큼 정확한 측정값을 생성할 수 있다. 이와 같은 측정은 센서의 검출 축에서 호흡 운동의 벡터 투영에 대한 통찰력을 제공한다. 이를 통해 횡경막과 늑간근에서 발생하는 움직임을 구별할 수 있으며 그 결과는 섹션 3에 기술된 호흡 테스트를 통해 추가로 확인될 수 있다. 호흡 신호의 정확한 추출은 센서 신호로부터 호흡의 정확한 여과로 직접 변환되어, 보다 높은 충실도의 VCG 파형을 생성한다. 그러나, VCG 파형의 진동 진폭에 대한 호흡량의 영향을 복조하기 위해서는 능동적 여과 기술도 필요하다.
5.3.3 심장 주기의 분류
VCG 형태의 정확한 분석은 주로 신호 내의 개별 심장 주기의 식별에 의존한다. AO 이벤트와 일치하는 높은 진동 진폭은 전형적으로 각 심장 주기의 지표로 사용되며 연속적인 AO 이벤트 사이의 VCG 파형의 의사 주기성을 사용하여 교차 검증될 수 있다. 진동 진폭은 이전에 파형을 따라 슬라이딩 윈도우 내 포인트들 간의 차이를 측정함으로써 큰 진동 진폭을 증폭하는 VarWin 기능을 사용하여 증폭했다. 그러나 VarWin 기능은 서로 다른 축에 대한 미세 조정이 필요했고 보다 깨끗한 신호로 제한되었다. MC-AO 컴플렉스의 향상은, BP 분석을 위한 포괄적인 테스트에서 얻은 것과 같은 노이즈 신호에 대한 추가 개선이 필요했다. 그 결과, VarWin의 기능은 포인트들 사이의 거리는 물론 진폭을 포함하도록 확장되었다. 이러한 의미에서, 윈도우에서의 포인트들 사이의 변동은 후에 그들 사이의 거리로 나뉘어지게 되어, 임의의 두 포인트들을 연결하는 선의 기울기로 된다. 따라서, VarWin 함수는 슬라이딩 윈도우 내에서 최대 도함수를 계산하는 DerWin이라는 함수로 확장되었다. 출력 파형은 도 30에 도시된 바와 같이 첫 번째 및 두 번째 심음과 일치하는 명확하게 식별 가능한 일련의 Lorentzian 피크로 구성했다.
도 30: (a) VarWin(상부) 및 DerWin(하부) 기능의 출력과 (b) 심장 주기에 의해 분리된 DerWin 출력 사이의 비교.
이 작업의 목적은 심장 박동을 식별하는 것이 아니라 이를 분석하는 것임에 유의한다. 이러한 맥락에서, ECG 신호는 MoArt 및 기타 노이즈에 덜 민감하기 때문에 심장 주기는 ECG 신호의 R 피크로 구분된다. 이러한 마커의 선택은 R-피크의 타임스탬프가 물리적으로 심장 주기의 시작을 나타낸다는 사실에 의해 재확인되었다. 이 심장 주기의 분리는 또한 섹션 7에서 수행된 통계 분석에 필요한 입력 데이터를 제공했다. 일단 분리되면, 두 개의 Lorentzian 피크가 각 심장 주기에서 DerWin 출력의 절반에 맞춰지고, 이는 MC-AO 및 AC-MO 복합체와 일치하는 것으로 나타났다. 이는 VCG 파형으로부터 LVET의 정확한 계산으로 이어질 수 있으며, 이는 ICG로부터얻어진 LVET와 비슷한 정확도를 생성하는 것으로 추정된다. 이러한 피크의 진폭과 폭은 아직 결정적인 결과가 없는 BP에 관한 계산에서 조사되었다. 진폭은 RV 측정에 해당하는 천천히 변화하는 진동을 표시했다. 폭의 특성은 아직 알려진 생리적 측정과 일치하지 않는다. 본 발명자들는 진폭과 폭의 조합이 각 이벤트의 진동 에너지에 매핑될 수 있다고 추측한다. 마지막으로, 피크의 위치는 ECG, ICG 및 NIBP 참조와 비교할 때 높은 정확도의 HR 및 BTB 측정을 생성했다.
5.3.4 신호 에너지의 추출
섹션 5.2.4에서 설명한 바와 같이, 각 판막 이벤트에 대한 센서 신호에 포함된 진동 에너지의 계산은 VCG 파형으로부터 BP를 도출하는 데 필수적이다. 이 프로세스는 선형 가속도 신호를 속도로 정확하게 변환하는 것을 요구한다. Lorentzian을 통한 심음 식별 및 호흡 필터링과 관련하여 개선이 이루어졌지만, 이들 개선은 충분하지 않았다. 센서에 의해 획득된 가속도 신호는 센서에 대해 계산된 변위를 미분하여 획득한 것과 일치하는 속도 그래프를 아직 생성하지 않는다. 이는 높은 수준의 백색 잡음과 같은 소스의 간섭에 대한 센서의 민감성과 센서를 흉골에 부착하는 테이프의 두께 때문일 수 있다. 도 31(b)의 키엔스 센서에서 관찰된 것과 같은 일관된 속도 파형을 생성하도록 센서 신호를 점검하기 위해서는 추가 처리가 필요하다. 측정의 일관성은 심장 유도 흉골 변위 측정의 충실도를 추가로 확인한다.
도 31: (a) 키엔스 센서로부터의 2차 미분 변위와 비교한 IMU에 의해 측정된 가속도, (b) 키엔스 센서로부터의 미분 변위와 비교한 IMU로부터의 적분 가속도, (c) 키엔스 센서에 의해 측정된 변위와 비교한 IMU로부터의 2차 적분 가속도, (d) (청색) IMU 가속도계, (적색) IMU 자이로스코프, (황색) 레이저 변위 센서에 의해 검출된 진동 운동 에너지의 속도 제곱 항.
이 프로세스의 유망한 결과는 회전 
및 
축들로부터의 각도 에너지의 
출력에서 발견되었다. 이 단계에서 생성된 일관된 Lorentzian 모양의 파형은 첫 번째 및 두 번째 심음에 해당하는 높은 SNR을 표시한다. 이들 파형은 섹션 5.3.3에 기술된 DerWin 출력과 유사한 방식으로 심장 박동 검출의 정확도를 높이기 위해 맞춰질 수 있다.
3개의 주요 진동 축들에 대응하는 스펙트럼이 도 28에 도시되어 있다. 이것은 주파수 영역에서 이 문제에 접근하는 것이 어떤 가능성을 제공할 수 있음을 보여준다. 도 28에 도시된 바와 같이, 신호 스펙트럼의 주파수 분포는 보다 일관된 분석을 제공할 수 있으므로 시간 영역 신호에 대한 통찰력을 제공하는 데 사용될 수 있다. 신호의 위상 프로필도 아직 조사되지 않았다. 일단 해결되면, 계산된 선형 속도는 심장 활동에 의해 전달되는 진동 에너지에 관한 포괄적인 분석을 가능하게 한다. 한 단계 더 나아가 가속도 신호의 변위 계산을 사용하여 AV 직경의 변화 또는 심실 부피의 감소를 추정할 수 있으며, 이는 섹션 5.2.2.1에 제시된 방정식을 사용하여 BP 측정을 지원하는 데이터를 제공한다.
5.3.5 혈압 추정
임의의 임상 혈압 모니터의 목적은 모든 심장 주기에 대한 중심 대동맥 압력 파형의 최대값 및 최소값을 실시간으로 계산하는 것이다. 수학적 변환을 사용하여, 중심 대동맥 혈압 파형은 손가락의 오실로메트릭 측정을 통해 얻은 해당 방사상 동맥압 파형에서 계산되었다. 특정 피험자에 대한 커프 혈압계 측정으로 보정되면, 이 기술은 도 32(a)에 도시된 바와 같이 방사상 파형의 말단으로 보정된 수축기 및 이완기 혈압의 측정값이 생성되었다. 마찬가지로, VCG 파형을 중앙 대동맥 파형에 매핑하는 기술이 이 프로젝트 보고서에서 개발되고 있다. 이전 논의에서는 문제의 각 측면을 해결하기 위해 서로 다른 접근 방식을 구축했지만 파형의 리버스 엔지니어링도 시도했다.
중앙 대동맥 파형은 피팅 파라미터 측면에서 섹션 5.2.1에서 논의된 대로 예측 가능한 경로를 따랐다. 다항식 피팅도 도 32(d)에서 볼 수 있는 바와 같이 실험적으로 조사했다. 먼저, 섹션 5.3.3에 기술된 분석을 사용하여 
및 
타임스탬프를 식별했다. 이 기간은 중심 대동맥 파형을 생성해야 하는 심장 주기의 수축기 단계로 확인했다. 첫 번째 시도로 2차 다항식으로 모델링하고 해당 방사형 파형의 수축기 및 이완기 값에 맞췄다. 곡선은 
및 
에 대응하는 시계열의 세 포인트들에 맞춰졌다. 계수 0.52는 대동맥 압력 파형이 최대 수축기 수준에 도달하는 시간으로 대략적으로 추정했다. LVET의 끝에서 제3 포인트의 압력도 맥압의 0.66%로 추정했다. 포물선은 기준 압력 파형에 적절하게 맞지만 파라미터는 섹션 5.2.1에서 파생된 다항식과 아직 일치하지 않는다. 다항식 피팅 간의 이러한 불일치를 해결하려면 추가 작업이 필요하다. 이 문제가 해결되면 이 적합 다항식을 물리적으로 유효한 대동맥 압력 파형으로 성형하는 물리적 제약 조건을 통합하여 적합 다항식의 정확도가 향상된다.
도 32: 언급된 다양한 생리적 지표들에 대한 처리된 VCG 신호. (a) NIBP 및 VCG 파형, (b) 폐활량계 및 IMU에서 파생된 RV, (c) SCG, ECG, ICG 및 NIBP 신호에서 HR, BTB 및 LVET 계산. ICG 기반 HR 계산에서 더 높은 오류율이 관찰되었다. (d) 각 심장 주기의 수축기 단계 동안 NIBP에서 얻은 sBP 및 dBP 측정값에 맞는 중앙 대동맥 혈압 파형. 이는 피험자 측정을 나타낸다. (e) 데이터의 처음 10초와 일치하도록 SCG 신호의 진폭을 단순히 스케일링하여 얻은 보정 압력. (a), (d) 및 (e) 그래프의 sBP 및 dBP 파형은 동일한 것에 유의한다.
미래에는, 각 심장 주기의 VCG 형태를 분석하기 위한 템플릿 매칭 접근법도 조사될 것이다. 템플릿은 고정된 기간(예컨대, 실험적으로 결정된 10-100초)의 슬라이딩 윈도우에 걸쳐 심장 주기의 앙상블 평균으로 구성된다. 이 접근 방식에서 각 새로운 심장 주기의 첫 번째 및 두 번째 심음은 LVET와 일치하도록 새로운 주기를 적절하게 확장/압축하여 템플릿과 정렬된다. 이 템플릿은 기본적으로 신호의 확률 함수를 나타내므로 시간 신호의 특성 변화는 템플릿과 비교했을 때 더 두드러지며, 이에 따라 DSP 분석에 활용할 수 있다. 예를 들어 심장 소리의 진동 진폭을 템플릿과 비교하여 VCG 형태의 박동들 간 변화에 대한 통찰력을 얻을 수 있다. 또한 템플릿은 센서의 특정 배치를 위해 구성되므로, 이 접근 방식은 파형 형태의 배치 종속 변화에 대한 필터링 효과를 제공할 수 있을 것으로 예상된다.
5.4 결론
VCG 파형과 중심 대동맥 혈압 사이의 관계를 구축하는 데 필요한 네 단계는 다음과 같다. (i) 센서 신호에서 특정 진동파를 추출하고 가슴을 통한 전파 매핑, (ii) 생성을 담당하는 심장 운동 모델링, (iii) ) 모델링된 기계적 동작의 수리적 원인 도출 및 (iv) 이 수리적 활동으로부터 압력 수준을 계산한다. 이 관계를 구축하는 데 필요한 이론과 DSP 코드는 10월에 분석이 시작된 이후 어느 정도 진전을 이루었지만 이러한 개별 단계가 솔루션으로 수렴되기 위해서는 더 많은 분석이 필요하다. 그럼에도 불구하고 개별 분석 구간이 서로 겹치기 시작할 정도로 성장했다는 점에서 분석 결과는 여전히 유망하다. 분석이 더욱 발전함에 따라 개별 섹션 간의 관계는 VCG와 BP 간의 글로벌 연결을 설명하는 솔루션으로 이어질 것이다.
6. VCG 유발 혈압의 시뮬레이션
흉부에서 얻어진 VCG 신호로부터 혈압을 정확하게 예측하려면, 모든 심장 박동에서 발생하고 반복되는 완전한 심장 주기를 연구해야 한다. 이 목표를 달성하기 위해 COMSOL Multiphysics® 소프트웨어를 사용하여 심장 판막의 차압에서 흉골 진동을 정확하게 모델링했다. 전기 활성 액추에이터에 전위를 적용하여 ECG 신호를 예상되는 전기 활동으로 변환하기 위해 심장의 전기 기계 모델을 구축했다. 수축으로 인한 결과적인 압력 차이는 탄력 있는 수압 밸브 개방을 통해 혈액을 분출하고 흉부를 나타내는 복합 재료를 통해 진동이 흉골로 전파되도록 했다. 그 다음, 이러한 진동파를 VCG 신호의 형태로 조사했다. 시뮬레이션 프로세스는 위에서 언급한 각 단계에 대해 다음 섹션으로 나뉜다. 섹션 6.1에서는 DEA(Dielectric elastomer Actuator)의 원리에 기초하여 심장 심실의 전기적 활동 모델을 설명한다. 심실에 걸친 전위차의 증가는 챔버 내부의 압력을 증가시킨다. 섹션 6.2는 이러한 압력 차이로 인한 고분자 심장 판막의 변형을 보여준다. 판막에 걸친 압력 차이의 증가는 판막 벽의 더 큰 변형을 초래하는 판막을 통과하는 혈액의 유속을 증가시킨다. 마지막으로, 섹션 6.3에서는 이러한 변형으로 인한 흉부를 통한 진동 전파에 대해 논의했다.
6.1 전기적 활동
심장의 심방과 심실의 수축과 이완은 동방 결절에서 생성되는 전기적 임펄스에 의해 제어된다. 전기적 펄스드은 심장 근육 세포를 통한 이온 흐름을 통해 전파된다. 임펄스 주기가 시작될 때, 세포막 내부에 나트륨 이온이 유입되면 세포막에 걸친 전압이 급격히 상승한다. 전압 펄스의 정점에서, 칼륨 이온의 외부 흐름과 칼슘 이온의 유입으로 인해 세포의 근형질 세망(SR) 구획에서 칼슘이 방출된다. 칼슘의 증가는 슬라이딩 필라멘트 방법에 의한 근육 수축을 초래한다. 이러한 동작을 시뮬레이션하는 것이 복잡하기 때문에 DEA 원리를 사용하여 전기적 활동으로 인한 구조적 수축을 모델링했다. DEA는 두 순응 전극 사이의 유전체로 전기 활성 재료로 구성된다. 외부 전기장이 가해지면, 전기 에너지가 기계적 에너지로 변환되어 전극이 유전체 엘라스토머에 힘(맥스웰 응력)을 가하여 유전체 크기와 모양이 변경된다. 다음 모델은 이 방법을 설명한다.
도 33: 심장의 전기적 활동을 연구하기 위해 제안된 모델의 형상.
도 34: 심실의 전위차로 인한 압력 변화.
제안된 구조의 기하학적 구조는 심실의 구조에 기초하여 참조 모델로 구축되었으며 도 33에서 확인될 수 있다. 구조의 외부 멤브레인과 내부 원통형 층은 심장 근육의 재료 특성을 포함하는 반면 그 사이의 물질은 혈액의 성질을 포함하는 액체로 채워져 있다. 시뮬레이션에 사용된 모든 재료 속성은 표 2에서 확인될 수 있다. COMSOL 내에서 구조 역학 모듈은 AC/DC 모듈과 결합되었다. 내부 원통형 층의 경계가 접지되는 동안 외부 층에 전압이 인가되었다. 이 섹션의 변위가 모든 방향에서 0이 되도록 이 경계에 고정 구속조건도 설정했다. 이는 외부 심장 근육층이 안쪽으로 변형되는 동안 전체 모델을 제자리에 고정하기 위해 수행했다. 맥스웰(Maxwell) 응력은 다음과 같이 정의할 수 있다.
여기서, ε0은 진공 유전율, ε는 비유전율, E는 전기장이다. 따라서, 수축력은 구조 전체의 전위차에 정비례한다. 구조물 전체의 전압 차이를 높이면 압력이 증가한다. 심장 근육의 내부 층에서 출력을 가져오는 동안 전압을 증가시키기 위한 고정 연구가 수행되었다. 그 결과는 도 34에 도시되어 있다. 이 방법을 통해 밸브를 작동하기 위해 다음 섹션에서 사용되는 압력 차이를 수정하고 설정할 수 있었다.
6.2 차압으로 인한 판막 동작
심장주기는 심실 수축과 이완의 두 가지 주요 단계로 나뉜다. 탈산소화된 혈액은 대정맥에서 우심방으로 흐르고 산소화된 혈액은 폐정맥에서 좌심방으로 흐른다. 혈액은 삼첨판을 통해 우심방에서 우심실로, 좌심방에서 승모판을 통해 좌심실로 흐른다. 심실이 채워지면 역압차의 결과로 두 판막이 모두 닫히며 첫 번째 심음 S1이 생성된다. 이 시점에서 심실은 폐와 대동맥 판막이 여전히 닫혀 있는 동안 수축하여 압력을 빠르게 증가시켜 등용적 수축을 일으킨다. 심실의 압력이 더 증가함에 따라 압력 차이로 인해 폐동맥 판막과 대동맥 판막이 열리므로 급속한 박출이 발생한다. 심실 압력이 폐와 대동맥의 압력 아래로 떨어지면 두 판막이 모두 닫히고 두 번째 심장음 S2가 생성된다. 이 시점에서 심실이 이완되기 시작하고 심실 압력이 감소하여 등용적 이완이 발생한다. 압력 차이로 인한 밸브 개폐를 연구하기 위해 다음 시뮬레이션이 수행된다.
도 35: 제안된 밸브 모델의 형상
수용 가능한 결과를 유지하면서 시뮬레이션의 복잡성을 줄이기 위해 심장 판막을 시뮬레이션하기 위해 간소화된 형상 접근 방식을 취했다. 도 35는 밸브의 형상을 나타낸다. 기하학적 구조는, (i) 대동맥 판막을 통한 단방향 혈액 흐름을 위한 챔버, (ii) 판막 벽을 나타내는 층, (iii) 심장 근육을 나타내는 선형 탄성 재료 층의 세 영역들로 구성된다. 시뮬레이션에 사용된 모든 재료 속성은 다음에서 찾을 수 있다.
표 5. 제안된 고분자 판막의 치수는 대동맥 판막의 단면적에서 가져와 시뮬레이션을 통해 더욱 최적화되었다. 3 영역들의 물질적 특성은 (i) 혈액, (ii) 동맥 및 (iii) 살에 해당한다. 구조 역학 모듈은 FSI(Fluid-Structure Interaction) 접근 방식을 사용하여 고체 역학과 유체 흐름을 연결하는 데 사용했다. 입력에서 출력까지의 압력 차이는 도 23에 도시된 바와 같이 MATLAB을 사용하여 심장의 압력 차이를 나타내는 두 개의 사용자 규정 함수를 통해 생성했다. 혈액은 다음 Navier-Stokes 방정식을 사용하여 비압축성 유체로 시뮬레이션했다.
여기서 
는 유체의 속도이고 
는 압력이고 
는 유체에 대한 외부 힘이다. 흐름은 단상 층류로 간주했다. 출력에서 입력으로의 모든 역류는 시뮬레이션에서 억제했다. 유체와 주변 구조물 사이의 상호 작용은 유체의 압력이 구조물에 하중을 가하는 단방향 결합으로 간주되었지만 구조물의 변형은 유체 흐름에 영향을 미치지 않았다. 단순성과 빠른 계산 시간을 위해 층류와 단방향 결합을 모두 사용했다. 전체 심장 주기 기간 동안 시간에 따른 연구가 수행되었다.
도 36: 밸브 입력 및 출력의 차압
도 36과 같이 입력 압력이 판막에 걸친 출력 압력보다 높으면 혈액이 입력에서 출력으로 흘러 밸브가 열린다. 밸브의 변형은 아래 도 37에 나와 있다. 이러한 변형은 흉골 진동을 모델링하기 위해 다음 섹션에서 사용했다.
도 37: (a) 0.07초에서 심장 판막의 변형(입력 압력이 출력 압력보다 높을 때 시작). (b) 0.21초에서의 변형(입력과 출력 사이의 압력 차가 최대일 때).
6.3 구조 변형으로 인한 파의 전파
각 심장주기의 수축과 이완으로 인해 심장에서 발생하는 진동은 가속도계와 자이로스코프에 의해 흉부에서 기록되어 SCG 및 GCG 파형을 생성할 수 있다. 이러한 표면 진동파를 심장 판막의 변형과 연결하기 위해 구조적 변형으로 인한 파의 전파를 다음 시뮬레이션에서 연구되었다.
도 25는 제안된 모델의 기하학적 구조를 나타낸다. 기하학적 구조는 3개 영역들로 구성된다. (i) 일단부가 고정되고 타단부에서 출력이 취해지는 흉골 유사 구조(검상돌기), (ii) 가슴을 나타내는 균질 선형 탄성 재료, 및 (iii) ) 두 개의 심장 판막을 나타내는 입력 변형을 위한 두 개의 챔버. 세 영역의 재료는 (i) 뼈, (ii) 살 및 (iii) 심장 근육에 대응한다. 이 모델을 시뮬레이션하기 위해 구조 역학 모듈 내의 솔리드 역학만 사용했다. 심장 주기에서 대동맥과 승모판이 열리는 시간차를 나타내는 0.1초와 0.45초에 대동맥 판막과 승모판막 부위에 경계 하중을 가하였다. 나가는 모든 파동을 흡수함으로써 역반사를 줄이기 위해 살의 경계에 저반사 경계 조건을 사용했다. 하중으로 인한 결과적인 진동은 도 39의 XP 영역에서 조사되었다. 파동 전파는 전체 심장 주기의 시간 간격을 포함하는 시간 종속 연구를 통해 모델링되었다. 출력 데이터는 실험 SCG 데이터와 최적화되고 일치했다. 아래의 도 38은 시뮬레이션의 출력을 보여주고 시뮬레이션 결과를 실험 데이터와 비교한다.
도 38로부터 명백하게, 결과적인 가속도는 실험적인 SCG 파형과 일치한다. 위에서 언급한 세 가지 섹션의 조합을 통해 VCG 신호의 다른 생리적 활동에서 혈압을 분리할 수 있었다.
도 38: (a) 실험을 통해 얻은 (b) 가속도와 비교한 XP에서의 모의 가속도.
도 39: 파동 전파 모델의 기하학적 구조
6.4 결론
각 섹션에서 사용된 재료 파라미터는 아래 표 2에 도시되어 있다.
표 2: 재료 파라미터
각 섹션에 대해 사용자 규정 메시가 구현되고 계산 강도를 최소화하도록 최적화했다. 세부 계산이 불필요한 구조 영역에서는 더 큰 메쉬 크기가 사용되어 계산 시간이 줄어들고 정확도 손실은 무시할 수 있다.
각 섹션의 3개 모델이 개별적으로 할당된 작업을 수행하는 동안, 향후 모든 구간을 결합한 모델이 구축될 것이다. 또한 보다 정확한 심장 표현을 구축하기 위해 향후 모델에 다음과 같은 복잡성이 도입될 예정이다.
심실(대동맥 및 심실), 판막, 흉부 및 흉골의 보다 기하학적으로 정확한 설계를 도입한다.
흡입, 활동, 심박수 등에 의한 VCG의 조절을 조사하기 위해 폐를 포함하는 흉부의 보다 정확한 표현을 설계한다.
RANS(Reynolds-Averaged Navier-Stokes) 근사를 사용하여 판막을 통한 혈류를 난류로 모델링한다.
7. 통계적 방법을 통한 BP 추정
VCG 신호로부터 BP를 추출하기 위한 기계적 힉습 접근법도 조사되었다. 기계적 학습은 대량의 데이터를 검토하고 사람이 쉽게 알아차릴 수 없는 경향과 패턴을 발견할 수 있다. 따라서 분석 또는 시뮬레이션 중에 간과된 VCG 신호와 해당 BP 값 간의 상관 관계를 식별하는 데 유용할 수 있다. 구체적으로, 고전적인 회귀 접근 방식의 성능을 보다 현대적인 신경망(NN) 접근 방식의 성능과 비교했다. 고전적인 회귀 접근 방식이 기준선으로 선택되었고 최근 몇 년 동안 산업 및 학계에서 NN의 놀라운 성공으로 인해 NN 접근 방식이 선택했다.
VCG 신호로부터 BP를 추출하기 위한 기계적 학습 접근법도 조사되었다. 기계적 학습은 일반적으로 결과 지향적이기 때문에 문제 해결에 대한 "블랙 박스" 접근 방식으로 간주되는 경우가 많다. 따라서, 여기서의 목표는 분석 및 시뮬레이션에서 처리되는 수집된 VCG 신호를 발생시키는 기본 생물학적 프로세스를 분석하거나 이해하는 것이 아니다. 대신, 목표는 기계 학습 기술을 사용하여 이러한 프로세스를 가능한 한 정확하게 통계적으로 모델링하는 것이다. 아이디어는 분석 및 시뮬레이션 작업과 함께 진동이 심장에서 흉골로 이동하는 방법과 BP 값을 계산하기 위해 해석되는 방법에 대한 포괄적인 이해를 구축할 수 있다는 것이다.
구체적으로, 고전적인 회귀 접근 방식의 성능을 약간 더 현대적인 신경망 접근 방식의 성능과 비교했다.
7.1 옴론 상관관계
섹션 3.1에서 논의된 연구에서 총 50개의 데이터 세트가 검사했다. 50개의 데이터 세트 중 4개는 진동 또는 전기 파형의 신호 품질이 좋지 않아 폐기했다. 실패는 물리적 연결의 센서 변위 또는 중단으로 인한 획득 오류로 인한 것이다. 각 데이터 세트에는 Omron S10 커프 모니터의 세 가지 개별 혈압 측정값이 포함되어 있다. 측정은 1분 간격으로 이루어졌다. 신호의 AO 이벤트는 앞에서 언급한 대로 맞춤형 알고리즘과 센서를 사용하여 식별했다. 식별 알고리즘은 
및 
성분을 모두 사용하여 심장박동을 분류하지만, 
성분은 후술할 혈압 계산에 직접적으로 사용되지 않은 점에 유의한다. 이는 회전 구성 요소를 포함하기 전에 선형 구성 요소에 작업을 집중하는 것이 더 간단했기 때문이다.
AO 이벤트의 진동 진폭, 
는 해당 타임스탬프에서 VarWin 함수에 의해 생성된 파형의 피크로 계산했다. 연속 
값은 약 30초 동안 지속된 커프 수축 기간 동안 평균을 구했다. 결과는 다음 방정식을 사용하여 피험자의 수축기 혈압 
를 계산하기 위해 사용되었다:
스케일링 팩터는 피험자로부터 얻은 첫 번째 혈압 측정치에 진폭을 보정하여 얻었졌다. 이 절차는 손가락 커프의 혈압 교정과 동일하다. 이러한 방식으로 SCG 파형의 최대 진동 진폭이 혈압의 주요 지표로 사용했다. 아래 도 40은 참조 커프 측정과 비교할 때 이 방법의 정확도를 보여준다.
도 40: 각 피험자에 대한 AO 이벤트에서 계산된 VarWin 진폭과 비교한 측정된 수축기 혈압의 상관 관계(좌측) 및 Bland-Altmann(우측) 플롯이다. 교정 측정은 이 비교에서 제외했다.
따라서, AO 이벤트와 일치하는 SCG 진동 진폭은 그 사이에 유도되는 최대 맥압 차이와 일치하는 것으로 나타났다. 도 41과 같이 이완기 혈압을 계산하기 위해 두 번째 심음에서 AC-MO 복합물에 대해 동일한 계산을 수행했다.
도 41: 각 피험자에 대한 AC 이벤트에서 계산된 VarWin 진폭과 비교하여 측정된 이완기 혈압의 상관 관계(좌측) 및 Bland-Altmann(우측) 플롯이다. 교정 측정은 이 비교에서 제외했다.
측정된 수축기 혈압과 계산된 VarWin AO 진폭 사이의 강력한 상관관계는 혈압 계산에서 이 방법의 잠재력을 확인시켜준다. 그러나 이완기 혈압과 평균 VarWin AC 진폭 사이의 상대적으로 약한 상관관계는 이 방법이 추가 개발이 필요함을 나타낸다. 이 개발은 현재 진행 중이다. 새로운 알고리즘의 주요 기능은 다음과 같다.
- 진동파 분석에서 심장 혈압 주기 도출.
- 진동 에너지의 상당 부분이 회전 파형에 있기 때문에 BP 계산에 GCG 데이터를 포함.
- 이전에 언급한 호흡량, 센서 위치, 체력, 연령 등에 대한 고려 사항들.
실시간 혈압 판독값에 대한 섹션 3.2에 기록된 새로운 데이터에 직접 통계 상관 접근법을 적용하였다. 이제 기록당 BP 판독값 대신 수백 개가 있었다(심장 박동당 하나). 이것은 지속적인 BP 추정을 용이하게 하기 위해 사용했다. 그러나, AO에서 NIBP로의 직선 매핑 형식은 의미 있는 상관 관계를 생성하지 않았다. 이는 종속성을 필터링해야 하는 VCG 및 BP 신호 모두에서 볼 수 있는 큰 신호 변동으로 인해 가정된다(섹션 4). 이러한 의존성은 본 발명자들의 지식 영역 밖에서 관계를 생성한다는 점을 감안할 때. 가능한 모든 관계를 아직 알지 못할 가능성이 높기 때문에 모든 시나리오를 완벽하게 제거하기는 어렵다. 따라서 순전히 통계적 방법인 기계 학습에서 혈압을 도출하려면 보다 지능적인 방법을 사용해야 한다. 기계 학습 기술을 사용하여 VCG 파형과 혈압 신호 사이의 관계에 수천 개의 가능한 종속성을 통합할 수 있다. 탐색된 방법은 섹션 7.2에서 7.6에 요약되어 있다.
7.2 회귀 분석
기계 학습 분석의 첫 번째 단계는 고전적 회귀를 사용하는 것이다. 이 조사에는 세 가지 알고리즘이 사용했다. 선형 지원 벡터 회귀자(SVR), K-최근접 이웃 회귀자(KNN) 및 랜덤 포레스트 회귀자(RF).
7.2.1 지원 벡터 회귀(SVR)
SVR(Support Vector Regression)은 분류를 위해 SVM(Support Vector Machine)과 유사한 원리를 사용한다. 이 방법에서는 데이터 세트에서 지원 벡터(각 클래스의 경계에 있는 데이터 포인트) 사이의 마진을 최대화하는 초평면을 식별한다. SVR에서 사용되는 차이점은 분류를 위한 결정 경계를 찾는 대신 회귀 분석을 허용하기 위해 SVM에 대한 근사치로 허용오차(엡실론)가 설정된다는 것이다. SVR은 고차원 데이터와 잘 작동하는 경향이 있고 상대적으로 메모리 효율적이지만 데이터 세트가 커질수록 성능이 저하되는 경향이 있다.
7.2.2 KNN
KNN 알고리즘은 "특징 유사성"을 사용하여 입력 데이터 포인트를 기반으로 값을 예측한다. 각 입력 데이터 포인트는 훈련 세트의 데이터 포인트와 얼마나 유사한지에 따라 값이 할당된다. 알고리즘은 입력 포인트와 각 트레이닝 포인트 사이의 거리를 계산한다(지정된 거리 메트릭 사용). 고려되는 포인트는 입력 포인트에 가장 가까운 거리를 가진 K 트레이닝 포인트이다. 회귀의 경우 알고리즘에 의한 예측은 이러한 K 훈련 포인트의 모든 레이블의 평균이다. 훈련 세트와의 비교를 기반으로 예측이 이루어지기 때문에 훈련 시간이 필요하지 않는다. 또한 전체 모델을 재교육할 필요가 없기 때문에 모델에 새 데이터를 더 쉽게 추가할 수 있다. 그러나 KNN은 고차원 데이터 또는 대규모 데이터 세트에서 성능이 좋지 않은 경향이 있다.
7.2.3 RF
랜덤 포레스트 알고리즘은 배깅이라는 기술을 사용하여 다중 결정 트리를 앙상블한다. 각 결정 트리는 훈련 세트의 다른 샘플에 대해 훈련되며 샘플링은 교체로 수행된다. 그 동기는 훈련 세트의 약간 다른 버전에서 훈련된 여러 결정 트리의 예측을 결합하면 단일 결정 트리를 사용하는 것보다 더 정확하고 강력한 예측이 된다는 것이다. RF는 대규모 데이터 세트 및 고차원 데이터에서 잘 수행되는 경향이 있지만 의사결정 트리들도 과적합되기 쉽기 때문에 이는 과적합되기 쉽다.
7.3 데이터 전처리
시작하기 위해 실험 테스트 단계(섹션 3에 설명)의 원시 Biopac 및 VCG 데이터를 사용하여 기능 및 레이블을 구성했다. 특징은 분석 중인 개체의 측정 가능한 속성이고 레이블은 개체가 갖는 값이다. 감시 기계 학습에서 기능과 레이블은 모델을 훈련하는 데 사용되며 해당 모델은 측정 가능한 기능을 입력으로 사용하여 보이지 않는 데이터의 레이블을 예측하는 데 사용된다.
본 발명자들의 경우, 객체는 심장 주기이고 각 특징은 특정 시점에서 VCG 신호의 진폭이며, 레이블은 개별 BP 값이다.
7.3.1 레이블
Biopac은 최고점이 수축기 값이고 최저점이 이완기 값인 연속 BP파를 출력한다. 따라서, 레이블은 이러한 수축기 또는 이완기 혈압 판독값이었다.
7.3.2 특징
본 발명자들의 특징 배열은 다음과 같이 구성했다. 첫째, 각 하위 검사에 대한 VCG 신호(각 축)는, ECG 신호에서 P파의 시작에 기초하여 심장 주기(CC)들로, 분리되어, (분할되는 하위 검사 기간에 따라) 가변적인 수의 CC들을 제공한다. 각 각의 CC는 200Hz의 샘플링 주파수에서 리샘플링되어 CC당 500개 요소의 균일한 길이를 생성했다. 그 다음, 이들 균일한 길이의 CC를 연결하여 예비 n × m 특징 행렬을 형성했다. 여기서 n은 데이터 세트의 CC 수이고 m은 CC당 요소 수(이 경우 500)이다:
위의 프로세스는 하나의 단일 VCG 축에 대해 기술된다. 그러나, 본 발명자들 의 IMU는 6개의 축으로 데이터를 기록한다. 이들은 섹션 5.1.2에서 설명한 것과 동일한 좌표축: 
및 
이다. 따라서, (CC당 더 많은 기능을 제공하기 위해) 여러 축들을 연결할 수 있었고, 이들 축의 최적 조합을 결정해야 했다. IMU는 Z축이 등-배축(dorsoventral axis)을 따라 바깥쪽을 향하도록 피험자의 흉골에 배치되기 때문에 VCG 신호의 진동 에너지의 대부분은 선형 가속의 성분과 직각으로 결합된 g_X 및 g_Y 구성 요소. 또한 가장 중요한 축이 a_Z,g_X 및 g_Y축이라는 가설에도 불구하고 6축 모두 컨트롤로 포함되어야 한다고 결정했다. 따라서 다음 축 조합이 선택했다.
1. SCG: 
2. VCG: 
3. 모두: 
마지막으로 VCG 데이터의 시계열을 고려해야 했다. 각 CC는 200Hz 샘플링 주파수를 사용하여 리샘플링되었기 때문에 각 비트에 대한 모든 시계열 데이터(BP 추출에 매우 유용한 데이터)가 손실되었다. 따라서 각 VCG 신호에 대한 시계열은 VCG 신호 자체에 해당하는 CC로 분할되었다. 초기 아이디어는 각 CC의 시계열을 해당 CC에 연결하는 것이었다(축이 연결되는 방식과 유사). 그러나, 각 CC가 리샘플링되었기 때문에 각 CC의 시계열은 거의 동일했으며 한 가지 차이점은 기울기였다. 따라서, 전체 시계열 대신 각 시계열의 구배를 추가하기로 결정하여 최종 세 가지 기능 조합으로 이어졌다.
1. SCG: 
2. VCG: 
3. 모두: 
7.3.3 데이터 점검
기능 구성 단계에서 많은 BP 값이 올바르지 않거나 NaN인 것으로 관찰되었다. 이는 테스트 중 지속적인 BP 모니터 재조정 때문이거나 Biopac 소프트웨어가 사후 처리에서 BP 최고점과 최저점을 잘못 분류했기 때문이다. 따라서 일부 데이터 점검이 수행될 필요가 있다.
이를 위해 주어진 피험자 폴더의 각 하위 테스트를 반복하고 분명히 잘못된 BP 값(즉, NaN인 값)을 제거하고 BP 값과 VCG 신호를 모두 플로팅하는 스크립트가 작성되었다. 다음, 이 플롯을 시각적으로 검사하여 BP 값이 신뢰할 수 없는 신호 범위를 결정했다. 신뢰할 수 없는 범위는 BP 및 VCG 신호 모두에서 제거되었으며 텍스트 파일에도 기록했다.
7.4 고전적 접근
기능이 구성되고 정리되면 앞서 언급한 세 가지 회귀 모델을 훈련, 적합 및 평가하는 데 사용했다.
평가는 모든 접기에 대한 실제 및 예측 BP 값의 평균 상관 계수를 계산하여 한 테스트 피험자에 대한 데이터의 원형 10배 분할(각각 9개 접기 훈련 및 1개 테스트)을 통해 수행했다. 교차 검증 방식의 평가 방법과 더불어 각 모델에 대해 하이퍼파라미터 그리드 검색을 수행하여 가장 높은 평가 점수를 부여한 하이퍼파라미터 조합을 결정했다. 첫 번째 모델 평가 단계의 결과는 아래 표 3에 나와 있다.
표 3: 원형 10배 교차 검증을 사용하여 한 피험자의 데이터로 훈련되고 평가될 때 SVR, KNN 및 RF 모델의 R2 점수.
따라서, 표 3에 나타낸 바와 같이, 예측된 BP 값과 실제 BP 값 사이에서 관찰된 가장 높은 상관 계수는 VCG 특징 조합에서 57개의 최근접 이웃을 사용하는 KNN 회귀자로 얻은 0.3852였다.
7.5 호흡량에 대한 검증
본 발명자들의 통계적 접근법의 NN 부분을 위해, 1D 컨벌루션 신경망(CNN)이 사용되었다.
7.5.1 CNN
컨볼루션 신경망(CNN)은 로컬 특징에 적용되는 컨볼루션 필터를 사용한다. 이 개념은 로컬 기능을 강제로 추출하면 어느 정도의 이동, 스케일 및 왜곡 불변성이 보장되기 때문에 유용하다. 원래 컴퓨터 비전 작업을 위해 제안되었지만 CNN 모델 및 아키텍처는 그 이후로 다른 많은 작업에 상당히 효과적인 것으로 입증했다. 1D CNN은 기본적으로 2D 필터 대신 1D 필터를 사용하는 CNN이다. 이러한 모델은 시계열 데이터를 분석하는 데 유용할 수 있으므로 선택한 이유이다.
7.5.2 검증 단계
SCG 데이터를 분석하는 데 사용되는 1D CNN에 대한 문헌의 선례가 거의 없기 때문에 BP 값을 계산하기 전에 작은 검증 단계를 수행했다. 이 검증 단계는 SCG 신호를 기반으로 테스트 피험자의 호흡량 상태를 예측하도록 훈련된 1D CNN으로 구성했다. 즉, SCG 박동이 주어지면 해당 박동이 높은 폐용적(HLV) 또는 낮은 폐용적(LLV)의 기간인지 확인한다. 이 작업은 본 발명자들의 주요 작업(하나는 폐 용적의 이진 분류이고 다른 하나는 혈압의 이진이 아닌 회귀)과 매우 유사하지는 않지만 1D CNN이 수행할 수 있는지 여부에 대한 통찰력을 제공했기 때문에 검증 단계로 선택했다. 주어진 SCG 신호에서 관련 정보를 적절하게 캡처한다.
이 검증 단계를 수행하기 위해, 실험 결과의 HLV 및 LLV 하위 테스트로부터 SCG 데이터를 데이터 전처리 섹션에 기술된 대로 처리하여 특징을 얻었다. 레이블의 경우 HLV 비트에 "1"이 할당되고 LLV 비트에 "0"이 할당되었다.
폐 용적을 분류하는 데 사용되는 1D CNN 모델은 2개의 컨볼루션 레이어, 최대 풀링 레이어, 일반화를 개선하기 위한 드롭아웃 정규화 및 분류를 위한 출력에서의 소프트맥스 활성화 함수를 가졌다. 이 모델은 희소 범주형 교차 엔트로피 손실 함수와 Adam 옵티마이저를 사용하여 50 에포크 동안 훈련했다. 이 모델은 401개 샘플의 테스트 세트에서 평가되었으며 89.5%의 정확도 점수를 달성했다. 혼동 매트릭스는 표 4에 나와 있다.
표 4: 1D CNN 폐 용적 분류에 대한 혼동 행렬
따라서, 검증은 1D CNN이 간단한 이진 분류 작업을 참조하여 SCG 신호를 정확하게 해석할 수 있는 능력을 가지고 있음을 보여주었기 때문에 고무적인 것으로 판되었다. 또한, 이들 결과는 1D CNN이 BP 계산에 적합할 수 있음을 시사한다.
7.6 신경망 접근법
이 접근법의 경우, 7.4 절에 기술된 대로 피쳐 및 라벨이 구성했다. BP를 계산하는 데 사용되는 1D CNN 모델은 폐 용적을 분류하는 데 사용되는 모델과 매우 유사했으며, 2개의 컨볼루션 레이어, 최대 풀링 레이어 및 드롭아웃 정규화를 사용하여 일반화를 개선한다. 이 모델의 주요 차이점은 두 개의 채널이 있는 선형 활성화 함수(수축기 및 이완기 혈압 예측용)가 (HLV 또는 LLV 예측용) 소프트맥스(softmax) 활성화 함수 대신 출력에 사용되었다는 것이다. 이 경우에는 문제가 분류 문제가 아니라 회귀 문제이기 때문에 선형 활성화 함수가 더 적합하다. 모델은 평균 절대 오차 손실 함수와 Adam 최적화 프로그램으로 훈련했다. 이 모델은 한 피험자의 125 심장 주기 테스트 세트에서 평가되었으며 수축기 혈압의 경우 0.55, 이완기 혈압의 경우 0.67의 r2 점수를 달성했다. 상관 관계 도표는 도 42에 나와 있다.
도 42: 수축기 및 이완기 혈압에 대한 1D CNN 예측의 상관관계 플롯.
7.7 결론
BP 계산을 위해 얻은 최상의 ML 결과는 1D CNN 접근법에서 나온 것이다. r2 점수가 이례적으로 높지는 않지만, 상대적으로 복잡한 생물학적 과정을 통계적으로 모델링하기 위해 비교적 간단한 CNN 아키텍처를 사용했다는 점을 고려하면 예상보다 높다. 따라서 다음 단계는 다음과 같다.
- 사용 중인 CNN 아키텍처의 복잡성을 높이다. 이렇게 하면 일반적으로 예측이 더 정확해진다.
- 정확도도 높아지므로 더 많은 시간 동안 모델을 훈련시킨다.
VCG를 사용하여 심장 위상 천이에 대응하는 진동을 식별하고 검출하기 위한 알고리즘 및 기술이 이제 설명될 것이다. 이러한 알고리즘 및 기술은 도 2-6에 기술된 시스템 및 방법과 같이 본 명세서에 기술된 혈압 측정을 위한 시스템 및 방법에 의해 구현될 수 있다. 예를 들어, 알고리즘 및 기술은 도 4의 시스템(300) 또는 도 5의 컴퓨터 시스템(400)(예를 들어, 진동 펄스 식별기 모듈(424))의 실시간 신호 처리 장치(318)에 의해 수행될 수 있다.
진동 심장조영술을 사용한 심장 위상 천이의 비침습적 식별.
심전도는 심장 주기의 단계를 나타내는 심장 시간 간격의 측정을 가능하게 하기 때문에 진단 및 예방 치료의 필수 요소이다. 이러한 위상 천이는 흉골에서 진동으로 나타나는 밸브 움직임을 유도한다. 목표: 심장 상전이에 해당하는 진동을 자동으로 식별한다. 방법: 휴식 중, 활동 중 및 정적 호흡 유지를 수행하는 동안 피험자에 대해 심장 활동을 모니터링했다. 피험자는 알려진 심폐 질환이 없는 남성과 여성으로 구성했다. 동시 진동 심전도(VCG), 심전도(ECG) 및 임피던스 심전도(ICG)를 통해 심장 활동을 기록했다. VCG 신호의 원시 가속도 및 선회 구성 요소는 각각 선형 저크 및 회전 가속도를 나타내는 수량으로 처리했다. 이 수학적 변환은 VCG 파형의 형태에서 진동 펄스의 신호 대 잡음비를 증가시켰다. 결과: 첫 번째 진동 펄스의 타이밍 V1은 성능 지수로 심박수(HR)를 사용하여 ECG R 피크로 참조했다. 두 번째 진동 펄스 V2의 타이밍을 ICG X 포인트과 비교했다. 그것의 식별은 두 가지 성능 지수를 사용하여 평가했다: ECG R 피크로부터의 지연과 두 펄스 사이의 시간 간격. 결론: VCG를 사용하여 심장 위상 천이 중에 발생하는 진동 펄스를 자동으로 식별할 수 있다. 의의: 이 연구는 기계적 심혈관 기능을 분석하는 데 VCG를 사용하는 가능성을 보여준다. 일상 생활에서 휴대용 비침습적 심장 모니터링을 용이하게 한다.
심혈관 질환은 선진국에서 사망률의 가장 큰 원인이다. 이는 심장 기능 장애의 증상이 종종 눈에 띄지 않고 검출되지 않기 때문이다. 결과적으로 심장 문제는 일반적으로 나중 단계에서 진단되며 이는 치료 비용과 성공 가능성에 부정적인 영향을 미친다. 이러한 치료는 의료 시스템에 상당한 부담을 준다. 그러나 문제는 반드시 질병 자체가 아니다. 의학 연구에 따르면 심혈관 질환은 초기 단계에서 치료할 수 있으며 특정 합병증은 발병 전에 검출할 수도 있다. 게다가, 경제 연구는 질병을 치료하는 비용이 예방하는 것보다 훨씬 더 높다는 것을 보여주었다. 예방을 위해서는 초기 증상을 검출할 수 있도록 정기적인 모니터링이 필요하다. 따라서 정기적인 심장 모니터링은 심장 질환의 진단, 분석 및 예방에 도움이 될 수 있다. 그러나 정기적인 임상 검진을 받더라도 상황적, 생리적, 대인 관계적 변동성으로 인해 진단 정확도가 제한된다. 이는 지속적이고 착용 가능한 모니터링의 필요성을 강조한다. 자율 심장 모니터는 불규칙하고 비정상적인 활동을 검출할 수 있는 것으로 나타났으며, 이를 통해 예방 및 치료 전략을 알릴 수 있다.
심장 활동을 모니터링하기 위한 주요 메트릭은 심박수(HR), 즉 분당 심장 주기의 빈도이다. HR 측정의 황금 표준은 심전도(ECG)이다. ECG는 각 주기의 시작 부분에서 심장 탈분극을 포함하여 심장의 전기적 활동을 기록한다. 이 전기 충격은 개별 주기를 구분하여 HR 측정을 가능하게 한다. 그러나 각 주기 내에서 수축기에서 이완기로의 전환은 ECG를 통해 검출할 수 없다. 이러한 단계의 지속 시간은 좌심실 성능의 주요 지표이기 때문에 심장 기능 분석에서 ECG의 유용성이 제한된다. 보다 포괄적인 분석이 필요한 상황에서는 기계적 심장 활동이 일반적으로 심초음파(EcCG)를 통해 측정된다. 그러나 ECCG 기기의 복잡성, 크기 및 비용으로 인해 전용 실험실의 숙련된 기술자만 사용할 수 있다. 이러한 제한 사항은 비침습적이고 접근 가능한 심장 모니터링의 보완 방법에 대한 기회를 제공한다. 이 문제에 대한 간접적인 접근 방식은 관련 판막 작동 또는 혈류에서 심장 위상 천이를 해석하는 것이다.
수축기와 이완기 사이의 전환은 심장 혈압 주기에 의해 유도된다. 이러한 압력 차이는 심장 판막의 수압 개폐를 유도한다. 밸브 작동은 심장을 통과하는 혈류를 조절하므로 심장 주기의 단계를 결정한다. 심장을 흐르는 혈액량으로 인한 임피던스 변화는 임피던스 심전도(ICG)를 통해 검출할 수 있다. ICG는 심장 위상 천이를 측정할 수 있지만 검출 방법에는 6개의 이중 전극 배치가 필요하며 모션 아티팩트에 취약하다. 또는 위상 전환 중에 밸브 작동과 관련된 움직임이 기계적 압축파를 생성한다. 이 파동은 가슴을 통해 확산되고 피부 표면에서 진동으로 나타난다. 높은 진동 진폭은 심장에 근접하기 때문에 흉골의 검상돌기에서 기록했다. 이러한 진동은 마이크로폰로 전자 기계 시스템 및 동작 검출 기술의 최근 개발을 활용할 수 있는 능력으로 인해 상업적으로 이용 가능한 관성 측정 장치(IMU)로 검출할 수 있다. 심장 유도 흉골 진동을 기록하는 이 방법을 진동 심장조영술(VCG)이라고 한다. VCG 기록은 각각 SCG(Seismocardiography) 및 GCG(Gyrocardiography)로 별도로 알려진 3차원(3D) 선형 가속 및 3D 회전으로 구성된다. VCG의 잠재력은 단일 IMU에서 6자유도로 기계적 심혈관 기능으로 인한 진동을 모니터링할 수 있는 능력에 있다. 각 심장 주기와 관련된 VCG 파형의 두 부분에서 강한 진동 특징이 일관되게 관찰했다. 이러한 기능의 기준점 타이밍은 EcCG를 통해 검출된 심장 판막 이벤트와 일치하는 것으로 밝혀졌다. 이러한 일치는 심장 모니터링, 특히 심장 위상 천이를 식별하기 위해 VCG를 사용할 가능성을 시사한다.
본 발명자들의 작업은 VCG 파형에서 심장 유도 진동의 신호 대 잡음비(SNR)를 증가시키는 알고리즘의 개발을 포함했다. 심장 위상 천이와 일치하는 것으로 나타난 두 개의 두드러진 진동 펄스인 V1 및 V2를 식별하는 데 사용했다. 이와 관련하여 ECG 및 ICG를 통해 얻은 측정값을 사용하여 알고리즘의 정확도를 평가했다. 이완기에서 수축기로의 전환은 ECG R 피크로 참조되었고 수축기에서 이완기로의 전환은 ICG X 포인트로 참조했다. ICG B 포인트는 이완기에서 수축기 단계로의 전환을 나타내는 데 사용될 수 있었지만 기록의 낮은 품질로 인해 ICG 측정이 주석 체계에 크게 의존하게 했다. 이러한 변동성으로 인해 ECG를 신뢰할 수 있는 기준으로 사용해야 했다. ICG 측정의 주관성에도 불구하고 기본 정확도는 비교 측정에 적합하다. 이 두 가지 참조 방법에 대한 본 발명자들의 선택은 실험실 환경에서의 실행 가능성과 정확성뿐만 아니라 기계적 VCG와 동일한 노이즈 소스에 덜 민감한 전기적 특성을 기반으로 했다.
이 연구의 목적은 이러한 진동에 포함된 정보에 관한 향후 분석의 기초를 제공하기 위해 V1과 V2를 모두 자동으로 식별하는 것이었다. 이전 VCG 분류 알고리즘은 V1에 해당하는 진동에 중점을 두었다. 순간 HR을 성능 지수로 사용하여 동시 ECG의 R 피크 검출에 대해 정확도를 평가했다. V2 식별을 시도한 알고리즘은 더 큰 분석의 일부로 이 작업을 수행한 것으로 보이다. 결과적으로 이러한 알고리즘은 참조 측정 또는 자동 식별 프로토콜이 없는 V2와 관련된 기능 인식을 제공한다. 이러한 맥락에서 본 발명자들 작업은 VCG 파형에서 심장 위상 천이와 관련된 진동 펄스를 모두 식별하도록 설계된 첫 번째 알고리즘을 시연한다. 표준 관행에 따라 ECG R 피크가 있는 타이밍을 참조하여 VCG V1 펄스 식별 프로토콜 및 ICG B 포인트 주석 체계의 정확도를 평가했다. 유사한 방식으로 V2 펄스의 식별을 ICG X 포인트의 유효한 주석과 비교했다. 이 연구는 알고리즘의 정확도를 개선하고 심장 위상 천이 식별에서 VCG의 유효성을 추가로 분석하여 진동 펄스 추출에 대한 예비 작업을 확장한다. 이 알고리즘은 VCG와 ECG를 모두 기록하는 전자 기계 심장 모니터용으로 설계된 V1 식별을 위한 맞춤형 알고리즘에서 개발했다. V1 검출를 위한 알고리즘의 정확도와 V1과 V2 사이에서 관찰된 유사성에 기초하여 이전에 개발된 알고리즘을 VCG 파형 내에서 V1 및 V2 펄스를 모두 식별하기 위한 새로운 기술로 확장했다.
II. 방법
A. 실험 설정 및 절차
모든 실험은 맥길 유니버시티의 Review Ethics Board의 승인을 받아 수행했다. 피험자는 앙와위 자세로 테스트했다. 일련의 테스트에는 휴식 시 3분 기준 기록, 높은 폐 용적 및 낮은 폐 용적(흡입 및 호기)에서 두 번의 정적 호흡 유지 및 5분 회복 테스트가 포함되었다. 회복 테스트는 피험자가 충분히 발휘될 때까지 자전거 킥을 수행한 직후에 수행하였다. 심장 활동은 VCG, ECG 및 ICG로 기록했다.
심장 유도 진동파는 6축 모션 센서(MPU 9250, Invensense)에 의해 피부 표면에서 검출했다. 모션 센서는 Raspberry Pi 마이크로컨트롤러(Pi Zero W, Raspberry)에 의해 제어되었으며 샘플링 주파수 f_s는 550Hz였다. 진동을 검출하기 위해 가속도계와 자이로스코프 감도를 각각 ±2g와 ±250°/s로 설정하였다. 센서는 Z축이 몸의 등배축을 따라 바깥쪽으로 향하도록 흉골의 검상돌기(xiphoid process)에 배치했다. 심장과 관련하여 정확한 위치는 테스트 중에 확인할 수 없었다. 43에 표시된 실험 설정은 동시 VCG, ICG 및 ECG를 통해 피험자의 심장 활동을 평가하기 위해 조립했다.
도 43은 (a) ICG 전극(녹색), ECG 전극(청색) 및 VCG 센서(적색)의 일반적인 배치를 보여준다. (b) ECG, ICG, VCG 동시 기록이 가능한 시스템 구성.
수집 장치로 사용된 다중 채널 Biopac 아날로그-디지털 변환기(ADC) (MP160WS, Biopac)를 사용하여 동시 ECG 및 ICG 기록에서 참조 측정값을 얻었다. ECG 및 ICG 전극은 표준 위치에서 몸통과 목에 부착했다. 신호는 수집 장치와 무선으로 연결된 모듈(Biopac ECG100C 및 Biopac NICO100C)에 의해 수집했다. VCG 기록은 장치에서 생성된 펄스를 사용하여 동기화했다. 원시 데이터는 소프트웨어(AcqKnowledge 5, Biopac) 및 맞춤형 알고리즘(R2019A, Matlab)의 조합을 사용하여 필터링했다. ECG 신호와 필터링된 ICG 신호는 소프트웨어에 의해 자동으로 주석 처리했다. 그러나 ICG 주석의 과도한 과적합으로 인해 추가 처리가 필요한 수많은 가양성이 발생했다. ICG 파형에 주석이 달린 B 및 X 포인트는 동일한 심장 주기의 ECG 파형에서 R 피크에 대한 근접성을 기준으로 필터링했다.
B. 진동 심전도의 변형
이하에 기술된 하나 이상의 단계를 포함하는 진동 심전도의 변환은 예를 들어 VCG 데이터로부터 심장 위상 천이에 해당하는 진동 펄스를 추출하기 위해 도 2-6에 기술된 시스템 및 방법에 의해 사용될 수 있다. 예를 들어, 도 4의 센서 인터페이스 컴퓨팅 장치(314)의 신호 처리 장치(318)은 하나 이상의 소프트웨어 모듈을 통해 본 명세서에 기술된 다양한 진동 심전도 변환 단계 및 동작을 수행하도록 구성될 수 있다. 유사하게, 도 5의 컴퓨터 시스템(400)은 프로세서(404)에 위치한 하나 이상의 소프트웨어 모듈을 통해 다양한 진동 심전도 변환 단계 및 동작을 구현하고 수행하도록 구성될 수 있다. VCG 신호에서 파생된 저크 및 회전 가속도. 이것은 각 심장 주기에 대해 수행될 수 있다. 추출된 물리량은 처리된 파형을 포함할 수 있다. 처리된 파형은 각각 예상되는 심장 위상 천이 발생에 해당하는 한 쌍의 피크를 포함한다. 따라서, 컴퓨팅 장치(314) 또는 컴퓨터 시스템(400)과 같은 시스템은 이러한 피크를 심장 위상 천이의 지표로서 인식하도록 구성되고 이러한 정보를 혈압 측정의 결정에 사용할 수 있다. 특정 실시예에서, 도 2-6에 기술된 하나 이상의 시스템 및 방법은 이하에 기술된 도 44의 신호 처리 단계를 구현할 수 있다.
VCG 신호를 처리하는 것은 선형 가속도 성분의 부분 집합과 회전 성분의 부분 집합만을 선택하고 처리하는 것을 포함할 수 있다. 예를 들어, 실시예에서, 이것은 선형 가속도 성분의 단일 축 성분 및 회전 성분의 2축 성분을 선택하고 처리하는 것을 포함한다. 특별한 경우 선형 가속도 성분의 단일축 성분은 Z축 성분이고, 회전 성분의 두 축 성분은 X축 성분과 Y축 성분이다. 저크 및 회전 가속도 데이터는 선택된 선형 가속도 및 선회 성분에 대해 각각 결정될 수 있다. 저크 및 회전 가속도 파형의 경우, 피크(예컨대, Lorentzian)는 거의 동일한 타임스탬프에 중심이 있는 것으로 식별된다. 확인된 피크는 심장 위상 전환 중에 발생하는 기계적 활동에 기인할 수 있다.
흉골로 전파된 심장 유도 세로 및 전단 초저주파 진동을 VCG로 기록했다. 호흡 효과는 걸러냈고 0.6-20Hz 범위의 더 낮은 주파수는 심실 수축에 기인했다. 18Hz보다 높은 주파수는 판막 작동과 결과적으로 심장 소리와 관련된 진동 펄스에 기인한다. 기계적 진동의 스펙트럼 내용이 50Hz 미만에 포함되었기 때문에 VCG 신호는 선형 보간법을 사용하여 200Hz로 다운 샘플링했다. 이것은 두 가지 목적을 달성했다. 100Hz 이상의 스펙트럼 구성 요소를 억제하면 고주파 노이즈가 완화된다. 또한 fs를 표준화하면 일관된 수집 속도와 더 빠른 계산 시간이 보장된다.
획득된 신호는 3차원(3D) 모션의 선형 및 회전 구성 요소를 나타내는 6개의 직교 자유도로 구성했다. 선형 성분은 가속도로, 회전 성분은 회전으로 측정했다. 따라서 심장 유도 운동을 나타내는 벡터 구성 요소 
및 
는 센서 신호의 좌표축에 대한 벡터 투영으로 추출될 수 있다:
VCG 신호의 선형 및 각도 구성 요소는 서로 다른 동작 단위로 기록되었기 때문에 충실도를 유지하기 위해 별도의 처리 기술이 필요했다.
1. SCG 신호 처리
센서 방향에 따라 가속도계의 Z축은 몸의 등배축과 정렬된다. 따라서 SCG 가속도 벡터 
는 주로 Z축에 투영되는 것으로 가정하였다. 이를 반영하기 위해 전체 
성분의 크기는 좌표축에 대한 투영에서 다음과 같이 검색되었다.
인체는 준정적 상태에서 탄성 변형 가능한 물질로 구성되어 있다고 가정했다. 이와 같은 물질에서 변화하는 가속도는 기계적 파동의 존재를 직접적으로 나타낸다. 따라서 심장 유도 진동 펄스는 가속도의 변화율 또는 저크에 의해 식별될 수 있다. 효과적인 저크 파형을 추출하기 위해 
파형을 다음 방정식을 사용하여 특정 시간 윈도우 내에서 차별화하고 최대화했다.
여기에서, 
상대적으로 높은 진동 진폭은 주파수가 10 50 Hz 사이의 실험적으로 검증된 범위 내에 있는 경우 심장 유도 진동 펄스로 분류했다. 알고리즘의 맥락에서 각 데이터 포인트는 자체로부터 0.02-0.05초의 창 내에서 신호의 다른 포인트와의 관계를 기반으로 평가했다. 느리게 변하는 진동은 방정식의 분모에 있는 타임스탬프 사이의 더 긴 기간에 의해 자동으로 억제되었다. GCG 신호는 유사한 방식으로 처리되었다.
2. GCG 신호 처리
각 축을 별도로 처리하고 이를 가속도로 변환했다. 회전에 대한 스펙트럼 윈도우는 약간 다르다:
.이때, 
이들 수학적 변환은 신호에서 진동 특징의 신호 대 잡음비(SNR)를 최적화했다. 이러한 방식으로 진동 펄스(V1, V2)는 VCG 파형에서 임펄스로 추출했다.
3. 진동 펄스들의 식별
개별 심장 주기는 ECG 파형에서 해당 R 피크로 구분했다. 펄스의 시작을 설명하기 위해 각 R 피크 이전에 0.05초의 오프셋이 추가되었다. 각 심장 주기에서 선형 저크, 
와 회전 가속도, 
및 
를 나타내는 물리량은 VCG 신호에서 도출되었다. 3개의 처리된 파형 각각은 예상되는 심장 위상 천이 발생과 일치하는 한 쌍의 피크를 생성했다. 피크의 Lorentzian 모양은 증가된 SNR을 확인했다. 따라서, 각 파형에는 다음과 같이 정의된 바와 같이 각 심장 주기 내에서 두 개의 Lorentzian 함수 시리즈가 생성되었다:
계수 p1, p2 및 p3은 각각 Lorentzian 함수의 중심, 반치폭 및 높이를 나타낸다. 아래 첨자 i는 단순히 진동 펄스의 차수를 V1 또는 V2로 나타낸다.
함께, 이 방정식은 44에 표시된 신호 처리 단계에서 구현했다.
도 44는 실시예에 따라 VCG로 표시되는 획득된 진동 모션 신호로부터 진동 펄스(V1, V2)를 획득하기 위해 사용되는 신호 처리 단계를 도시한다.
첫 번째 Lorentzian, V1은 ECG R 피크의 0.1초 이내에 발생할 것으로 예상했다. 따라서 ECG를 기준으로 위치를 평가했다. 연속적인 V1 펄스들 사이의 시간은 BTB(beat-to-beat duration)로 해석되어 HR 측정으로 변환했다. 마찬가지로, V2는 LVET가 차지하는 BTB의 비율, 즉 LVET 비율(LVETF)을 기준으로 주기의 중간쯤에 발생할 것으로 예상했다. 각 심장주기에서 V1과 V2 사이의 기간은 LVET로 해석했다. 각 펄스의 위치는 SCG와 GCG 사이에서 추가로 교차 확인했다.
III. 결과.
실험 데이터는 총 7892.228초에 걸쳐 15명의 피험자에 대해 수행된 58개의 테스트(획득 오류로 인해 2개의 복구 세트가 폐기됨)로 구성했다.
A. 신호 여과
본 발명자들의 목표는 
, 
및 
성분들에서 V1 및 V2의 신호 대 잡음비(SNR)를 개선하는 물리적으로 유효한 수학적 변환을 유도하는 것이었다. 이 맥락에서 필터는 도 45(c)-(e)의 원시 신호(청색)를 진동 콘텐츠를 유지하는 임펄스로 변환하도록 설계했다. 이러한 임펄스는 진동의 선형 저크 및 회전 운동 에너지(RKE)를 나타내는 처리된 신호(적색)의 Lorentzian 분포로 식별했다.
도 45는 (a) 식별된 R 피크를 나타내는 원과 함께 ECG의 동시 기록을 예시하고; (b) 주석이 달린 B 및 X 포인트가 각각 원과 십자로 표시된 원시(청색) 및 필터링된(적색) ICG; 및 (c) SCG 가속 
(청색) 및 저크 크기 
(적색), (d) X축 GCG 
(청색) 및 그의 RKE 성분 
(적색) 및 (e) 
(청색) 및 
(적색) 점선이 있는 검정색 점선은 V1 및 V2의 식별된 타임스탬프를 나타낸다.
B. V1의 순간 심박수
심장 활동은 ECG, ICG 및 VCG를 사용하여 기록했다. 다음, 각각의 기록을 별도로 분석했다. 이 연구의 목적을 위해 처리된 ICG 및 VCG 신호에 ECG 신호의 R 피크를 참조하여 주석을 달았다. 순시 HR은 ECG의 경우 R 피크, ICG의 경우 B 포인트, VCG의 경우 V1 피크 사이의 시간 간격으로부터 계산했다. 이들의 상관 관계는 도 46에 도시되어 있다.
도 46은 ECG를 참조했을 때, r2가 각각 0.9887 및 0.9824인 (a) VCG 및 (b) ICG로부터 계산된 HR의 상관관계를 예시한다.
획득 불일치의 결과로서 각 기록의 끝에서 이상값을 무시했다. 또한, HRECG와 10bpm 차이가 나는 HRICG 측정은 추가 평가에서 제외했다. HRVCG는 더 큰 스프레드를 나타내는 것으로 나타났다. 그럼에도 불구하고 HRVCG의 정확도는 HRECG를 참조했을 때 HRICG의 경우 0.9824에 비해 0.9887의 r2를 생성했다. 이는 ICG 신호에서 B 포인트의 정확한 위치가 VCG에서 확인된 V1 피크나 ECG에서 R 피크만큼 명확하지 않았기 때문이다.
C. V2로부터의 좌심실 박출 시간
V1 및 V2로 검출된 진동 펄스는 심장 위상 천이를 나타낼 것으로 예상되었으며, 이는 이들 사이의 기간이 LVET를 반영함을 의미한다. 그러나 ICG 주석의 불일치로 인해 LVET 측정을 사용한 상관 계수는 직접적인 통찰력을 제공하지 못했다. 대신, V2 검출의 정확도는 두 가지 메트릭을 사용하여 비교했다. BTB를 반영하는 B- X 및 V1-V2의 능력을 나타낸다. 이 두 가지 성능 지수를 사용하여 VCG에서 파생된 진동 펄스를 도 7과 같이 ICG와 비교했다.
도 47은 (a) ECG R 피크로부터 VCG로부터의 V2 및 ICG로부터의 B 모두까지의 시간 간격, 및 (b) r2가 각각 0.251 및 0.2797인 VCG 및 ICG로부터 얻은 LVETF의 상관관계를 도시한다.
VCG 파형으로부터 V2의 식별은 동시 ICG 측정과 유사한 결과를 생성하였다. ICG와 VCG에 대한 HR 측정 간의 합의는 식별 정확도를 개선하기 위해 초기 교정 기간을 통합할 가능성을 제안했다. 이것은 소프트웨어에 의해 생성된 ICG 주석의 이상값을 줄여 보다 정확한 참조를 제공한다.
IV. 논의.
가슴을 통해 전파되는 심장 유도 진동은 가속도계와 자이로스코프로 구성된 관성 측정 장치에 의해 검출했다. 신호에는 센서의 고감도 설정으로 인해 모션 아티팩트 및 호흡으로 인한 노이즈도 포함되어 있다. 이 효과를 완화하기 위해 원시 신호는 진동 펄스의 SNR을 직접적으로 증가시키는 물리량으로 변환되었다.
SCG 신호는 기울기로부터 저크 크기를 도출하기 위해 차별화했다. 이 양은 진동에 포함된 힘에서 유도되었다. 펄스의 높이와 폭은 각각 강도와 점프 불연속성을 반영했다. 기존의 스펙트럼 필터링 대신 주파수 필터가 저크 계산에 직접 통합되었다. 두 GCG 축의 회전 가속도를 계산하기 위해 유사한 프로세스가 사용했다. 3개의 처리된 파형 모두 거의 동일한 타임스탬프에 집중된 Lorentzian 피크를 나타냈다. 일치하는 피크의 이 삼중항의 발생은 그들 사이의 공통된 기계적 기원의 가능성을 나타낸다. 이 기원은 심장 상 전이 동안 발생하는 기계적 활동에 기인한다. 이들 Lorentzian 피크들의 두드러짐은 이 접근 방식의 타당성을 확인했다.
이들 진동 펄스는 심장의 기계적 활동에 의해 유도되는 것으로 알려져 있다. 이 활동은 판막 작동과 대동맥 및 흉벽의 심실에 의해 가해지는 압력의 조합으로 추측했다. 이 움직임(모션)은 혈액의 각 박출량에 대해 심실에서 생성된 운동 에너지를 나타낸다. 따라서 선형 운동 에너지(KE)도 SNR 증폭의 가능한 후보로 간주했다. 각 심장 주기 동안 센서, 몸통 및 혈액의 박출량이 일정하다고 가정하면 진동 펄스의 선형은 가속도 파형의 적분, 즉 선형 속도에 반영된다. 그러나 선형 속도 계산의 정확도는 알 수 없는 초기 속도에 대한 종속성으로 인해 물리적으로 제한했다. 따라서 선형 KE를 반영하는 파형을 도출할 수 없었다. 그 결과는 센서 노이즈 및 바이어스로 드리프트되기 쉽다. 대안적으로, 심장 진동의 
성분은 심장 소리의 발생과 일치하는 특징적인 진동을 나타내는 것으로 알려져 있다. 이것은 진동 펄스가 가속도 또는 저크의 변화율로 식별될 수 있음을 의미한다. 진동 에너지의 최대 60%가 신호의 회전 성분에 포함되어 있기 때문에 진동 파형의 회전 운동 에너지도 SNR 증폭의 가능한 후보로 고려했다. 각 주기 동안 관성 모멘트가 일정하다고 가정하면 진동 펄스의 회전 운동 에너지가 회전 
파형에 반영된다. 따라서 이전 작업에서 
및 
성분을 제곱하여 에너지 프로파일을 얻었다. 그러나 제곱 함수의 수학적 특성으로 인해 신호의 제로 크로싱은 회전 운동 에너지 파형에서도 제로화했다. 이로 인해 파형이 모든 진동에 대해 두 개의 피크로 분할했다. 이러한 동작은 각 진동 펄스를 식별 가능한 단일 델타 함수로 변환하는 알고리즘의 목적에 부합하지 않았다. 이러한 맥락에서 회전 운동 에너지로의 변환은 GCG 신호의 진동 특징을 적절하게 강조하지 못했다. 이것이 회전 가속도를 반영하는 파형을 생성하는 회전 신호도 차별화된 이유이다.
기본 심음과 관련된 최고점의 타이밍을 동시 ECG 및 ICG 기록과 비교했다. 두 번째 심음의 경우 VCG 및 ICG 신호의 서로 다른 물리적 기원을 설명하기 위해 LVETF를 성능 지수로 사용했다. 또한 수축기 종료를 식별하는 능력을 ECG R 피크와 관련하여 평가했다. ICG와 VCG에서 얻은 측정치 사이의 가장 두드러진 불일치는 생리학적 기원인 것으로 밝혀졌다. 호흡에 대한 BTB 측정의 느리게 변화하는 진동은 일반적으로 상대적으로 일정한 LVETF를 가정하여 LVET에 반영된다. 그러나 LVETICG는 이 효과에 의해 조절되었지만 LVETCG는 그렇지 않았다. 그러나 VCG 신호에서 Lorentzian 피크의 높이는 호흡량에 따라 천천히 변화하는 진동을 나타낸다. VCG 형태에 대한 이러한 호흡의 선택적 효과는 폐 확장에 의해 심장에 가해지는 외부 압력에 기인하며, 이는 심장이 압축될 때 흉벽에 가해지는 힘을 비례적으로 증폭하는 것으로 가정된다. 따라서 진동파 전파 경로를 따라 변화하는 유기 물질의 밀도는 그룹 속도를 수정하면서 펄스 진폭을 증가시킬 수 있다.
본 발명자들의 연구 결과는 전자 기계 심장 모니터에서 VCG와 ECG의 조합을 사용함으로써 심장 활동에 대한 더 깊은 분석을 수행할 수 있음을 시사한다. 이는 결합된 전기 ECG 및 기계적 VCG 신호에서 얻은 콘텐츠 풍부한 정보와 두 측정 방법의 높은 정확도 때문이다. 이러한 진동파는 전파 후에도 특징적인 신호 프로파일의 많은 부분을 분명히 유지하기 때문에 이와 같은 분석은 심장 활동에 의해 전달되는 진동 에너지에 대한 새로운 통찰력을 제공할 수 있다.
V. 결론.
심장 모니터는 심장 건강의 유지 및 개선에 필수적인 도구이다. 심장 기능을 평가하기 위한 기본 메트릭은 HR 및 LVET이다. 본 발명자들는 이러한 지표를 추적하기 위해 VCG를 사용할 가능성을 조사했다. 진동 펄스(V1, V2)의 SNR은 새로운 알고리즘을 사용하여 개선했다. 실험 데이터는 60.49bpm의 HR에 해당하는 평균 BTB가 0.99초인 5129개의 심장 주기로 구성했다. V1의 식별 정확도는 동시 ECG 측정과 관련하여 ICG 및 VCG 파형에서 각각 측정된 순간 HR에 대해 0.9824 및 0.9887의 제곱 상관 계수를 생성했다. V2에 대한 상관관계는 각각 
및 
기간을 사용하여 VCG 및 ICG를 ECG와 비교할 때 0.251이었고, LVETF 측정을 비교할 때 0.2797이었다. 이러한 결과는 심장의 기계적 활동을 검출하고 분석하는 VCG의 잠재력을 보여준다. 또한 VCG 동작 센서의 폼 팩터와 비용으로 인해 웨어러블 검출 및 자율 의료 분야의 응용 분야에 매력적인 옵션이 된다.
이제 VCG를 사용하여 정적 폐용적 상태의 신경망 기반 분류를 위한 알고리즘 및 기술에 대해 설명한다. 이러한 알고리즘 및 기술은 도 2-6에 기술된 시스템 및 방법과 같이 본 명세서에 기술된 혈압 측정을 위한 시스템 및 방법에 의해 구현될 수 있다. 예를 들어, 알고리즘 및 기술은 (예를 들어 실시간 신호 처리 장치를 통해) 센서 인터페이스 장치(314) 또는 도 4의 데이터 분석 서버(328) 또는 도 5의 컴퓨터 시스템(400)에 의해 수행될 수 있다.
비침습적 건강 모니터링은 치료의 전달 및 효율성을 향상시킬 수 있는 잠재력을 가지고 있다. 목적: 이 연구는 피험자의 폐용적 상태(즉, 피험자가 완전히 들숨 또는 날숨을 각각 높은 폐용적(HLV) 또는 낮은 폐용적(LLV)) 분류하기 위한 신경망을 개발하는 것을 목적으로 한다. 진동 심전도(VCG) 신호에서 추출한 주기. 방법: 총 15619회의 심장 주기가 50명의 피험자로부터 기록되었으며, 그 중 9989주기는 HLV 상태에서 기록되었고 나머지 5630주기는 LLV 상태에서 기록했다. 이러한 심장 주기의 폐 용적 상태를 분류하기 위해 1D CNN(컨볼루션 신경망)이 사용했다. 결과: CNN 모델은 데이터에 대해 80/20의 훈련/테스트 분할을 사용하여 평가했다. 개발된 모델은 테스트 데이터의 99.4%의 폐용적 상태를 정확하게 분류할 수 있었다. 결론: VCG 심장 주기는 CNN을 사용하여 폐 용적 상태에 따라 분류할 수 있다. 의의: 이 결과는 VCG와 호흡량 사이의 상관 관계에 대한 증거를 제공하며, 이는 VCG 기반 심폐 모니터링에 대한 추가 분석을 알릴 수 있다.
I. 서론
심혈관 질환(CVD)은 전 세계 사망률의 주요 원인이다. 예방 치료가 수백만 명의 사망률과 수조 달러의 경제적 손실을 줄일 수 있다는 사실과 함께 CVD 관련 사건의 만연은 의료계가 CVD에 대처하기 위한 예방 조치를 찾도록 자극했다. 비침습적이고 지속적인 건강 모니터링은 생리학적 신호를 심혈관 건강 상태 궤적에 연결하는 알고리즘을 활용하여 진단을 가속화하고 예방 치료를 개선하며 생명을 구할 수 있다. 이러한 추세를 분류하는 기계 학습(ML) 알고리즘의 잠재력은 분명하다. 그러나 심장 및 호흡 모니터링에 사용할 수 있는 다양한 기술에도 불구하고 이 작업은 비의료 시나리오에서 여전히 중요하다. 이것은 정확성을 유지하면서 일상 생활을 크게 방해하지 않는 비침습적이고 지속적인 심폐 모니터링 방법의 필요성을 보여준다. 이 연구에서는 가능한 솔루션으로 진동 심전도(VCG)를 조사한다.
심폐 활동은 흉벽을 통해 전파되는 흉부 진동을 생성한다. 이러한 진동은 흉부의 심장 위치로 인해 진동 신호가 가장 강한 흉골의 검상돌기에서 피부에 부착된 가속도계에 의해 비침습적으로 기록될 수 있다. 기록된 가속도계 신호를 SCG(심전도) 신호라고 한다. 최근 MEMS(Microelectro-Mechanical System) 기반의 동작 추적 기술은 가속도계와 자이로스코프가 하나의 소형 관성 측정 장치(IMU)에 통합되는 수준까지 향상했다. 이것은 통합된 결합 회전 신호를 제공했으며, 이는 보완 측정으로서 자이로심장조영술(GCG) 연구에 동기를 부여했다.
심장에서 신체로 전달되는 총 운동 에너지의 50% 이상이 GCG 신호에 포함되어 있는 것으로 나타났으며, 이는 심장 활동 모니터링에서 GCG의 부가 가치를 나타낸다. 또한 두 측정이 서로 직교하기 때문에 각 측정이 취약한 노이즈 특성에 내재된 차이가 있다. 이렇게 하면 두 가지 정보를 결합할 때 보다 포괄적인 분석이 가능하다. 따라서 이 작업에서는 진동 심전도(VCG)를 활용했다.
다수의 연구는 심전도(ECG) 또는 SCG를 사용하여 호흡률 또는 호흡 단계와 같은 호흡 정보를 추출하지만, VCG를 사용하여 박자간 기준으로 수행한 연구는 없다. 이 연구에 가장 근접한 작업은 정적 호흡량이 VCG 신호 형태에 미치는 영향을 조사하고 기계 학습 접근 방식을 SCG에 사용하여 박동 간 기준으로 호흡 단계를 식별한 것이다.
이 논문은 상응하는 VCG 심장 주기(CC)를 분석함으로써 박자 단위로 높은 폐용적(HLV) 대 낮은 폐용적(LLV)을 분류하는 새로운 방법을 제시한다. 본 발명자들의 접근 방식은 컨볼루션 신경망(CNN)을 기반으로 한다. 각 CC의 해당 폐 부피 상태를 분류하기 위해 1D CNN이 사용했다. CNN은 로컬 기능에 적용되는 컨볼루션 필터를 사용한다. 로컬 기능을 강제로 추출하여 어느 정도의 이동, 스케일 및 왜곡 불변성이 보장된다. 원래 컴퓨터 비전 작업을 위해 제안되었지만 CNN 모델 및 아키텍처는 그 이후로 다른 많은 응용 프로그램에서 상당히 효과적인 것으로 입증했다. 1D CNN은 2D 필터 대신 1D 필터를 사용한다. 이러한 모델은 시간적 차원을 따라 데이터를 분석하는 데 특히 유용하므로 VCG 신호 분석 작업에 선택한 이유이다.
II. 방법론
SCG 및 VCG 신호의 형태는 호흡 단계(즉, 흡기 대 호기) 및 폐 용적 상태(즉, HLV 대 LLV)에 따라 다르다. 또한 진폭 및 타이밍과 같은 SCG 신호의 특정 기능은 호흡 활동에 따라 변경된다. SCG 및 VCG에 대한 이러한 호흡 효과는 진단적으로 가치가 있을 수 있는 다른 신호 가변성을 가릴 가능성이 있는 형태학적 차이를 유발한다. 따라서 이러한 차이점을 줄이기 위해서는, 폐 용적을 기준으로 VCG 신호를 그룹화하는 것이 효과적인데, 각각의 그룹이 유사한 파형 형태를 갖기 때문이다. 이는 보다 정확한 신호 분석이 가능하고 VCG의 진단 가치를 높일 수 있도록 한다.
여기서 본 발명자들는 2개의 뚜렷한 폐 용적 상태를 정의한다; 피험자가 완전히 흡입한 HLV, 및 피험자가 완전히 내쉬는 LLV.
A. 데이터 수집
McGill Review Ethics Board의 승인을 받아 맥길 유니버시티에서 실험 데이터를 수집했다. 관성 측정은 양면 테이프 한 장으로 흉골의 검돌기에 부착된 6축 IMU(MPU 9250, InvenSense)로 기록하였다. IMU는 데이터 수집을 관리하기 위해 Raspberry Pi(Pi Zero W, Raspberry)에 연결했다. 가속도계의 양의 X, Y 및 Z축은 각각 하측, 우측 및 외측으로 향했다. 결과적으로 자이로스코프 좌표는 이러한 축에 대한 회전에 대한 오른손 규칙을 따랐다. 또한 BIOPAC 시스템을 사용하여 ECG를 동시에 기록했다. ECG 전극은 몸통의 아인트호벤 삼각형으로 피부에 부착했다. IMU 및 ECG 전극의 기술된 배치 및 방향은 도 48(a)에 도시되어 있다. 이 배치로부터의 대응하는 신호 형태는 모든 축 구성 요소의 가속에 대해 도 48(b)에 도시되고 모든 축 구성 요소의 회전에 대해 도 48(c)에 도시된다.
피험자는 HLV와 LLV 모두에서 가능한 한 오랫동안 숨을 참도록 요청받았으며, HLV의 경우 최대 2분, LLV의 경우 최대 1분이다. HLV 홀드는 홀드 전에 가능한 한 많이 들이쉬는 것을 포함하는 반면, LLV 홀드는, 참기 전에 가능한 한 많이 내쉬는 것을 포함한다. 이 홀드는 중간에 휴식을 취하면서 두 번 더 반복되어 피험자당 3개의 HLV 홀드와 3개의 LLV 홀드를 제공했다. 모든 테스트는 피험자가누운 자세에서 수행되었다. 표본 크기는 50명의 참가자였으며 연구 모집단의 평균 지표는 표 5에서 볼 수 있다.
최근 연구는 SCG 사건 사이의 형태학적 차이가 호흡 흐름(즉, 흡기 대 호기)보다 폐 용적 상태에 더 의존한다는 것을 보여주었다. 따라서 본 발명자들의 접근 방식은 호흡 흐름을 고려하지 않았으며 규칙적인 호흡이 아닌 정적 호흡 유지에서 데이터를 수집했다.
도 48: (a) 그의 배향이 데카르트 기준 축에 의해 표시되는 (흑색으로 도시된) 흉골의 검상돌기 상의 관성 측정 유닛(IMU) 및 몸통에 부착된 (녹색으로 도시된) 심전도(ECG) 전극들의 위치. 단일 CC의 해당 신호 형태는 (b) 모든 축 성분들의 가속 및 (c) 모든 축 성분들의 회전에 대해 도시된다.
표 5: 연구 모집단
B. 전처리
전처리는 VCG 신호를 CC로 분리하고 CC당 500 샘플의 균일한 길이로 보간하는 것을 수반했다. 각 CC의 시작은 동시에 기록된 ECG R-피크의 타임스탬프 이전 0.02초로 설정했다. 이는, P파의 시작과 결과적으로 주어진 CC에 해당하는 진동을 대략적으로 설명하기 위해 수행했다. Matlab(R2019b) 및 Python 패키지 Scikit-Learn 및 NumPy를 사용하여 신호를 사전 처리했다.
C. 특징 구성
균일 길이 CC 벡터를 연결하여 각 축 구성 요소에 대한 예비 n x m 특징 행렬을 형성했다. 여기서 n은 데이터세트의 심장 주기 수이고 m은 심장 주기당 요소 수이다(여기에서 500 사례). 예비 특징 행렬은 방정식 (1)에 표시되며, 여기서 xn[m]은 n번째 CC의 m번째 요소를 나타낸다.
이 프로세스는 모든 6축 구성 요소에 대해 반복되었으며, 결과적인 특징 배열은 훈련에 사용되는 최종 n × m × 6 특징 매트릭스를 형성하기 위해 제3 축을 따라 연결했다.
훈련에 사용된 레이블은 이진법이었다. 1은 HLV 심장 주기에 기인하고 0은 LLV 심장 주기에 기인한다.
D. 컨볼루션 신경망
개발된 CNN은 2개의 컨볼루션 레이어, 최대 풀링 레이어, 완전 연결된 히든 레이어 및 완전 연결된 출력 레이어로 구성되었다. 드롭아웃 정규화를 사용하여 일반화를 개선하고 과적합을 줄였다. 2개의 컨벌루션 레이어와 첫 번째 완전 연결 레이어의 활성화 함수는 ReLU(Rectified Linear Unit)를 사용하였고, 분류를 위한 출력에는 소프트맥스 활성화 함수를 사용하였다.
이 모델은 손실 함수로 사용된 희소 범주 교차 엔트로피 함수로 50 에포크 동안 훈련했다. Adam 옵티마이저는 네트워크 가중치를 업데이트하고 학습률 하이퍼파라미터를 동적으로 변경하기 위해 사용했다. 개발된 CNN의 전체 아키텍처는 다음과 같다.
도 49. CNN의 구현은 Python 패키지 Keras에 의해 수행되었다.
도 49: VCG 심장 주기의 폐 용적 상태를 분류하기 위해 제안된 CNN의 전체 아키텍쳐.
III. 결과
본 발명자들가 제안한 CNN의 성능을 조사하기 위해, 15619 CC의 전체 데이터 세트는 훈련 및 테스트 세트로 무작위로 분할되었으며, 12495개의 샘플은 훈련에 사용되고 3124개는 테스트에 사용했다(즉, 80/20 분할).
개발된 모델은 테스트 세트에서 평가했다. 앞서 언급한 바와 같이 피쳐 생성 시 HLV는 1로, LLV는 0으로 정의했다. 따라서 HLV로 정확하게 예측된 HLV 심장 주기는 진양성(TP)으로 표시되었고, LLV로 올바르게 예측된 LLV 심장 주기는 진음성(TN)으로 표시했다. 또한 LLV로 잘못 예측된 HLV 심장 주기는 위음성(FN)으로 표시되었고, HLV로 잘못 예측된 LLV 심장 주기는 위양성(FP)으로 표시했다.
정확도, 정밀도 및 재현율은 방정식 (2), (3) 및 (4)에 따라 각각 99.4%, 99.4% 및 99.5%로 평가했다. 결과 혼동 행렬은 표 6에 도시되어 있다.
표 6: 분류 결과에 대한 혼동 매트릭스
IV. 논의
폐 용적 상태 분류에서 개발된 모델의 높은 정확도로 인해, 본 발명자들의 결과는 폐 용적 상태의 차이(즉, HLV 대 LLV)가 VCG 파형들 사이의 정량화 가능한 구별을 초래한다는 것을 보여 준다는 도달된 결론을 반복한다. VCG에 대한 폐 용적 상태의 영향은 세 가지 상호 관련된 메커니즘을 포함하는 것으로 가정된다. 첫째, 폐의 공기량은 심장 활동의 진동파가 조절되는 방식을 변경하여 피부 표면에 기록되는 VCG 신호의 형태에 영향을 줄 수 있다. 더욱이, 폐용적의 변화는 흉강 내 압력 변화를 일으켜 심박출량의 변화를 일으킬 수 있다. 마지막으로, 폐 용적 상태의 변화로 인한 심장, 폐 및 횡경막의 움직임은 아마도 IMU에 대한 심장의 위치를 변경한다. 각 메커니즘의 정확한 기여도는 결정되지 않았지만 이러한 메커니즘과 다른 메커니즘은 VCG 형태에 복잡한 변화를 일으킬 수 있다.
본 발명자들의 결과는 SVM(support vector machine)이 75% 정확도로 SCG 신호로부터 폐 용적 상태(즉, HLV 또는 LLV)를 분류할 수 있음을 보여주는 것에 의해 얻어진 결과에 대한 개선점이기도 하다. 그러나, 이 연구는 정적 호흡 유지가 아닌 동적 호흡 데이터를 활용했다는 점에 유의해야 한다. 개선된 분류 정확도는 세 가지 가능한 의미로 이어진다. 1) 분석에 추가된 GCG가 정확도 증가, 2) CNN 접근 방식이 SVM 접근 방식보다 VCG 분석에 더 정확함, 3) 동적 호흡 데이터를 사용하여 폐 용적 상태를 분류하는 것이 훨씬 적음 정적 호흡 유지를 사용하는 것보다 정확하다. 이러한 의미가 분류 정확도에 영향을 미치는 정도는 명확하지 않는다. 따라서 이것은 폐 용적 상태 분류와 관련이 있으므로 VCG에 대한 추가 조사를 위한 잠재적인 방법이다.
또한, 이 연구에는 특정 제한 사항이 있다. 첫째, 정상적으로 호흡하는 것과는 반대로 숨을 참는 피험자로부터 데이터를 수집했다. 따라서 제안된 CNN이 정적인 숨 참기 대신 동적 호흡 데이터에서 유사하게 수행하도록 조정될 수 있는지 여부는 여전히 남아 있다. 둘째, 제안된 CNN 모델의 학습 시간이 길기 때문에 모델 평가 기법으로 교차 검증 절차를 활용하지 않았다. 마지막으로, 모든 데이터는 앙와위로 누운 피험자를 피험자으로 수집했다.
따라서, CNN 모델이 움직이는 피험자 또는 다른 위치의 데이터에 대해 유사하게 수행할지 여부는 명확하지 않다.
V. 결론
이 작업에서는 폐 용적 상태를 기반으로 VCG 심장 주기를 분류하는 방법론으로 1D CNN 아키텍처가 도시되었다. VCG는 비침습적이고 지속적인 건강 모니터링을 위한 저비용 솔루션이다. 그러나, 한계들 중 하나는 폐 용적 상태가 VCG 신호 형태에 영향을 미치는 생물학적 과정이 완전히 이해되지 않는다는 것이다. 따라서, 폐의 공기 부피에 의해 도입된 형태학적 차이를 줄이기 위해 해당 폐 부피 상태를 기반으로 VCG 심장 주기를 분류하는 것이 효과적이다. 제안된 CNN은 효과가 어떻게 발생하는지에 대한 이해 없이 이러한 생물학적 프로세스의 효과를 학습했다. 주어진 VCG 심장 주기의 폐 용적 상태를 99.4%의 정확도로 분류할 수 있었으며, 이는 폐 용적이 CNN의 관점에서 식별 가능한 분산을 생성했음이 입증되었다.
이 작업의 결과는 지속적이고 비침습적인 건강 모니터링을 위한 VCG 유래 폐 용적 정보에 대한 추가 조사를 위한 기초를 확립한다. 이러한 건강 모니터링 기술은 의료 진단 및 치료의 전달, 속도, 액세스 및 효율성을 높일 수 있다.
서로 다른 방향을 가진 VCG로부터의 심박수 추정을 위한 알고리즘 및 기술이 이제 설명될 것이다. 이러한 알고리즘 및 기술은 도 2-6에 기술된 시스템 및 방법과 같이 본 명세서에 기술된 혈압 측정을 위한 시스템 및 방법에 의해 구현될 수 있다. 예를 들어, 알고리즘 및 기술은 도 4의 시스템(300) 또는 도 5의 컴퓨터 시스템의 실시간 신호 처리 장치(318)에 의해 수행될 수 있다.
원격 건강 모니터링은 의료 치료의 품질 및 전달을 개선할 수 있는 잠재력과 심혈관 질환의 세계적인 증가로 인해 널리 논의되는 주제이다. 목적: 지진 심장조영술과 자이로카디오그래피는 신뢰할 수 있는 심박수 정보를 제공하는 것으로 나타났다. 흉골에서 기계적 신호를 모니터링하기 위해 간단하고 효율적인 설정이 개발했다. 심박수를 검출하기 위해 방향이 다른 피험자에게 자기 상관에 기반한 알고리즘을 실행했다. 방법: 피험자는 관성 측정 장치인 Raspberry Pi 및 BIOPAC 획득 시스템을 사용하여 SCG와 GCG를 모두 기록하는 몇 가지 테스트를 수행했다. 5명의 피험자로부터 총 2335회의 심장 주기를 얻었다. 심박수는 초당 기준으로 결정되었고 상관 계수에 의해 심전도(ECG) 기준과 비교했다. 앙상블 평균은 VCG 형태의 차이를 시각화하는 데 사용했다. 결과: 5명의 피험자 모두에 걸쳐 VCG 신호에서 얻은 심박수 추정치는 ECG로 참조되었으며 전체 데이터 세트에 걸친 0.965에 비해, 누운 상태에서 0.956, 서 있을 때 0.975의 r-제곱 상관 계수를 달성했다. 결론: 자동상관 차동 알고리즘(reldated Differential Algorithm)은 방향과 자세에 관계없이 심박수를 성공적으로 검출할 수 있었다. 의의: 측정 중 신체 방향의 변화로 인해 부정확성이 발생한다. 이 작업은 알고리즘이 방향에 저항하고 일상 생활에 더 적응할 수 있음을 보여준다.
I. 서론
지속적인 원격 건강 모니터링은, 주요 사망 원인으로서 심혈관 질환의 세계적인 증가로 인해 두드러진다. 심장 합병증은 임박한 질병이 발생하기 몇 년 동안 검출되지 않은 상태로 남아 있을 수 있다. 더 오랜 시간 동안 지속적으로 모니터링하면 활력 징후의 이상을 조기에 검출할 수 있다. 이것은 질병이 발생하기 전에 질병을 예측할 수 있는 능력을 제공하고 더 나은 예방 기회를 제공한다. 또한, 의료 전문가의 순간적인 모니터링 및 진단은 심리적 또는 상황적 영향에 따라 심장 활동이 변화하기 때문에 부정확할 수 있다. 지속적인 모니터링은 의료인에게 보다 정확한 진단을 위한 보다 신뢰할 수 있는 정보를 제공할 뿐만 아니라 일상 활동 중(직장에서, 집에서, 스포츠 활동 중 등) 활력 징후 측정을 제공할 것이다.
이러한 이유로 전 세계 연구자들이 비침습적이고 지속적인 심장 모니터링을 추구할 수 있는 길을 열었다. 심장 활동은 흉부를 통해 전파되는 기계적 파동을 생성하며 3축 가속도계 및 자이로스코프를 사용하여 피부에서 측정할 수 있다. 이러한 측정을 심전도(SCG) 및 심자이로(GCG)라고 하며 심장 역학, 심박수 및 소리에 대한 신뢰할 수 있는 정보를 제공하는 동시에 사전 박출 기간 및 좌심실 박출 시간과 같은 추가 기능을 제공하는 것으로 입증했다. 동작 추적을 위한 마이크로폰로 전자 기계 시스템 솔루션은 단일 관성 측정 장치(IMU)에 가속도계와 자이로스코프를 모두 포함할 수 있는 가능성을 제공했다. 이를 통해 VCG(Vibrational Cardiography)라고 통칭하는 SCG와 GCG를 동시에 측정할 수 있다.
심박수를 검출하는 기준은 심장의 전위를 측정하는 심전도(ECG)이다. 그러나, ECG는 심장 근육의 실제 움직임에 대한 직접적인 정보를 제공하지 않는다. ECG는 심장 역학이 가정되지만 얻어지지 않는 표면 전위의 측정을 제공한다. 또는 VCG는 보다 포괄적인 진동 신호에서 SCG와 GCG 모두에서 상호 직교하는 6개의 축을 통합하여 진동을 통해 심장의 기계적 움직임을 기록한다. 결합된 SCG 및 GCG 측정은 신호의 서로 다른 잡음 제거 기준으로 인해 정확도를 향상시키는 것으로 밝혀졌다.
VCG 신호 형태의 현저한 문제는 연령, 성별, BMI, 호흡 및 움직임을 포함하는 여러 요인으로 인해 크게 변하는 경향이 있다는 것이다. 자세는 신체의 기계적 진동 반응의 변화로 인해 SCG 신호를 왜곡할 수 있다. 이러한 변수는 불일치를 유발한다. 더 깊은 이해는 잠재적으로 VCG 노이즈를 감소시키고 보다 신뢰할 수 있는 데이터를 제공할 수 있다. 이 논문의 목적은 피험자가 누운 자세로 제한되지 않을 때 방향이 심박수 검출에 미치는 영향을 분석하는 것이다. 이 논문은 피험자의 방향과 자세에 대한 평가와 분류에 대한 박동의 타당성을 탐구하기 위한 파일럿 연구 역할을 한다. 이 작업은 VCG 신호를 일상적인 심장 모니터링 기술로 사용하기 위한 다음 단계를 보여준다. 매일 사용하려면 누운 자세보다 더 많은 위치에서 기록해야 하기 때문이다.
II. 방법
A. 시스템 구성
심장 유도 진동은 흉골의 검상돌기에 배치된 IMU에 의해 검출했다. IMU 센서는 9축 InvenSense Motion Processing Unit™ 9250이다. 이 연구에는 3축 자이로스코프와 가속도계만 사용했다. RPI(Raspberry PI) Zero W를 사용하여 시스템을 제어했다. 이 RPI 모델은 사용자의 전력 및 무선 이동성을 위해 PIZ Uptime 배터리 실드를 사용했다. 배터리 실드는 리튬 이온 충전식 배터리를 사용했다.
1kHz의 샘플링 속도로 BIOPAC 시스템으로부터 ECG 측정값을 얻었고 기준으로 사용했다. BIOPAC은 생리학적 모니터링을 위한 최첨단 데이터 수집 시스템 및 데이터 로거(logger)들을 제공한다. RPI와 ECG 데이터 간의, 획득 후 동기화를 지원하는 BIOPAC 클록은 프로그래밍 가능한 범용 입력 출력(GPIO) 핀을 사용하여 RPI에 입력했다. 센서 설정의 샘플링 속도는 약 270Hz이다. 도 50과 같이 GPIO 핀 1(보라색), 3(흑색), 5(적색), 9(녹색)는 센서에 대한 I2C 연결에 사용했다. 데이터 수집은 맞춤형 웹 기반 사용자 인터페이스로 제어되었으며 신호 처리는 MATLAB(R2019a)을 사용하여 수행했다. RPI는 IMU와 BIOPAC 동기화 펄스에서 원시 데이터를 획득하고 데이터를 Micro SD 카드의 텍스트 파일에 추가했다.
도 50. RPI 및 IMU 시스템 구성
B. 데이터 수집
실험 데이터는 매길 유니버시티에서 McGill Review Ethics Board의 승인을 받아 수집했다. 마이크로컨트롤러는 센서 근처에 있는 피험자의 몸통에 묶였다. 도 51(a)와 같이 가속도계의 X축, Y축, Z축은 각각 아래쪽, 우측, 바깥쪽을 향하도록 하였다. 자이로스코프는 이러한 축에 대한 회전에 대해 오른손 법칙을 따랐다. ECG 전극은 도 51(a)와 같이 Einthoven 삼각형으로 피부에 부착하고 BIOPAC에 연결하여 측정하였다. 획득된 신호의 단일 하트비트, Z축 가속도 및 X축 회전은 각각 도 51(b) 및 (c)에 도시된다. 실험에는 심혈관 문제의 병력이 없는 건강한 피험자 5명(남성 4명, 여성 1명)이 포함되었다. 참가자는 (평균): 23.6세, 체중 70.8kg, 키 174.1cm(표 1). 센서를 연결한 후 피실험자는 5가지 다른 테스트를 수행했다. 각각은 65초 동안 지속되는 움직이지 않는 실험이었다. 첫 번째는 마사지 테이블에서 측정한 바로 누운 자세 테스트였다. 두 번째와 제3 테스트에서 피실험자들은 좌측을 본 다음 우측을 향하도록 요청받았다. 네 번째 테스트는 참가자가 의자에 앉아 진행했다. 마지막으로 다섯 번째 테스트는 스탠딩 실험이었다. 테스트에는 지정된 자세와 방향에서 편안한 호흡이 포함되었다.
표 7: 피험자의 나이, 체중 및 키.
도 51. (a) 센서 및 전극 배치. (b) Z축 가속. (c) X축 선회.
C. 처리
처리에는 BIOPAC AcqKnowledge ECG 주석 루틴을 사용하여 R-피크를 식별하는 것이 포함된다. 다음, IMU 원시 데이터를 가속도/회전 값으로 변환하고 BIOPAC 클록를 사용하여 ECG와 동기화했다. ADA(Autocorrelated Differential Algorithm)를 사용하여 기계적 신호로부터 심박수를 얻었다. ADA는, 실시간 심폐 모니터링을 위한 SCG 기반 솔루션으로, 윈도우잉(windowing), 시간 변화 및 자동상관을 사용하여 각각의 평가된 각 초 데이터에 대한 심박수 추정치를 생성한다. 이는 후에 GCG로도 확장된다. 심장 주기의 의사(quasi) 주기성 및 첫 번째 심음 형태의 일관성으로 인해 자동상관이 알고리즘의 기초로 선택되었다. ADA는 신체 활동을 통해 엄격하게 테스트되었으며 최대 0.97의 ECG 기준 측정과 높은 상관계수를 달성했다. 이 처리는 심박수를 추정하기 위해 ADA의 GCG 확장 버전을 통합했다.
D. 평가
이 논문은 Pearson의 제곱 상관 계수 r2를 사용하여 ADA 유도 심박수와 ECG 유도 심박수 사이의 선형 관계를 이용한다. 데이터의 추세를 결정하기 위해 데이터를 구분하는 세 가지 방법을 사용하여 서로 다른 하위 집합을 분석했다. 첫째, 상관 계수는 테스트별 및 피험자별로 계산되었으며, 여기서 상관관계는 단일 65초 테스트에 대한 VCG-ECG 관계를 나타낸다. 포인트 수가 적으면 이상값이 발생하여 상관 계수가 크게 떨어진다. 방향에 따른 추세를 더 잘 분석하기 위해 각 테스트의 모든 심박수가 5명의 피험자에 걸쳐 수집된 두 번째 하위 집합이 사용했다. 이것은 5개의 방향 테스트 각각에 대해 하나의 총 r2를 생성했다. 사용된 제3 하위 집합은 각 주제에 대한 변화를 결정하는 것이었다. 한 피험자의 모든 심장 박동이 모든 테스트에서 수집했다. 이것은 5개의 주제 각각에 대해 하나의 총 r2를 생성했다. 최종 총 상관 계수는 결합된 모든 하위 테스트 및 주제에 대해 표시했다.
III. 결과
VCG 파형에서 얻어진 심박수는 표 8에 도시된 상관계수를 얻기 위해 BIOPAC의 ECG 유도 심박수를 참조했다. 표는 각 하위 검사 및 피험자에 대해 얻은 개별 상관 관계를 보여준다. 테스트별 및 주제별 기준. 결과는 사실상의 SCG 누운 자세에서 알고리즘이 0.956의 r2를 생성했음을 보여준다. 알고리즘이 설계되지 않은 다른 위치로 전환할 때 상관 계수에 작지만 미미한 변화가 있다. 최악의 방향은 r2가 0.915로 피험자가 우측으로 누웠을 때였다. 이것은 ADA가 방향 변경에 의해 최소한의 영향을 받는다는 것을 보여준다.
표 II: ADA 심박수 상관 계수
도 52. 전체 데이터세트에서 VCG 유래 HR과 ECG 유래 HR을 비교하는 상관관계 및 Bland Altman 플롯.
결과는 ADA가 성공적으로 VCG 파형을 분석하고 전체 데이터세트에 걸쳐 0.965의 총 r2 계수로 정확한 심박수 결과를 얻었다는 것을 보여주었다. 이것은 알고리즘이 누운 자세에서만 평가되었을 때 문헌에서 생성된 상관관계와 동등하다. ECG를 참조할 때 VCG의 심박수(HR) 상관 관계는 도 52에 도시되어 있다.
IV. 논의
심박수 모니터링 동안 신체 위치의 변동은 VCG 형태의 차이를 도입한다. 도 53의 앙상블 평균은 한 피험자의 5가지 테스트 각각에서 SCG 신호를 별도의 심장 주기로 분리하여 얻었다. 앙상블 평균은 방향과 자세에 따라 변동을 보여준다. 예상대로 누운 자세에서 똑바로 선 자세로 전환할 때 센서의 소음이 크게 증가한다. 이는 서 있을 때보다 누운 상태에서 피험자이 더 가만히 남아 있기 때문일 수 있다. 또한 신호 내에서 덜 뚜렷한 피크가 있다. 많은 임계값 기반 알고리즘은 유사한 중요도를 가지고 있기 때문에 이것을 다른 피크와 구별하는 데 어려움을 겪을 수 있지만 SCG 알고리즘의 오픈 소스 가용성 부족으로 인해 정량적으로 탐색되지 않았다. 결과에서 기술된 ADA는 서 있을 때와 누웠을 때 거의 동일한 정확도로 수행했다. 따라서 특징 증폭 및 자기 상관으로 인해 알고리즘이 형태 변화에 덜 민감하고 누운 자세에 제약을 받지 않는다는 것을 추론할 수 있다.
도 53. (a) 앙와위, (b) 좌측을 향하고, (c) 우측을 향하고, (d) 앉고, (e) 서 있을 때 단일 피험자에 대한 앙상블 평균.
V. 결론
VCG는 심장 모니터링에 대한 유망한 솔루션으로 제시된다. 가장 큰 한계 중 하나는 방향을 포함하여 개인 내 효과에서 보이는 형태의 변화이다. 본 발명자들는 간단한 무선 IMU-RPI 설정을 사용하여 다양한 방향에서 심박수를 성공적으로 추정할 수 있음을 보여주었다. 테스트한 알고리즘은 누운 자세에서 0.956, 서 있을 때 0.975의 제곱 상관 계수를 생성하여 큰 차이를 보이지 않았다. 통계적 유의성을 입증하기 위해 더 많은 주제와 방향을 가진 더 큰 연구가 수행될 것이다. 이러한 결과는 VCG 형태 차이 및 검출 알고리즘의 적응성에 대한 추가 조사를 위한 기초를 설정한다. 이 연구는 모션 아티팩트를 줄이고 파형 분류를 지원하는 차동 장치 역할을 하는 두 번째 IMU로 확장될 수 있다.
호흡으로 인해 흉부 착용 관성 센서를 통해 기록된 VCG의 변조를 검출하고 결정하기 위한 알고리즘 및 기술이 이제 설명될 것이다. 이러한 알고리즘 및 기술은 도 2-6에 기술된 시스템 및 방법과 같이 본 명세서에 기술된 혈압 측정을 위한 시스템 및 방법에 의해 구현될 수 있다. 예를 들어, 알고리즘 및 기술은 도 4의 시스템(300) 또는 도 5의 컴퓨터 시스템(400)의 실시간 신호 처리 장치(318)(예컨대, 필터링 및 복조 장치(420))에 의해 수행될 수 있다.
심혈관 및 호흡기 질환의 증가로 인해 휴대용 건강 모니터링의 수요가 증가하고 있다. 심혈관 모니터링과 호흡 모니터링이 모두 독립적으로 개발되었지만 두 가지를 동시에 모니터링할 수 있는 간단한 통합 솔루션이 부족하다. 가속도계로 심장 진동을 기록하는 방법인 SCG(Seismocardiography)를 사용하여 저주파 흉부 진동을 통해 호흡 정보를 추출할 수도 있다. 이 연구에서는 SCG 기록을 위한 최적의 배치 프로토콜을 유지하면서 호흡을 모니터링하기 위해 3축 가속도계와 3축 자이로스코프를 페어링하는 관성 측정 장치를 사용했다. 또한 관성 측정과 호흡수 및 호흡량 사이의 연관성을 폐활량계와의 상관 관계를 기반으로 탐색했다. 호흡량은 가속도와 선회에 걸쳐 평균 0.679의 최상의 상관 계수로 흉부 운동과 중간 정도의 상관 관계가 있는 것으로 나타났다. 기술된 기술은 호흡의 변조 뒤에 있는 소스를 이해하여 미래의 SCG 알고리즘 설계를 지원한다. 이 논문은 호흡 모니터링을 위해 SCG 알고리즘에 단순화된 처리 기술을 추가할 수 있음을 보여준다.
I. 서론
고급 모니터링 기기를 통해 전문 환경에서 최신 의료 서비스를 사용할 수 있다. 임상 환경에서 의사는 심혈관, 호흡기 또는 신경계를 쉽게 모니터링할 수 있다. 그러나 집에 있는 보통 사람은 전문가의 도움 없이는 모니터링 기기에 접근할 수 없다. 심혈관 및 호흡기 질환의 빈도 증가로 인해 재택 모니터링이 증가하고 있다. 심혈관 질환은 그 자체로 전 세계적으로 가장 큰 사망 원인을 나타낸다. 이러한 질병 중 일부는 조기에 발병하는 증상이 있어 빨리 발견하면 심장 호흡기 질환의 영향을 완화할 수 있다. 많은 사람들이 의료 시설에 일상적으로 접근할 수 없거나 개입이 필요한 시기를 모른다. 휴대용 모니터링은 의료 전문가와 사용자 모두에게 증상에 대한 더 나은 이해를 제공함으로써 두 가지 문제를 완화할 수 있다. 또한, 심방 세동과 같은 어떤 경우는 건강 검진 중에 발생이 잠복할 수 있으므로 장기간 모니터링이 필요하다. 이러한 검사에서 대부분의 의료 기기는 강력한 산업 응용 프로그램으로 표준화되었으며 일반적으로 부피가 크거나 사용하기 어렵거나 번거롭다. 웨어러블 장치의 전망은 일상 생활을 크게 방해하지 않고 건강 상태를 정확하게 모니터링하는 단순화된 솔루션을 생성한다.
많은 장치가 재택 모니터링을 위해 특별히 설계했다. 심전도는 심장 모니터링의 황금 표준을 나타낸다. 일반적으로 외래 환자 치료에 사용되는 승인된 Holter 모니터는 심장 정보에 대한 신뢰할 수 있는 추정치를 제공하지만 호흡 기능에 대한 직접적인 지표는 제공하지 않는다. 호흡 모니터링의 표준은 마스크를 사용하여 폐활량계로 숨을 쉬는 것이다. 그러나 마스크는 일상 생활 및 활동 중에 측정이 불가능하다. 가장 일반적으로 사용되는 휴대용 방법은 흉부 움직임을 측정하기 위해 몸통 전체에 변형 가능한 밴드를 사용하는 RIP(Respiratory Inductive Plethysmography)이다. RIP의 정확도 평가는 자세 변화에 따라 다양한 결과를 보고했다. 또한, 심전도와 같은 다른 심장 신호의 호흡 변조로부터 호흡 정보를 도출하는 기존 기술은 일반적으로 일관성과 복제성이 부족하다.
현재 심혈관 기능과 호흡 기능을 동시에 직접 모니터링하는 간단한 통합 시스템은 없다. 유망한 솔루션은 관성 측정 장치(IMU)를 사용하는 것이다. IMU는 흉골에 위치할 때 가속도의 형태로 심장 진동을 기록할 수 있는 지진심전도(SCG) 또는 자이로심전도(GCG)로 알려진 회전의 형태로 기록할 수 있다. 이 기록 중에 IMU 신호에는 호흡으로 인한 흉벽의 움직임에 관한 정보도 포함된다. 진동 심전도(VCG) 신호의 호흡 변조는 진폭, 기준선 및 주파수의 변화를 유발하여 심전도에 사용되는 신호 처리 알고리즘의 정확도를 떨어뜨린다. 따라서 VCG 신호를 분석할 때 호흡 행동을 이해하는 것이 중요하다. 그러나 대부분의 연구는 SCG에 적합하지 않은 위치에서 몇 가지 출력 파라미터, 제한된 수의 피험자 또는 기록 호흡을 제공한다.
이 논문에서는 호흡으로 인한 진동 심전도의 저주파 변조를 탐구한다. 본 발명자들는 흉부 움직임과 그에 따른 호흡 정보를 해석하기 위해 가속 및 선회 기준선 방황을 추출한다.
II. 방법
A. 데이터 획득
맥길 유니버시티의 Review Ethics Board의 승인을 받아 데이터를 수집했다. 이 연구는 이전에 알려진 심폐 질환이 없는 건강한 참가자 17명(여성 8명)으로 구성했다. 인구는 (평균 ± 표준 편차): 나이 23.3 ± 4.3세, 체중 67.4 ± 12.8 kg, 키 172 ± 9 cm.
모든 참가자는 연구를 위해 앙와위로 움직이지 않았다. 각 녹음은 약 3분 동안 지속했다. 그들은 휴식 상태로 기록되었고 가능한 한 정상적으로 호흡하도록 지시받았다. 피험자에게 호흡의 속도나 깊이를 조절하라는 다른 지시는 하지 않았다.
관성 측정은 6축 IMU(MPU 9250, Invensense)에 의해 기록했다. 장치는 VCG 기록을 수집하기 위해 흉골의 검살돌기에 위치시켰다. 이 위치는 SCG 및 GCG 기록의 사실상의 금본위제이므로 사용했다. 호흡 수집을 위한 다른 최적화는 없었다. 위치는 도 54에 흑색 점으로 표시되어 있다. IMU를 흉부 표면에 고정하기 위해 양면 테이프 한 장을 사용했다. IMU는 제어 및 데이터 전송을 위해 Raspberry Pi(Pi Zero W, Raspberry)에 연결했다. Raspberry Pi는 약 550Hz에서 가속도계를 폴링하고 WiFi를 통해 로컬 컴퓨터로 데이터를 전송했다. 디지털 수집 장치(MP160, Biopac)를 기준으로 사용했다. 기류는 pneumotach 변환기(TSD137H, Biopac)로 모니터링하고 Biopac 시스템으로 기록했다. 폐활량계 유량 측정에 의해 생성된 부피를 보정하기 위해 테스트 전에 3L 주사기를 사용했다. Biopac에서 클록 신호를 생성하고 Pi에 연결하여 두 시스템을 동기화했다.
도 54. a) 대응하는 가속도 좌표를 갖는 폐활량계(적색) 및 IMU(흑색) 배치. b) 실험 데이터 흐름도.
B. 방법 및 분석
기록 후, 모든 데이터는 Matlab(R2019A)에서 처리되었다. 코를 조이는 동안 입에서 나오는 공기 흐름을 폐활량계로 기록했다. 흐름을 매끄럽게 통합하여 호흡량을 측정했다. 각 테스트 전에 볼륨을 3L 주사기로 보정했다. 기록에 2차 다항식을 피팅하고 빼서 수치 적분으로 인한 드리프트를 제거했다. 다항식 오프셋을 제거하면 안정적인 호흡량이 생성된다.
6축 IMU 데이터는 SCG에 필요한 필수 샘플링 속도와 일치하도록 200Hz로 보간했다. 센서의 방향을 고려할 때 가장 강하고 주기적인 심장 진동은 일반적으로 
, 
및 
축에서 발견했다. 호흡은 종종 적어도 부분적으로는 6축 모두에서 발견될 수 있다. 가장 강한 일관된 호흡은 도 55(a)에서 볼 수 있는 
및 
축에서 발견했다. 4차 Savitsky-Golay 필터를 사용하여 고주파 소음과 심혈관 진동을 모두 제거했다. 넓은 주파수 범위에서 노이즈를 제거할 때 효율성 때문에 Savitsky-Golay 필터를 선택했다. 필터는 호흡 빈도에 따라 가변 창 크기를 통합했다. 이것은 6개 축 모두에 걸친 주파수 영역에 의해 결정했다. 모든 스펙트럼은 정규화되었고 0-2Hz 범위 내에서 합산했다. 결과 단일 스펙트럼의 최대 주파수를 호흡 주파수로 가정했다. 필터의 프레임 길이는 호흡 주기의 크기에 비례하도록 조정했다. 특히 
축에서 심장 진동의 큰 무작위 스파이크로 인해 필터링된 두 신호는 창 크기가 0.75초인 이동 평균 필터로 평활화했다. 최종 추정 파형의 예는 도 55(b)에서 볼 수 있다.
도 55. a) 원시 x축 가속도(적색) 및 y축 회전(청색), (b) Savitsky-Golay 필터링된 x축 가속도(적색) 및 y축 회전(청색), (c) ) 기준 폐 용적. 모든 플롯이 정규화되었다.
추정된 파형을 기준과 정량적으로 비교하기 위해, 가속도 또는 선회 영역에서 상응하는 양의 방향 피크와 함께 최고 흡입량에 주석을 달았다. 모든 데이터 세트는 동일한 수의 호흡이 상관 관계 목적으로 사용되도록 수동으로 검사했다.
III. 결과
17명의 피험자에 걸쳐 582개의 호흡을 분석했다. 관찰된 최대 부피와 예상 최대 부피(가속 및 선회를 통해)의 쌍을 호흡수와 호흡량 모두에 대해 분석했다. 선형 종속성을 결정하는 데 사용된 메트릭은 피어슨(Pearson)의 상관 계수였다.
먼저, IMU 센서와 호흡수 사이의 관계를 평가하였다. 호흡수는 건강 상태 및 폐쇄성 질환에 대한 일반적인 지표로 사용된다. 호흡수는 호흡 기능을 평가할 때 주요 지표이므로 예비 지표로 포함되었다. 모든 피험자에서 복합 호흡수는 가속에 대해 0.895, 회전에 대해 0.828의 상관계수를 나타냈다. 필터링된 신호에 대해 추가 처리가 수행되지 않았다. 이 높은 상관관계는 호흡 운동을 검출하는 능력을 확인하고 휴대용 장치를 위한 보다 정교한 알고리즘에 사용될 가능성이 있다.
평가된 두 번째 메트릭은 호흡량이었다. 일반적으로 호흡량을 추출하는 방법은 더 어렵고 종종 추가 보정이 필요하거나 불안정한 결과를 생성한다. 볼륨 진폭의 상대적인 변화와 상대적인 가속도 또는 선회 값 간의 관계를 분석했다. 각 테스트에 대한 결과는 표 9에 요약되어 있다. 대부분의 피험자에서 가속도계는 자이로스코프보다 더 나은 상관 관계를 가졌다. 그러나 17개 테스트 중 5개에서 자이로스코프가 더 나은 상관관계를 보였다. 이것은 가속 또는 선회 파생 결과를 선택하기 위해 의사 결정 알고리즘에 의해 조작될 수 있다. 이 작업에서 표 9의 마지막 열은 두 가지 방법의 최대 결과를 보여준다.
표 9: 가속도, 회전 및 조합된 최상의 경우의 상관 결과.
추가로 5명의 피험자에서 해당 피크가 기준 신호에서 반전했다. 이것은 센서 위치, 신체 형태 또는 피험자의 호흡 패턴의 변화 때문일 수 있다. 이 테스트에서 추정된 파형이 반전된 다음 로컬 최대값이 호흡 값과 관련되었다. 17명의 피험자 모두에 걸쳐 이 방법은 가속도에 대해 0.532, 회전에 대해 0.269, 각 결과의 최고를 고려할 때 0.679의 평균 상관 관계를 나타냈다.
IV. 논의
호흡을 이해할 때 고려해야 할 3가지 주요 메트릭으로: 속도, 호흡량 및 위상이 있다. 가속도계와 자이로스코프를 사용하면 문헌에서 예상한 대로 호흡수를 측정하기에 충분하다는 것이 입증했다. 이 연구는 호흡량과 흉부 움직임 사이에 관계가 있음을 보여주지만 신뢰할 수 있는 데이터를 추출하기 위해서는 보다 정교한 알고리즘이 필요하다. 이는, 센서, 위치 및 피험자의 호흡 패턴 사이의 어떤 교정의 형태로 달성될 수 있다. 또한 현재 추정에 사용할 최적의 축을 결정하는 자동적인 방법이 없으므로 실제 구현을 위해 융합 알고리즘을 고려해야 한다.
2개의 축만 고려한 반면 6개 모두 잠재적으로 호흡량을 나타낼 수 있다. 이러한 방향은 검출/거부 또는 융합 알고리즘에 포함될 수 있다. 이 연구에서 초기에 단계를 고려했지만 이러한 방법을 사용하여 호흡 단계에 대한 명확하고 분명한 지표가 없었다. 각 테스트는 참조와 각 6개 축 사이의 위상 이동이 있는 것으로 나타났으며 동위상 값은 피험자별로 다르다. 고급 알고리즘이 제공되면 관성 센서가 호흡 단계를 예측할 수 있는 것도 가능하다.
이 연구는 피험자가 움직이지 않고 누운 자세로 제한되는 통제된 환경으로 제한된다. 실제 시나리오에서는 신호에서 모션 아티팩트를 제거하기 위해 추가 필터링 및 처리가 필요하다. 이 연구는 정상적인 호흡을 하는 건강한 피험자만 고려했기 때문에 제한적이다. 확장은 다양한 호흡 패턴, 속도 및 깊이를 포함하여 기본 방황이 일회 호흡량에 의해 어떻게 영향을 받는지 더 잘 이해하는 것이다.
V. 결론
흉골의 검상돌기에 IMU를 배치했다. 이 위치에서 심장 및 호흡 정보가 단일 센서로 기록된다. 이 위치는 VCG에 대해 많이 특성화되었지만 호흡을 위해 수행해야 할 작업이 더 많다. 이 논문은 많은 필터링과 처리 없이 Savitsky-Golay 필터만 사용하여 제어된 앙와위 환경에서 호흡수와 호흡량을 검출할 수 있음을 보여주었다. 호흡률은 0.895의 상관 계수로 검출했다. 호흡량은 상관계수가 0.679로 약한 관계를 보였다. 더 깊이 조사한 결과 가속도계와 자이로스코프 사이의 최적 볼륨 검출와 관련하여 불일치가 있다는 결론을 내렸다. 따라서 호흡 검출 알고리즘은 정확도 성능을 높이기 위해 두 센서들의 융합을 사용해야 한다.
이제 도 56을 참조하면, 좌심실에서 손가락 동맥으로의 심장계 혈류 및 혈액 흐름의 심장 기계적 활동과 관련된 대응하는 진동 활동의 개략도(5600)가 도시되어 있으며, 이는 본 발명의 혈류역학적 측정을 위한 시스템 및 방법들에 의해 지지될 수 있다.
심장계 혈류는 좌심실(5602)에서 심장 판막(5604)으로, 상행 대동맥(5606)으로, 상완 동맥(5608)으로, 손가락 동맥(5610)으로 이동한다. 따라서 혈압은 손가락 동맥(5610) 및 본 명세서에 기술된 혈압 결정을 위한 시스템 및 방법의 유효성에 대한 비교 포인트로 사용된다.
좌심실(5602)에서 심장의 기계적 활동으로 인한 진동(5612)은 좌측 늑간(IC) 4(5614) 주변에서 가장 강하게 검출된다. 심장 판막(5604)의 움직임으로 인한 진동(5616)은 검상돌기(5618)에서 가장 강하게 검출된다. 프로세스(5618)는 또한 진동 센서에 대한 가장 안정적인 위치 포인트을 나타낸다. 상행 대동맥(5606)의 움직임으로 인한 진동(5620)은 흉골 중간(5622)에서 검출될 수 있다.
VCG 데이터(진동 신호)를 통해 흉부 표면에서 검출된 혈압 추정치와 진동 사이의 본 개시내용에서 식별 및 확립되고 본 명세서에 기술된 시스템 및 방법에서 사용되는 관계는 5624로 표시된다.
도 56은 대동맥(5630)의 혈압에 대응하는 대동맥 혈압 파형(5628) 및 요골 동맥(5634)의 혈압에 대응하는 방사압 파형(5632)의 개략도(5626)를 추가로 도시한다.
이제 도 57a 및 57b를 설명한다.
도 57a는 박출 전 기간(PEP) 및 좌심실 박출 시간(LVET)을 포함하는 시간 경과에 따른 ECG 파형(5702), 대동맥 혈압 파형(5704) 및 SCG 파형(5706)의 그래픽 표현(5700)이다. SCG 파형(5706)은 본 명세서에 기술된 바와 같이 가슴 표면에서 검출된 진동 신호에 대응한다.
도 57b는 진동 신호(즉, 변위)와 심압 차이 사이의 관계를 설명하기 위한 목적으로 선형 변위(5712, 5716) 및 각 변위(5714, 5718)의 곡선을 보여주는 그래픽 표현(5710)이다. 곡선(5712 및 5714)은 SCG(5706)의 모션 신호를 각각 두 번 및 한 번 적분(즉, 이중 및 단일 적분)하여 생성된다. 곡선(5716)은 선형 변위를 위한 3축의 벡터 표준(norm; 놈)이다. 곡선(5718)은 각도 변위를 위한 3축의 벡터 표준이다. 벡터 표준은, 제곱근 평균을 사용하여 세 축을 모두 결합하는 방법으로 변위 크기를 추적하기 위해 사용했다.
특히, 변위 곡선(5716)은 본 발명의 시스템 및 방법에서 검출되는 진동 신호(SCG 신호)가 심장 압력 차이와 관련되는 것을 예시한다.
도 57a는 또한 대동맥 개방(AO) 및 대동맥 폐쇄(AC)로 표시된 SCG 신호(5706)에서 진동 펄스(V1, V2)의 발생과 대동맥 압력(5704)의 상승 및 하강 사이의 일치를 보여준다. 각각 심장 주기의 수축기 단계를 나타낸다. 동맥의 압력 파형은 압력 증가를 수용하기 위한 동맥의 체적 확장과 직접적으로 관련된다. 이 확장은 동맥 직경의 증가 또는 동맥에 부착된 모션 센서의 외부 변위로 측정할 수 있다. 따라서, 대동맥 압력 파형(5704)은 도 57b에 도시된 바와 같이 모션 센서에서 관찰된 변위 신호와 관련이 있다.
이로부터, 본 발명자들는 동맥의 압력 파형이 동맥의 체적 팽창과 직접적으로 관련되어 있음을 알았다. 이 확장은 동맥 직경의 증가 또는 동맥에 부착된 모션 센서의 외부 변위로 측정할 수 있다. 비슷한 원리가 혈압을 측정할 때 손가락 커프에 사용된다. 따라서 본 발명은 변위가 중심 대동맥 혈압의 표시를 제공한다는 것을 제시한다.
이제 도 58a 및 58b를 설명한다.
도 58a는 그래프 5802 및 5804를 포함한다. 도 58b는 심장 시스템 표현(5852) 및 심장 시스템의 심장 모델(5854)을 포함하는 그래픽 표현(5850)을 도시하며, 기계적으로 달성되고 진동과 심압 사이의 연결을 증명하기 위해 사용되며, 심장 시스템 표현(5852) 및 심장 모델(5854). 심장 모델(5854)은 질량-스프링-댐퍼 시스템을 사용하여 혈액의 흐름을 모델링할 수 있도록 개발된 심장의 유체 공학에 대한 기계적 아날로그이다.
그래프(5802)는 ECG 파형(5806) 및 대동맥 혈압(5808), 좌심실압(5810), 폐동맥압(5812) 및 우심실압(5814)에 대한 압력 파형을 나타낸다.
그래프(5804)는 시간에 따른 좌심방(5816), 좌심실(5818), 우심방(5820), 우심실(5822) 및 동방 결절(5824)에 대한 속도 곡선을 도시한다. 속도는 압력을 나타내거나 압력을 대신한다.
도 58a의 그래프(5804)는 도식이 58b에 도시된 심장 모델(5854)의 출력이다. 그래프(5802)는 시스템이 모델(5854)을 사용하여 모델링하려는 것을 나타내는 곡선(5806-5814)을 포함한다. 도 58b에서, 모델(5854)은 순환 시스템(5852)의 특정 부분을 나타내는 질량 스프링 댐퍼 시스템이다. 모델(5854)로 모델링된 순환계(5852)는 라벨이 붙은 화살표로 도 58B에 표시되어 있다. 그래프(5804)에서 속도는 압력을 나타내고 가속도는 dP/dt를 나타낸다.
알 수 있는 바와 같이, 그래프(5804)는 도 12 및 27에 도시된 바와 같은 종래의 위거스 다이어그램과 매우 유사하다. 이러한 의미에서, 그래프(5804)는 모델(5854)의 위거스 다이어그램으로 간주될 수 있다. 그래프(5804)(및 모델 5854)는 대동맥의 압력을 측정하는 것이 아니라 모델에서 계산되는 전압과 전류를 측정한다. 모델(5854)에 의해 생성된 측정치(예를 들어, 그래프(5804))는 그래프(5802)에서와 동일하지 않지만, 관계 및 곡선은 유사하여 모델(5854)을 사용하여 수행된 모델링이 적절하다는 것을 확인하는 기초를 제공한다. 일단 보정되면 대동맥의 압력 플럭스를 설명할 수 있으며 잠재적으로 시스템의 다른 모든 위치에 대해 설명할 수 있다. 예를 들어, 대동맥에서 카테터 삽입 측정을 사용하여 보정을 수행할 수 있다. 도 58B의 모델 5854에는 신체의 다양한 포인트에서 유체 흐름과 압력을 보여주는 상자와 대시가 포함되어 있다(사지와 복부는 수행되지 않음). 여기에서 신체의 중심점(예컨대, 검상돌기, 흉부 표면)에서 진동을 측정하는 것이 본 발명의 시스템 및 방법을 사용하여 중요한 장기의 압력을 측정하거나 추론할 수 있는 방법을 볼 수 있다.
그래프(5804)에서 속도는 압력에 대한 프록시이다. 혈액이 주입될 때 대동맥 팽창 및 수축의 변위 속도 또는 dt이다. 모니터링되는 진동은 약간의 힘과 약간의 충격이 대동맥에 미치는 영향으로 혈액이 심실 밖으로 밀려나는 효과이다. 대동맥이 박동성 흐름으로 부풀어 오르고 좌심실이 무너지고 대동맥 판막이 열린다. 그런 다음 혈액이 대동맥을 채우고 팽창을 일으킨다. 팽창 및 복귀는 본 발명의 시스템 및 방법이 가슴의 표면(검상돌기)에서 감지 및 측정하도록 구성되는 진동의 일차 소스를 나타낸다.
심장 모델(5854) 및 그로부터의 출력(예를 들어, 5804)을 통해 수행된 작업은 변위와 진동 간의 연결을 나타낸다. 특히 진동은 변위에 의해 발생하고 변위는 심장의 수축으로 인한 압력 맥박에 의해 발생한다. 따라서, 본 명세서의 시스템 및 방법에 의해 검출되고 기록된 진동은 (예를 들어, 그래프 5802 및 5804의 곡선들 사이의 대응 관계에 의해 도시된 바와 같이) 압력파의 특성이고 측정되는 진동 신호는 변위와 진동 사이의 입증된 연결 때문에 혈압을 추정하기 위해 사용된다.
도 58b는 기계적으로 달성된 심장 시스템 표현(5852)과 심장 시스템의 심장 모델(5854)을 포함하는 그래픽 표현(5850)을 도시하며 진동과 심장 혈합 사이의 관계 및 심장 시스템 표현(5852)가 심장 모델(5854) 간의 관계를 입증하기 위해 사용된다.
이제 도 59a 및 59b를 설명한다.
도 59a는, 심장 압력 변화와 연관된 전달 함수의 그래픽 표현(5900) 및 대동맥에서 손가락(대동맥, 경동맥, 상완 동맥, 요골 동맥)으로의 혈압 파형의 전개를 예시하는 그래프(5910)이다.
혈액이 심장에서 펌핑될 때 혈압 파형은 특정 형태 또는 모양을 갖는다. 압력 펄스가 동맥 트리를 따라 이동함에 따라 형태를 변경하는 분기, 반사 및 변조를 겪는다. 손가락의 혈압 파형은 비슷한 특성을 가지고 있지만 심장의 혈압 파형과 상당히 다르다. 전달 함수는 본질적으로 대동맥에서 요골로의 파형 변화를 모델링한다(예컨대, 데이터 조작을 통해). 이는 5910에도 도시되어 있다.
도 59b는 손가락 측정(5952) 및 대동맥 추정치(5954)에 대한 시간 경과에 따른 혈압 곡선을 나타내는 그래프(5950)이다. 그래프(5950)는 대동맥 파형에 대해 예상되는 것과 유사한 파형을 시도하고 재현하기 위한 전달 함수의 적용을 나타낸다. .
도 58a, 58b의 세 그래프들 모두 단일 심장 주기에 대한 대동맥에서 사지로의 압력 파형의 전개를 보여준다. 도 59a에서, 이것은 요골 동맥이고, 도 59b에서는 손가락 동맥이다. 세 그래프들 모두에서 대동맥 혈압 파형은 동일하다고 가정한다.
상기 설명은 하나 이상의 장치, 방법 또는 시스템의 예를 제공하지만, 다른 장치, 방법 또는 시스템은 당업자에 의해 해석되는 청구 범위 내에 있을 수 있음을 이해할 것이다.
Claims (42)
- 피험자의 비침습적 혈류역학 측정 방법으로서, 상기 방법은,
진동 심전도(VCG) 데이터로부터 진동 펄스(V1, V2)를 식별하는 단계로, VCG 데이터는 심장 유도 진동에 대응하는 피험자의 흉부 표면에서 획득된 진동 신호로부터 도출되는, 단계;
진동 펄스(V1, V2)로부터 진동 특징을 결정하는 단계; 및
상기 진동 특징으로부터 혈류역학 측정을 결정하는 단계를 포함하는, 방법. - 제1항에 있어서, VCG 데이터로부터 호흡 신호를 식별, 추출 또는 분석하는 단계를 더 포함하고, 상기 방법은 추출하지 않고 분석하는, 방법.
- 제1항에 있어서, VCG 데이터에서 개별 심장 주기를 식별하거나 분석하는 단계를 더 포함하는, 방법.
- 제1항에 있어서, 상기 혈류역학적 측정을 결정하는 단계는 혈압 측정을 결정하는 단계를 포함하고, 상기 혈압 측정을 결정하는 단계는, 각각의 심장 주기에 대한 중심 대동맥 또는 좌심실 압력 파형의 최대값, 최소값 또는 평균값을 실시간으로 결정하는 단계를 포함하는, 방법.
- 제1항에 있어서, 상기 진동 신호는 선형 가속도 성분 및 회전 속도 성분을 포함하는, 방법.
- 제5항에 있어서, 상기 진동 신호는 6개의 직교 운동 신호들을 포함하는, 방법.
- 제1항에 있어서, 진동 특징을 결정하는 단계는, 진동으로 변환된 스트로크 볼륨의 에너지 분율을 정량화하는 단계를 포함하는, 방법.
- 제1항에 있어서, 상기 진동 특징은, 상기 진동 신호의 선형 가속도 성분과 상기 진동 신호의 회전 속도 성분을 사용하여 결정되는, 방법.
- 제1항에 있어서, 상기 진동 특징을 결정하는 단계는, 상기 진동 신호의 선형 가속도 성분 또는 회전 속도 성분으로부터 저크, 진폭, 주파수, 위상 및 심장 시간 간격 중 어느 하나 이상을 결정하는 단계를 포함하는, 방법.
- 제1항에 있어서, 상기 진동 신호로부터 피험자의 모션 아티팩트, 센서 위치, 활동, 호흡 및 신체적 특성 중 어느 하나 이상을 필터링 또는 복조하는 단계를 더 포함하는, 방법.
- 제1항에 있어서, VCG 데이터로부터 진동 펄스(V1, V2)를 추출 또는 분석하는 단계를 더 포함하는, 방법.
- 제1항에 있어서, 상기 혈류역학적 측정은 혈압 측정인, 방법.
- 피험자의 비침습적 혈압 측정 시스템으로서, 상기 시스템은,
가속도계 및 자이로스코프를 포함하고, 심장의 심장 기계적 활동에 대응하는 피험자의 흉부 표면에서의 진동을 검출하고 그 검출된 진동과 관련된 진동 신호를 전송하는 센서 장치;
데이터 통신 링크를 통해 센서 장치에 통신가능하게 연결된 컴퓨팅 장치를 포함하고, 상기 컴퓨팅 장치는,
데이터 통신 링크를 통해 센서 장치로부터 진동 신호를 수신하기 위한 통신 인터페이스;
진동 신호로부터 진동 특징을 결정하고, 진동 특징으로부터 혈압 측정을 결정하고, 사람이 판독할 수 있는 혈압 측정 포맷을 생성하도록 구성된 프로세서;
측정된 혈압을 저장하는 메모리; 및
사람이 판독할 수 있는 포맷으로 혈압 측정값을 출력하기 위한 디스플레이 장치를 포함하는, 시스템. - 제13항에 있어서, 상기 상기 프로세서는, 진동 신호로부터 유도된 진동 심전도(VCG) 데이터로부터 진동 펄스(V1, V2)를 식별하고, 진동 펄스(V1, V2)로부터 진동 특징을 결정하도록 추가로 구성되는, 시스템.
- 제13항에 있어서, 상기 상기 프로세서는 VCG 데이터로부터 호흡 신호를 식별, 추출 또는 분석하도록 추가로 구성되는, 시스템.
- 제13항에 있어서, 상기 상기 프로세서는 VCG 데이터에서 개별 심장 주기를 식별하거나 분석하도록 추가로 구성되는, 시스템.
- 제13항에 있어서, 프로세서에 의해 혈압 측정을 결정하는 단계는, 각각의 심장 주기에 대한 중앙 대동맥 또는 좌심실 압력 파형의 최대값, 최소값 또는 평균값을 실시간으로 결정하는 것을 포함하는, 시스템.
- 제13항에 있어서, 상기 진동 신호는 선형 가속도 성분 및 회전 속도 성분을 포함하는, 시스템.
- 제18항에 있어서, 상기 진동 신호는 6개의 직교 운동 신호를 포함하는, 시스템.
- 제13항에 있어서, 프로세서에 의해 진동 특징을 결정하는 단계는, 진동으로 변환된 스트로크 볼륨의 에너지 분율을 정량화하는 것을 포함하는, 시스템.
- 제13항에 있어서, 프로세서에 의해 진동 특징을 결정하는 단계는, 진동 신호의 선형 가속도 성분 또는 회전 속도 성분으로부터 저크, 진폭, 주파수, 위상 및 심장 시간 간격 중 임의의 하나 이상을 결정하는 것을 포함하는, 시스템.
- 제13항에 있어서, 상기 상기 프로세서는, 진동 신호로부터 피험자의 모션 아티팩트, 센서 위치, 활동, 호흡 또는 물리적 특성 중 임의의 하나 이상을 필터링 또는 복조하도록 추가로 구성되는, 시스템.
- 제13항에 있어서, 상기 상기 프로세서는, VCG 데이터로부터 진동 펄스(V1, V2)를 추출 또는 분석하도록 추가로 구성되는, 시스템.
- 피험자의 비침습적 혈압 측정을 위한 컴퓨터 시스템으로서, 상기 시스템은,
피험자의 흉부 표면에서 검출되고 심장의 심장 기계적 활동에 대응하는 진동 신호를 수신하기 위한 통신 인터페이스;
프로세서; 및
사람이 판독할 수 있는 포맷으로 혈압 측정값을 출력하는 디스플레이 장치를 포함하고,
상기 상기 프로세서는,
진동 신호로부터 진동 심전도(VCG) 파형 데이터를 생성하고;
처리된 VCG 파형을 생성하기 위해 VCG 파형 데이터를 필터링 및 복조하고;
처리된 VCG 파형 데이터로부터 진동 특징을 결정하고;
상기 진동 특징으로부터 혈압 측정을 결정하고;
사람이 판독할 수 있는 혈압 측정 포맷을 생성하는, 시스템. - 제24항에 있어서, 상기 상기 프로세서는, 처리된 진동 심전도 파형 데이터로부터 진동 펄스(V1, V2)를 식별하고 상기 진동 펄스(V1, V2)로부터 진동 특징을 결정하도록 추가로 구성되는, 시스템.
- 제24항에 있어서, 상기 프로세서에 의한 필터링 및 복조는 VCG 파형 데이터로부터의 추출 또는 분석을 포함하는, 시스템.
- 제24항에 있어서, 상기 상기 프로세서는, 처리된 VCG 파형 데이터에서 개별 심장 주기를 식별하도록 추가로 구성되는, 시스템.
- 제24항에 있어서, 프로세서에 의해 진동 특징으로부터 혈압 측정값을 결정하는 단계는, 각각의 심장 주기에 대한 중앙 대동맥 또는 좌심실 압력 파형의 최대값, 최소값 또는 평균값을 실시간으로 결정하는 것을 포함하는, 시스템.
- 제24항에 있어서, 상기 진동 신호는 선형 가속도 성분 및 회전 속도 성분을 포함하는, 시스템.
- 제29항에 있어서, 상기 진동 신호는 6개의 직교 운동 신호를 포함하는, 시스템.
- 제24항에 있어서, 프로세서에 의해 상기 처리된 VCG 파형 데이터로부터 진동 특징을 결정하는 단계는, 진동으로 변환된 스트로크 볼륨의 에너지 분율을 정량화하는 것을 포함하는, 시스템.
- 제24항에 있어서, 프로세서에 의해 상기 처리된 VCG 파형 데이터로부터 진동 특징을 결정하는 단계는, 진동 신호의 선형 가속도 성분 또는 회전 속도 성분으로부터 저크, 진폭, 주파수, 위상 및 심장 시간 간격 중 임의의 하나 이상을 결정하는 것을 포함하는 시스템.
- 제24항에 있어서, 상기 프로세서에 의한 필터링 및 복조는, 진동 신호로부터 피험자의 모션 아티팩트, 센서 위치, 활동, 호흡 또는 물리적 특성 중 임의의 하나 이상을 필터링 또는 복조하는 것을 포함하는, 시스템.
- 제24항에 있어서, 상기 상기 프로세서는, 처리된 VCG 파형 데이터로부터 진동 펄스(V1, V2)를 추출 또는 분석하도록 추가로 구성되는, 시스템.
- 피험자의 비침습적 혈류역학 측정 방법으로서, 상기 방법은,
진동 심전도(VCG) 데이터로부터 심장 유도 진동을 식별하는 단계로, 상기 VCG 데이터는 심장 유도 진동에 대응하는 피험자의 흉부 표면에서 획득된 진동 신호로부터 도출되는, 단계;
상기 진동 신호로부터 진동 특징을 결정하는 단계; 및
상기 진동 특징으로부터 혈류역학 측정을 결정하는 단계를 포함하는, 방법. - 제35항에 있어서, 상기 혈류역학적 측정이 혈압 측정인, 방법.
- 제35항에 있어서, 상기 심장 유도 진동은 진동 펄스(V1, V2)를 포함하는, 방법.
- 제37항에 있어서, 상기 V1 및 V2가 1차 심음(heart sound)에 대응하는, 방법.
- 제35항에 있어서, 상기 심장 유도 진동은 20Hz 미만의 주파수를 갖는 진동인, 방법.
- 제35항에 있어서, 상기 심장 유도 진동은 초저주파 범위의 주파수를 갖는 진동인, 방법.
- 제35항에 있어서, 상기 심장 유도 진동은 1Hz 내지 2Hz 범위의 주파수를 갖는 진동인, 방법.
- 프로세서 및 이 프로세서와 통신하는 메모리를 포함하는 피험자의 비침습적 혈류역학 측정을 위한 컴퓨터 시스템으로서, 상기 메모리는, 프로세서에 의해 실행될 때 컴퓨터 시스템이,
심장 유도 진동에 대응하는 피험자의 흉부 표면에서 획득된 진동 신호로부터 도출되는 진동 심전도(VCG) 데이터로부터 심장 유도 진동을 식별하고,
진동 신호로부터 진동 특징을 결정하고;
진동 특징으로부터 혈역학 측정을 결정하도록,
컴퓨터 실행가능한 명령을 저장하는, 컴퓨터 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063033103P | 2020-06-01 | 2020-06-01 | |
| US63/033,103 | 2020-06-01 | ||
| PCT/CA2021/050741 WO2021243448A1 (en) | 2020-06-01 | 2021-06-01 | Systems, methods, and devices for non-invasive and continuous hemodynamic measurement |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230023671A true KR20230023671A (ko) | 2023-02-17 |
Family
ID=78831407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227046484A KR20230023671A (ko) | 2020-06-01 | 2021-06-01 | 비침습적이고 연속적인 혈류역학 측정을 위한 시스템, 방법 및 장치 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230277071A1 (ko) |
| EP (1) | EP4157075A4 (ko) |
| KR (1) | KR20230023671A (ko) |
| CA (1) | CA3181091A1 (ko) |
| WO (1) | WO2021243448A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378681A (zh) * | 2021-06-02 | 2021-09-10 | 联想(北京)有限公司 | 一种疲劳测量方法、装置及计算机可读介质 |
| US20230260538A1 (en) * | 2022-02-15 | 2023-08-17 | Google Llc | Speech Detection Using Multiple Acoustic Sensors |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3135194A1 (en) * | 2015-08-28 | 2017-03-01 | Universite Libre De Bruxelles | Improvements in or relating to heart monitoring |
| EP3399907A4 (en) * | 2016-01-04 | 2019-08-28 | Aventusoft, LLC | SYSTEM AND METHOD FOR MEASURING HEMODYNAMIC PARAMETERS FROM CARDIAC VALVE SIGNALS |
-
2021
- 2021-06-01 KR KR1020227046484A patent/KR20230023671A/ko active Search and Examination
- 2021-06-01 WO PCT/CA2021/050741 patent/WO2021243448A1/en unknown
- 2021-06-01 EP EP21816822.7A patent/EP4157075A4/en active Pending
- 2021-06-01 US US18/007,632 patent/US20230277071A1/en active Pending
- 2021-06-01 CA CA3181091A patent/CA3181091A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021243448A1 (en) | 2021-12-09 |
| EP4157075A1 (en) | 2023-04-05 |
| CA3181091A1 (en) | 2021-12-09 |
| US20230277071A1 (en) | 2023-09-07 |
| EP4157075A4 (en) | 2024-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11478215B2 (en) | System and method for infrasonic cardiac monitoring | |
| US20230148876A1 (en) | Methods and Apparatuses for Assessment and Management of Hemodynamic Status | |
| Thomas et al. | BioWatch: A noninvasive wrist-based blood pressure monitor that incorporates training techniques for posture and subject variability | |
| US10178964B2 (en) | Heart monitoring system | |
| US11974832B2 (en) | Relating to heart monitoring | |
| 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 | |
| US10092268B2 (en) | Method and apparatus to monitor physiologic and biometric parameters using a non-invasive set of transducers | |
| JP5564646B2 (ja) | 生体情報測定装置ならびに生体情報測定システム | |
| KR20160047838A (ko) | 생체 신호 처리 방법 및 그 장치 | |
| US20230277071A1 (en) | Systems, methods, and devices for non-invasive and continuous hemodynamic measurement | |
| US10758131B2 (en) | Non-invasive measurement of ambulatory blood pressure | |
| Shokouhmand et al. | Fingertip Strain Plethysmography: Representation of Pulse Information based on Vascular Vibration | |
| Alamdari | A morphological approach to identify respiratory phases of seismocardiogram | |
| Nathan et al. | Smart watches for physiological monitoring: a case study on blood pressure measurement | |
| Skoric | Respiratory Modulation of Sternal Accelerations | |
| EP4378382A1 (en) | Multimodal measurement device and system | |
| Hernández Baladés | A system for the monitoring of sleep-related parameters based on inertial measurement units | |
| WO2023107508A2 (en) | Lap signal processing to automatically calculate a/v ratio | |
| Angelva | Heartbeat detection with dictionary learning from ballistocardiography | |
| Silva | Assessment of Accelerometer signals for detection of faint onset during tilt table tests | |
| Cosenza | Design of an Inertial Multi-Sensor Network for the Monitoring of the Heart Rate During Sleep using Ballistocardiographic Signals | |
| Marc | Feasibility of monitoring congestive heart failure with seismocardiography: a literature review | |
| Ghosh | Motion Compensated Continuous Blood Pressure Measurements Using Recurrent Neural Networks | |
| Abdul Rahim | Design and development of groove micromixer for laminar blood-reagent mixing | |
| Ab Malek | Design and development of wireless stethoscope with data logging functions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |