KR20230132445A - 웨어러블 심혈관 센싱으로 혈역학 파라미터를 측정하기 위한 시스템 및 방법 - Google Patents
웨어러블 심혈관 센싱으로 혈역학 파라미터를 측정하기 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230132445A KR20230132445A KR1020237020629A KR20237020629A KR20230132445A KR 20230132445 A KR20230132445 A KR 20230132445A KR 1020237020629 A KR1020237020629 A KR 1020237020629A KR 20237020629 A KR20237020629 A KR 20237020629A KR 20230132445 A KR20230132445 A KR 20230132445A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- heart
- signal
- sensor
- assessment
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 151
- 230000000004 hemodynamic effect Effects 0.000 title claims description 63
- 230000002526 effect on cardiovascular system Effects 0.000 title description 4
- 230000005189 cardiac health Effects 0.000 claims abstract description 159
- 210000002216 heart Anatomy 0.000 claims abstract description 113
- 230000001107 psychogenic effect Effects 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 206010019280 Heart failures Diseases 0.000 claims description 98
- 210000001147 pulmonary artery Anatomy 0.000 claims description 40
- 230000002685 pulmonary effect Effects 0.000 claims description 35
- 230000003205 diastolic effect Effects 0.000 claims description 29
- 230000000747 cardiac effect Effects 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000004872 arterial blood pressure Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000013186 photoplethysmography Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 48
- 230000033001 locomotion Effects 0.000 description 34
- 238000012360 testing method Methods 0.000 description 31
- 238000010200 validation analysis Methods 0.000 description 29
- 238000012545 processing Methods 0.000 description 25
- 230000002861 ventricular Effects 0.000 description 23
- 230000008859 change Effects 0.000 description 21
- 238000002790 cross-validation Methods 0.000 description 21
- 208000027744 congestion Diseases 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 20
- 238000010219 correlation analysis Methods 0.000 description 18
- 238000002474 experimental method Methods 0.000 description 18
- 229940124549 vasodilator Drugs 0.000 description 17
- 239000003071 vasodilator agent Substances 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 14
- 239000000463 material Substances 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 13
- 238000013459 approach Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 12
- 230000001746 atrial effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 9
- 238000001802 infusion Methods 0.000 description 8
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- 230000036316 preload Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 208000038003 heart failure with preserved ejection fraction Diseases 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- 206010007556 Cardiac failure acute Diseases 0.000 description 5
- 238000013145 classification model Methods 0.000 description 5
- 230000008602 contraction Effects 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 208000038002 heart failure with reduced ejection fraction Diseases 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000010355 oscillation Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000000284 resting effect Effects 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 210000005241 right ventricle Anatomy 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000001269 cardiogenic effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000005245 right atrium Anatomy 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 238000004448 titration Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000000748 cardiovascular system Anatomy 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000144 pharmacologic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000009885 systemic effect Effects 0.000 description 3
- 210000000779 thoracic wall Anatomy 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010021137 Hypovolaemia Diseases 0.000 description 2
- 238000000585 Mann–Whitney U test Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000001736 capillary Anatomy 0.000 description 2
- 238000002564 cardiac stress test Methods 0.000 description 2
- 206010007625 cardiogenic shock Diseases 0.000 description 2
- 230000002612 cardiopulmonary effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 210000005246 left atrium Anatomy 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000001562 sternum Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000024883 vasodilation Effects 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- GHXZTYHSJHQHIJ-UHFFFAOYSA-N Chlorhexidine Chemical compound C=1C=C(Cl)C=CC=1NC(N)=NC(N)=NCCCCCCN=C(N)N=C(N)NC1=CC=C(Cl)C=C1 GHXZTYHSJHQHIJ-UHFFFAOYSA-N 0.000 description 1
- 206010009192 Circulatory collapse Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 208000015592 Involuntary movements Diseases 0.000 description 1
- NNJVILVZKWQKPM-UHFFFAOYSA-N Lidocaine Chemical compound CCN(CC)CC(=O)NC1=C(C)C=CC=C1C NNJVILVZKWQKPM-UHFFFAOYSA-N 0.000 description 1
- SNIOPGDIGTZGOP-UHFFFAOYSA-N Nitroglycerin Chemical compound [O-][N+](=O)OCC(O[N+]([O-])=O)CO[N+]([O-])=O SNIOPGDIGTZGOP-UHFFFAOYSA-N 0.000 description 1
- 239000000006 Nitroglycerin Substances 0.000 description 1
- 206010037368 Pulmonary congestion Diseases 0.000 description 1
- 206010047141 Vasodilatation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 210000001765 aortic valve Anatomy 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- YEESUBCSWGVPCE-UHFFFAOYSA-N azanylidyneoxidanium iron(2+) pentacyanide Chemical compound [Fe++].[C-]#N.[C-]#N.[C-]#N.[C-]#N.[C-]#N.N#[O+] YEESUBCSWGVPCE-UHFFFAOYSA-N 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000022900 cardiac muscle contraction Effects 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229960003260 chlorhexidine Drugs 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 229960003711 glyceryl trinitrate Drugs 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000004731 jugular vein Anatomy 0.000 description 1
- 229960004194 lidocaine Drugs 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002690 local anesthesia Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000010358 mechanical oscillation Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000017311 musculoskeletal movement, spinal reflex action Effects 0.000 description 1
- 229960002460 nitroprusside Drugs 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000003462 vein Anatomy 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/332—Portable devices specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/683—Means for maintaining contact with the body
- A61B5/6832—Means for maintaining contact with the body using adhesives
- A61B5/6833—Adhesive patches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
- A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
- A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/06—Arrangements of multiple sensors of different types
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/0215—Measuring pressure in heart or blood vessels by means inserted into the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
- A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
- A61B5/6852—Catheters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Hematology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 예시적인 실시예는 제1 센서, 제2 센서, 프로세서 및 메모리를 포함하는 심장 건강을 평가하기 위한 시스템을 제공한다. 상기 제1 센서는 상기 사용자 심장의 적어도 하나의 전기적 특성을 측정하도록 구성될 수 있다. 상기 제2 센서는 상기 사용자의 심인성 진동을 측정하도록 구성될 수 있다. 상기 메모리는 상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로는 제1 센서 및 제2 센서로부터의 측정값에 기초하여 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가를 생성하도록 하는 명령을 포함할 수 있다.
Description
관련 출원에 대한 상호 참조
본 출원은 2020년 11월 24일자로 출원된 미국 가출원 제63/117,766호의 이익을 주장하며, 상기 가출원은 이하 완전히 명시되는 것처럼 전체적으로 참고로 본 명세서에 포함된다.
정부 라이선스 권리
본 개시는 미국 국립보건원이 부여한 어워드 제1R01HL130619-A1호에 따라 정부의 지원을 받아 이루어졌다. 정부는 본 개시에 대한 특정 권리를 보유한다.
본 개시는 일반적으로 건강 시스템 및 방법에 관한 것이며, 보다 구체적으로는 심장 건강을 평가하기 위한 웨어러블 시스템 및 방법에 관한 것이다.
심부전(HF)은 미국에서 매년 약 30만 명이 사망하고 80만 명 이상이 입원을 하는 쇠약성 질환이다. 심부전과 관련된 비용은 연간 300억 달러를 초과하며 2030년에는 700억 달러로 증가할 것으로 예상된다. 심부전(HF)의 비용과 사망률을 높이는 요인 중 하나는 초기 입원 후 환자의 높은 재입원율이다. 따라서, 재입원을 줄이고 비용을 절감하면서 심부전 치료를 개선하기 위해 재택 환자를 최적으로 관리할 수 있는 개선된 접근 방식이 필요하다.
가정에서 심부전 환자를 관리하는 데 가장 좋은 결과를 보인 임상 전략은 이식형 장치를 사용하여 폐동맥(PA) 압력을 측정하고 폐동맥(PA) 압력 상승(울혈(congestion) 또는 임박한 비보상(imminent decompensation)을 나타냄)에 따라 적정 치료를 하는 것이다. 폐동맥(PA) 압력으로 혈역학적 울혈(hemodynamic congestion)을 감지하는 접근 방식은 건전하고 대규모 무작위 임상 시험에서 검증되었지만, 수술 절차와 관련된 비용 및 합병증으로 인해 이 접근 방식은 심부전(HF) 환자 중 일부에게만 적합하다.
따라서 이식형 장치 없이도 상승된 폐동맥(PA) 압력을 감지할 수 있는 비침습적이고 저렴한 기술을 통해 심부전(HF) 환자를 모니터링하고 효과적인 치료와 입원 횟수 감소 및 삶의 질 향상과 같은 개선된 결과를 위해 개인 맞춤형 치료를 제공할 수 있는 기술이 필요하다.
본 개시는 건강 시스템 및 방법에 관한 것이다. 개시된 기술은 사용자의 심장 건강을 평가하기 위한 시스템을 포함한다. 심장 건강을 평가하기 위한 시스템은 제1 센서, 제2 센서, 프로세서, 및 메모리를 포함할 수 있다. 상기 제1 센서는 상기 사용자 심장의 적어도 하나의 전기적 특성을 측정하도록 구성될 수 있다. 상기 제2 센서는 상기 사용자의 심인성 진동을 측정하도록 구성될 수 있다. 상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로 상기 제1 센서 및 상기 제2 센서로부터의 측정값에 기초하여 심장의 충만 특성(filling characteristics)을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가를 생성하도록 하는 명령을 포함할 수 있다.
상기 제1 센서는 상기 사용자의 심전도(electrocardiogram) 신호를 측정하도록 구성될 수 있다.
상기 제2 센서는 상기 사용자의 심진도(seismocardiogram) 신호를 측정하도록 구성될 수 있다.
상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로는, 상기 사용자의 심진도 신호의 측면 축(lateral axis)에 기초하여, 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가를 생성하도록 하는 명령을 포함할 수 있다.
상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로는, 상기 사용자의 심진도 신호의 머리-발 축(head-to-foot axis)에 기초하여, 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가를 생성하도록 하는 명령을 포함할 수 있다.
상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로는, 상기 사용자의 심진도 신호의 등-복부 축(dorso-ventral axis)에 기초하여, 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가를 생성하도록 하는 명령을 포함할 수 있다.
상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 심장 박동의 이완기 부분 동안에 적어도 부분적으로 상기 사용자의 심진도 신호에 기초하여 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가를 생성하도록 하는 명령을 포함할 수 있다.
상기 심장 건강 평가는 상기 사용자의 심부전 임상 상태의 분류를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 상기 사용자의 혈역학 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는, 상기 사용자의 충만 압력(filling pressure)의 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 상기 사용자의 폐동맥 압력의 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 상기 사용자의 폐 모세관 쐐기 압력(pulmonary capillary wedge pressure)의 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 상기 사용자의 심장 건강과 관련된 하나 이상의 파라미터에 대한 기준선을 생성하기 위한 교정(calibration) 단계를 수행하게 하는 명령을 포함할 수 있다.
상기 기준선은 기준 충만 압력일 수 있다.
상기 교정 단계는 상기 기준선을 생성하기 위해 모집단 수준 회귀 모델(population level regression model)을 사용하는 것을 포함할 수 있다.
상기 보정 단계는 상기 기준선을 생성하기 위해 상기 사용자의 개인화된 데이터를 사용하는 것을 포함할 수 있다.
상기 개인화된 데이터는 우측 심도자술(heart catherization)로부터의 데이터를 포함할 수 있다.
상기 개인화된 데이터는 임상 검사로부터의 데이터를 포함할 수 있다.
상기 제1 센서는 심장 근방에 배치하기 위한 제1 웨어러블 센서를 포함할 수 있다. 상기 제2 센서는 심장 근방에 배치하기 위한 제2 웨어러블 센서를 포함할 수 있다.
상기 심장 건강을 평가하기 위한 시스템은 제3 센서를 포함할 수 있다.
상기 제3 센서는 환경 파라미터를 측정하도록 구성될 수 있다.
상기 제3 센서는 상기 사용자의 광용적맥파(photoplethysmography) 신호를 측정하도록 구성될 수 있다.
상기 제2 센서는 상기 사용자의 자이로심장도(gyrocardiogram) 신호를 측정하도록 구성될 수 있다.
상기 심장 건강을 평가하기 위한 시스템은 상기 사용자의 심장 건강을 나타내는 출력을 포함할 수 있다.
상기 심장 건강 평가 시스템은 무선 통신기를 포함할 수 있다. 상기 무선 통신기는 상기 사용자의 심장 건강 평가를 원격 디바이스에 무선으로 통신하도록 구성될 수 있다.
상기 심장 건강 평가 시스템은 상기 사용자에 의해 착용 가능할 수 있다.
개시된 기술은 사용자의 심장 건강을 평가하기 위한 웨어러블 시스템을 포함한다. 상기 심장 건강을 평가하기 위한 웨어러블 시스템은 제1 센서, 제2 센서 및 제어기를 포함할 수 있다. 상기 제1 센서는 상기 사용자 심장의 적어도 하나의 전기적 특성을 측정하도록 구성될 수 있다. 상기 제2 센서는 상기 사용자의 심인성 진동을 측정하도록 구성될 수 있다. 상기 제어기는 상기 사용자의 심장 건강과 관련된 하나 이상의 파라미터의 기준선을 생성하기 위해 교정 단계를 수행하도록 구성될 수 있다. 상기 제어기는, 적어도 부분적으로는, 기준선 및 제1 센서와 제2 센서로부터의 측정값에 기초하여, 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가를 생성하도록 구성될 수 있다.
상기 제1 센서는 상기 사용자의 심전도(electrocardiogram) 신호를 측정하도록 구성될 수 있다.
상기 제2 센서는 상기 사용자의 심진도(seismocardiogram) 신호를 측정하도록 구성될 수 있다.
상기 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가는 적어도 부분적으로는, 상기 사용자의 상기 심진도 신호의 측면 축(lateral axis)에 기초할 수 있다.
상기 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가는 적어도 부분적으로는, 상기 사용자의 상기 심진도 신호의 머리-발 축(head-to-foot axis)에 기초할 수 있다.
상기 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가는 적어도 부분적으로는, 상기 사용자의 상기 심진도 신호의 등-복부 축(dorso-ventral axis)에 기초할 수 있다.
상기 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가는 적어도 부분적으로는, 심장 박동의 이완기 부분 동안의 상기 사용자의 상기 심진도 신호에 기초할 수 있다.
상기 심장 건강 평가는 상기 사용자의 심부전 임상 상태의 분류를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 상기 사용자의 혈역학 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는, 상기 사용자의 충만 압력의 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 상기 사용자의 폐동맥 압력의 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 상기 사용자의 폐 모세혈관 쐐기 압력의 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 기준선은 기준 충만 압력일 수 있다.
상기 교정 단계는 상기 기준선을 생성하기 위해 모집단 수준 회귀 모델(population level regression model)을 사용하는 것을 포함할 수 있다.
상기 교정 단계는 상기 기준선을 생성하기 위해 상기 사용자의 개인화된 데이터를 사용하는 것을 포함할 수 있다.
상기 개인화된 데이터는 우측 심도자술(heart catherization)로부터의 데이터를 포함할 수 있다.
상기 개인화된 데이터는 임상 시험의 데이터를 포함하는 데이터를 포함할 수 있다.
상기 제1 센서는 심장 근방에 배치하기 위한 제1 웨어러블 센서를 포함할 수 있다. 상기 제2 센서는 심장 근방에 배치하기 위한 제2 웨어러블 센서를 포함할 수 있다.
상기 심장 건강을 평가하기 위한 웨어러블 시스템은 제3 센서를 포함할 수 있다.
상기 제3 센서는 환경 파라미터를 측정하도록 구성될 수 있다.
상기 제3 센서는 상기 사용자의 광용적맥파(photoplethysmography) 신호를 측정하도록 구성될 수 있다.
상기 제2 센서는 상기 사용자의 자이로심장도(gyrocardiogram) 신호를 측정하도록 구성될 수 있다.
상기 심장 건강을 평가하기 위한 웨어러블 시스템은 상기 사용자의 심장 건강을 나타내는 출력을 포함할 수 있다.
상기 심장 건강을 평가하기 위한 웨어러블 시스템은 무선 통신기를 포함할 수 있다. 상기 무선 통신기는 상기 사용자의 심장 건강 평가를 원격 디바이스에 무선으로 통신하도록 구성될 수 있다.
상기 심장 건강 평가를 위한 웨어러블 시스템은 상기 사용자에 의해 착용될 수 있다.
개시된 기술은 사용자의 심장 건강을 비침습적으로 모니터링하는 방법을 포함한다. 상기 방법은, 웨어러블 디바이스에 의해, 상기 사용자 심장의 적어도 하나의 전기적 특성을 나타내는 제1 신호를 수신하는 것을 포함할 수 있다. 상기 방법은 상기 웨어러블 디바이스에 의해 상기 사용자의 심인성 진동을 나타내는 제2 신호를 수신하는 것을 포함할 수 있다. 상기 방법은 적어도 부분적으로는 제1 신호 및 제2 신호에 기초하여, 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가를 생성하는 것을 포함할 수 있다. 상기 방법은 상기 사용자의 심장 건강 평가를 나타내는 출력을 제공하는 것을 포함할 수 있다.
상기 제1 신호는 상기 사용자의 심전도(electrocardiogram) 신호를 나타낼 수 있다.
상기 제2 신호는 상기 사용자의 심진도(seismocardiogram) 신호를 나타낼 수 있다.
상기 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가는 적어도 부분적으로는, 상기 사용자의 심진도 신호의 측면 축(lateral axis)에 기초할 수 있다.
상기 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가는 적어도 부분적으로는, 상기 사용자의 심진도 신호의 머리-발 축(head-to-foot axis)에 기초할 수 있다.
상기 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가는 적어도 부분적으로는, 상기 사용자의 심진도 신호의 등-복부 축(dorso-ventral axis)에 기초할 수 있다.
상기 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가는 적어도 부분적으로는, 심장 박동의 이완기 부분 동안의 상기 사용자의 심진도 신호에 기초할 수 있다.
상기 심장 건강 평가는 상기 사용자의 심부전 임상 상태의 분류를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 사용자의 혈역학 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 사용자의 충만 압력의 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 상기 사용자의 폐동맥 압력의 변화의 징후를 나타내는 데이터를 포함할 수 있다.
상기 심장 건강 평가는 사용자의 폐 모세관 쐐기 압력의 변화의 지표를 나타내는 데이터를 포함할 수 있다.
상기 방법은 상기 사용자의 심장 건강과 관련된 하나 이상의 파라미터에 대한 기준선을 생성하기 위한 교정을 포함할 수 있다.
상기 기준선은 기준 충만 압력일 수 있다.
상기 교정은 상기 기준선을 생성하기 위해 모집단 수준 회귀 모델(population level regression model)을 사용하는 것을 포함할 수 있다.
상기 교정은 상기 기준선을 생성하기 위해 상기 사용자의 개인화된 데이터를 사용하는 것을 포함할 수 있다.
상기 개인화된 데이터는 우측 심도자술(heart catherization)로부터의 데이터를 포함할 수 있다.
상기 개인화된 데이터는 임상 시험으로부터의 데이터를 포함할 수 있다.
상기 웨어러블 디바이스는 심장에 근접하여 배치될 수 있다.
상기 방법은 제3 신호의 수신을 포함할 수 있다.
상기 제3 신호는 적어도 하나의 환경 파라미터를 나타낼 수 있다.
상기 제3 신호는 사용자의 광용적맥파(photoplethysmography) 신호를 나타낼 수 있다.
상기 제2 신호는 사용자의 자이로심장도(gyrocardiogram) 신호를 나타낼 수 있다.
본 개시의 이러한 양태들 및 다른 양태들은 아래의 상세한 설명 및 첨부된 도면에 설명되어 있다. 실시예들의 다른 양태 및 특징들은 도면과 함께 구체적이고 예시적인 실시예들에 대한 다음의 설명을 검토하면 당업자에게 명백해질 것이다. 본 개시의 특징들이 특정 실시예 및 도면과 관련하여 논의될 수 있지만, 본 개시의 모든 실시예는 본 명세서에 논의된 특징들 중 하나 이상을 포함할 수 있다. 또한, 하나 이상의 실시예가 특정 유리한 특징을 갖는 것으로 논의될 수 있지만, 그러한 특징 중 하나 이상은 본 명세서에 논의된 다양한 실시예와 함께 사용될 수도 있다. 유사한 방식으로, 예시적인 실시예들이 장치, 시스템, 또는 방법 실시예로서 아래에서 논의될 수 있지만, 그러한 예시적인 실시예들은 본 개시의 다양한 장치, 시스템, 및 방법에서 구현될 수 있다는 것이 이해되어야 한다.
본 개시의 특정 실시예에 대한 이하의 상세한 설명은 첨부된 도면과 함께 읽으면 더 잘 이해될 것이다. 본 개시를 설명하기 위해, 특정 실시예들이 도면에 도시되어 있다. 그러나, 본 개시는 도면에 도시된 실시예들의 정확한 배열 및 수단으로 제한되지 않는다는 것을 이해해야 한다.
도 1a는 본 개시에 따른 심장 건강을 평가하기 위한 예시적인 시스템의 도면을 제공한다.
도 1b는 본 개시에 따른 심장 건강을 평가하기 위한 예시적인 시스템의 사진을 제공한다.
도 1c는 본 개시에 따른 심장 건강을 평가하기 위한 예시적인 시스템의 사진을 제공한다.
도 1d는 본 개시에 따른 심장 건강을 평가하기 위한 시스템의 예시적인 신호 데이터를 제공한다.
도 1e는 본 개시에 따른 심장 건강을 평가하기 위한 일 예의 시스템 및 예시적인 신호 데이터의 도면을 제공한다.
도 2a는 본 개시에 따른 데이터 처리 방법의 다이어그램을 제공한다.
도 2b는 데이터 처리 방법에 사용되는 단계의 다이어그램을 제공한다.
도 2c는 데이터 처리 방법의 시각화를 제공한다.
도 3a는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 3b는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 3c는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 3d는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 4는 본 개시에 따른 분류 실험 결과의 그래프를 제공한다.
도 5는 본 개시에 따른 윈도우닝 실험 결과의 그래프를 제공한다.
도 6a는 본 개시에 따른, 심장 건강을 평가하기 위한 시스템의 신호 데이터의 예시를 제공한다.
도 6b는 본 개시에 따른, 신호 처리를 위한 예시적인 방법의 다이어그램을 제공한다.
도 6c는 본 개시에 따른, 신호 처리를 위한 예시적인 방법의 도면을 제공한다.
도 7a는 본 개시에 따라, 실험적으로 측정된 폐동맥 압력의 그래프를 제공한다.
도 7b는 본 개시에 따라, 실험적으로 측정된 폐 모세혈관 쐐기 압력의 그래프를 제공한다.
도 7c는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 8a는 본 개시에 따른 상관관계 분석의 그래프를 제공한다.
도 8b는 본 개시에 따른 상관관계 분석의 그래프를 제공한다.
도 8c는 본 개시에 따른 상관관계 분석의 그래프를 제공한다.
도 8d는 본 개시에 따른 상관관계 분석의 그래프를 제공한다.
도 9a는 본 개시에 따른 상관관계 분석의 차트를 제공한다.
도 9b는 본 개시에 따른 상관관계 분석의 차트를 제공한다.
도 10a는 본 개시에 따른 알고리즘 특성(algorithm features)의 상대적 가중치 그래프를 제공한다.
도 10b는 본 개시에 따른 알고리즘 특성(algorithm features)의 상대적 가중치 그래프를 제공한다.
도 11은 본 개시에 따른, 심장 건강을 평가하는 예시적인 방법을 예시하는 흐름도를 제공한다.
도 12는 본 개시에 따른, 심장 건강을 평가하는 예시적인 방법을 예시하는 흐름도를 제공한다.
도 13a는 본 개시에 따라, 훈련 세트 상에서 다운 선택된 특성 세트(downselected feature set)를 사용하는 최상의 분류자에 대한 수신기 동작 특성(ROC) 곡선을 제공한다.
도 13b는 본 개시에 따라, 훈련 세트 상에서 학습되고, 보이지 않는 검증 세트 상에서 평가된 모델에 대한 ROC 곡선을 제공한다.
도 14a는 본 개시에 따라, 기본 특성(srPower) 계산과 함께 한 명의 비보상(decompensated) 피험자로부터의 세 개의 예시 박동(beat)을 제공한다.
도 14b는 본 개시에 따라, 기본 특성(srPower) 계산과 함께 한 명의 보상(compensated) 피험자로부터의 세 개의 예시 박동을 제공한다.
도 15a는 본 개시에 따라, 무작위로 선택된 비보상 피험자로부터의 비보상된 곡선 및 무작위로 선택된 보상 피험자로부터의 보상된 곡선에 대한 각 개별 SCG 비트의 각 PSD의 평균에 기초한 전력 스펙트럼 밀도(PSD)의 플롯을 제공한다.
도 15b는 본 개시에 따라, 도 15a의 낮은 주파수 범위(5 내지 40Hz)의 콜아웃을 제공한다.
도 15c는 본 개시에 따라, 도 15a의 높은 주파수 범위(200 내지 250Hz)의 콜아웃을 제공한다.
도 16a는 본 개시에 따라, 5배 교차 검증을 수행함에 있어서, SFS를 사용하여 특성이 선택된 횟수를 나타내는 막대 그래프를 제공한다.
도 16b는 본 개시에 따라, 선형 SVM의 특성 가중치를 사용하여 계산된 상위 3개의 중요도 점수를 갖는 특성들을 나타내는 막대 그래프를 제공한다.
도 16c는 본 개시에 따른 순열 특성 중요도 방법에 의해 평가된 상위 3개의 가장 중요한 특성을 나타내는 막대 그래프를 제공한다.
도 1a는 본 개시에 따른 심장 건강을 평가하기 위한 예시적인 시스템의 도면을 제공한다.
도 1b는 본 개시에 따른 심장 건강을 평가하기 위한 예시적인 시스템의 사진을 제공한다.
도 1c는 본 개시에 따른 심장 건강을 평가하기 위한 예시적인 시스템의 사진을 제공한다.
도 1d는 본 개시에 따른 심장 건강을 평가하기 위한 시스템의 예시적인 신호 데이터를 제공한다.
도 1e는 본 개시에 따른 심장 건강을 평가하기 위한 일 예의 시스템 및 예시적인 신호 데이터의 도면을 제공한다.
도 2a는 본 개시에 따른 데이터 처리 방법의 다이어그램을 제공한다.
도 2b는 데이터 처리 방법에 사용되는 단계의 다이어그램을 제공한다.
도 2c는 데이터 처리 방법의 시각화를 제공한다.
도 3a는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 3b는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 3c는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 3d는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 4는 본 개시에 따른 분류 실험 결과의 그래프를 제공한다.
도 5는 본 개시에 따른 윈도우닝 실험 결과의 그래프를 제공한다.
도 6a는 본 개시에 따른, 심장 건강을 평가하기 위한 시스템의 신호 데이터의 예시를 제공한다.
도 6b는 본 개시에 따른, 신호 처리를 위한 예시적인 방법의 다이어그램을 제공한다.
도 6c는 본 개시에 따른, 신호 처리를 위한 예시적인 방법의 도면을 제공한다.
도 7a는 본 개시에 따라, 실험적으로 측정된 폐동맥 압력의 그래프를 제공한다.
도 7b는 본 개시에 따라, 실험적으로 측정된 폐 모세혈관 쐐기 압력의 그래프를 제공한다.
도 7c는 본 개시에 따라, 실험적으로 측정된 SCG 데이터의 그래프를 제공한다.
도 8a는 본 개시에 따른 상관관계 분석의 그래프를 제공한다.
도 8b는 본 개시에 따른 상관관계 분석의 그래프를 제공한다.
도 8c는 본 개시에 따른 상관관계 분석의 그래프를 제공한다.
도 8d는 본 개시에 따른 상관관계 분석의 그래프를 제공한다.
도 9a는 본 개시에 따른 상관관계 분석의 차트를 제공한다.
도 9b는 본 개시에 따른 상관관계 분석의 차트를 제공한다.
도 10a는 본 개시에 따른 알고리즘 특성(algorithm features)의 상대적 가중치 그래프를 제공한다.
도 10b는 본 개시에 따른 알고리즘 특성(algorithm features)의 상대적 가중치 그래프를 제공한다.
도 11은 본 개시에 따른, 심장 건강을 평가하는 예시적인 방법을 예시하는 흐름도를 제공한다.
도 12는 본 개시에 따른, 심장 건강을 평가하는 예시적인 방법을 예시하는 흐름도를 제공한다.
도 13a는 본 개시에 따라, 훈련 세트 상에서 다운 선택된 특성 세트(downselected feature set)를 사용하는 최상의 분류자에 대한 수신기 동작 특성(ROC) 곡선을 제공한다.
도 13b는 본 개시에 따라, 훈련 세트 상에서 학습되고, 보이지 않는 검증 세트 상에서 평가된 모델에 대한 ROC 곡선을 제공한다.
도 14a는 본 개시에 따라, 기본 특성(srPower) 계산과 함께 한 명의 비보상(decompensated) 피험자로부터의 세 개의 예시 박동(beat)을 제공한다.
도 14b는 본 개시에 따라, 기본 특성(srPower) 계산과 함께 한 명의 보상(compensated) 피험자로부터의 세 개의 예시 박동을 제공한다.
도 15a는 본 개시에 따라, 무작위로 선택된 비보상 피험자로부터의 비보상된 곡선 및 무작위로 선택된 보상 피험자로부터의 보상된 곡선에 대한 각 개별 SCG 비트의 각 PSD의 평균에 기초한 전력 스펙트럼 밀도(PSD)의 플롯을 제공한다.
도 15b는 본 개시에 따라, 도 15a의 낮은 주파수 범위(5 내지 40Hz)의 콜아웃을 제공한다.
도 15c는 본 개시에 따라, 도 15a의 높은 주파수 범위(200 내지 250Hz)의 콜아웃을 제공한다.
도 16a는 본 개시에 따라, 5배 교차 검증을 수행함에 있어서, SFS를 사용하여 특성이 선택된 횟수를 나타내는 막대 그래프를 제공한다.
도 16b는 본 개시에 따라, 선형 SVM의 특성 가중치를 사용하여 계산된 상위 3개의 중요도 점수를 갖는 특성들을 나타내는 막대 그래프를 제공한다.
도 16c는 본 개시에 따른 순열 특성 중요도 방법에 의해 평가된 상위 3개의 가장 중요한 특성을 나타내는 막대 그래프를 제공한다.
본 개시는 심장 건강 평가 시스템 및 방법, 예를 들어, 사용자의 심장 건강 상태를 평가하는 웨어러블 시스템 및 방법에 대해 설명한다. 예를 들어, 본 개시의 실시예는 웨어러블 심진도(SCG)를 사용하여 심부전 환자를 원격으로 모니터링하기 위한 웨어러블, 최소 방해 시스템을 제공한다. 따라서, 상기 시스템은 사용자의 심장 건강을 평가하고 사용자 및/또는 간병인에게 결과를 알릴 수 있다. 예를 들어, 상기 시스템은 울혈(congestion)(전부하, preload)을 나타낼 수 있는 심장의 내부 충만 압력을 추정할 수 있다.
개시된 기술은 심장 건강을 평가하기 위한 시스템 및 방법과 관련하여 본 개시 전반에 걸쳐 설명되었지만, 당업자는 개시된 기술이 이에 제한되지 않으며 다른 시나리오 및 적용예에 적용될 수 있다는 것을 인식할 것이다. 예를 들어, 개시된 기술은 출혈 모니터링 및 저혈량증으로 인한 심혈관 붕괴의 검출을 포함하여, 전부하(preload)를 정량화하는 것이 관련되는 모든 적용예에 적용될 수 있는 것으로 고려된다.
본 개시된 기술의 일부 실시예는 첨부된 도면을 참조하여 보다 상세하게 설명될 것이다. 그러나, 본 개시된 기술은 다양한 형태로 구현될 수 있으며, 본 명세서에 개시된 실시예에 한정되는 것으로 해석되어서는 안 된다. 이하에서 개시된 기술의 다양한 요소를 구성하는 것으로 설명되는 구성 요소는 예시적인 것이며 제한적인 것이 아니다. 실제로, 다른 실시예들이 고려되는 것으로 이해되어야 한다. 본 명세서에 설명된 구성요소와 동일하거나 유사한 기능을 수행하는 많은 적합한 구성요소가 개시된 전자 장치 및 방법의 범위 내에 포함되도록 의도되었다. 본 명세서에 설명되지 않은 그러한 다른 구성요소들은 예를 들어, 개시된 기술의 개발 이후에 개발된 구성요소들을 포함할 수 있지만, 이에 한정되지는 않는다.
본 명세서에서, "갖는", "가진다", "구성하는", 또는 "구성한다"와 같은 용어의 사용은 개방형이며, "포함하는" 또는 "포함한다"과 같은 용어와 동일한 의미를 가지도록 의도되었으며, 다른 구조, 재료 또는 행위의 존재를 배제하지 않는다. 마찬가지로, "할 수 있다" 또는 "할 수도 있다"와 같은 용어의 사용은 개방형이며 구조, 자료 또는 행위가 필요하지 않음을 반영하기 위한 것이지만, 이러한 용어를 사용하지 않는다고 해서 구조, 자료 또는 행위가 필수적이라는 것을 반영하려는 의도는 아니다. 구조, 재료 또는 행위가 현재 필수적인 것으로 간주되는 범위 내에서, 그러한 구조, 재료 또는 행위는 필수적인 것으로 식별된다.
하나 이상의 방법 단계에 대한 언급이, 명시적으로 식별된 단계들 사이에 추가적인 방법 단계 또는 중간 방법 단계의 존재를 배제하지 않는다는 것을 이해해야 한다. 유사하게, 장치 또는 시스템에서 하나 이상의 구성요소의 언급이 명시적으로 식별된 구성요소들 사이에 추가 구성요소 또는 개입 구성요소의 존재를 배제하지 않는다는 것도 이해되어야 한다. 또한, 개시된 방법 및 프로세스는 본 명세서에서 논의된 모든 단계를 포함할 수 있지만, 반드시 포함하지는 않는 것으로 고려된다. 즉, 개시된 기술에 따른 방법 및 프로세스는 개시된 것들 중 일부를 포함하면서 다른 것들은 생략할 수 있다.
본 명세서 및 청구범위 전체에서, 다음 용어들은 달리 명시되지 않는 한, 적어도 본 명세서에 명시적으로 연관된 의미를 가진다. "또는"이라는 용어는 포괄적인 "또는"을 의미하도록 의도된다. 또한, 단수로 표현된 용어는 달리 명시되지 않거나 문맥에서 단수 형태를 지시하는 것으로 명확하지 않은 한 하나 이상의 의미를 갖는 것으로 의도된다. "포함한다", "함유한다", 또는 "구성한다"는 것은 적어도 명명된 요소 또는 방법 단계가 물품 또는 방법에 존재한다는 것을 의미하지만, 다른 요소 또는 방법 단계가 명명된 것과 동일한 기능을 갖는다고 하더라도 다른 요소 또는 방법 단계의 존재를 배제하지 않는 것을 의미한다.
본 명세서에 사용된 바와 같이, 달리 명시되지 않는 한, 일반적인 객체를 설명하기 위해 "제1", "제2", "제3" 등의 서수 형용사를 사용하는 것은 단지 유사한 객체의 상이한 예가 언급되고 있음을 나타낼 뿐이며, 그렇게 설명되는 객체가 시간적, 공간적, 순위 또는 다른 방식으로 주어진 순서에 있어야 함을 암시하는 것은 아니다.
본 명세서에서 개시된 기술은 다양한 시스템 및 방법과 관련하여 설명될 수 있지만, 동일하거나 실질적으로 유사한 특징을 갖는 개시된 기술의 실시예 또는 구현이 방법 또는 시스템으로서 대안적으로 구현될 수 있는 것으로 고려된다. 예를 들어, 방법과 관련하여 본 명세서에 설명된 임의의 양태, 요소, 특징 등은 시스템에 동일하게 귀속될 수 있다. 또 다른 예로서, 시스템과 관련하여 본 명세서에 설명된 임의의 양태, 요소, 특징 등은 방법에 동일하게 귀속될 수 있다.
이제, 개시된 기술의 실시예들을 상세히 참조할 것이며, 그 실시예들은 첨부된 도면에 도시되고 본 명세서에 개시된다. 편의상, 동일하거나 유사한 부분을 지칭하기 위해 도면 전체에 걸쳐 동일한 참조 번호가 사용될 것이다.
이제, 도면을 참조하여, 같은 숫자가 같은 요소를 나타내는, 본 개시의 실시예들이 설명된다. 보다 상세하게 설명될 바와 같이, 본 개시는 심장 건강을 평가하기 위한 시스템 및 방법을 포함할 수 있다. 본 개시에 기술된 시스템의 배경을 제공하기 위해, 심장 건강을 평가하기 위한 시스템의 구성요소들이 도 1a에 도시되어 있으며, 먼저 논의될 것이다.
본 개시의 원리 및 특징에 대한 이해를 용이하게 하기 위해, 개시된 기술의 다양한 실시예들이 본 명세서에서 설명된다. 개시된 기술의 다양한 요소를 구성하는 것으로서 본 명세서에 설명된 구성요소, 단계 및 재료는 예시적인 것으로 의도된 것이며, 제한적인 것이 아니다. 본 명세서에 설명된 구성 요소, 단계 및 재료와 동일하거나 유사한 기능을 수행하는 많은 적합한 구성 요소, 단계 및 재료가 본 개시의 범위 내에 포함되도록 의도되었다. 본 명세서에 설명되지 않은 다른 구성요소, 단계 및 재료는 본 명세서에 개시된 실시예의 개발 이후에 개발되는 유사한 구성요소 또는 단계를 포함할 수 있지만, 이에 한정되지 않는다.
본 명세서에서 사용되는 바와 같이, 달리 명시되지 않는 한, "심장 건강"이라는 용어는 전체 심장 및 심혈관계의 건강을 지칭한다.
본 명세서에서, 달리 명시되지 않는 한, "신호"라는 용어는 하나 이상의 신호를 지칭한다.
도 1a 및 도 1e에 도시된 바와 같이, 개시된 기술은 심장 건강을 평가하기 위한 시스템(100)을 포함한다. 상기 시스템(100)은 웨어러블 디바이스(110)를 포함할 수 있다. 상기 웨어러블 디바이스(110)는 사람(예를 들어, 사용자(130))에게 착용되는 디바이스일 수 있다. 대안적으로 또는 추가적으로, 상기 웨어러블 디바이스(110)는 상기 사용자(130)의 심장(120)에 근접하여 위치하도록 구성될 수 있다. 예를 들어, 도 1a 및 도 1e에 도시된 바와 같이, 상기 웨어러블 디바이스(110)는 사용자(130)의 가슴에 착용될 수 있다.
상기 웨어러블 디바이스(110)는 하나 이상의 센서를 포함할 수 있다. 예를 들어, 상기 웨어러블 디바이스(110)는 제1 센서(112)를 포함할 수 있다. 대안적으로 또는 추가적으로, 상기 웨어러블 디바이스(110)는 제2 센서(114)를 포함할 수 있다.
상기 제1 센서(112)는 심장의 적어도 하나의 전기적 특성을 측정하도록 구성될 수 있다. 예를 들어, 상기 제1 센서(112)는 상기 사용자(130)의 심전도(ECG) 신호를 측정할 수 있다. 상기 제1 센서(112)는 상기 사용자(130)의 신체에 배치될 수 있는 하나 이상의 전극을 포함할 수 있다. 예를 들어, 하나 이상의 전극은 상기 사용자(130)의 피부에 부착될 수 있다. 대안적으로 또는 추가적으로, 상기 사용자(130)의 피부에 부착되는 하나 이상의 전극은 상기 웨어러블 디바이스(110)를 상기 사용자에게 더 부착할 수 있다.
상기 제2 센서(114)는 사용자의 심인성 진동을 측정하도록 구성될 수 있다. 예를 들어, 상기 제2 센서는 상기 사용자(130)의 심진도(seismocardiogram, SCG) 신호를 측정하도록 구성될 수 있다. 상기 제2 센서(114)는 3축 SCG 신호를 측정하도록 구성될 수 있다. 예를 들어, 3축 SCG 신호는 등-복부, 측면 및/또는 머리-발 축을 포함할 수 있다. 대안적으로 또는 추가적으로, 상기 제2 센서(114)는 사용자의 자이로심장도(gyrocardiogram) 신호를 측정하도록 구성될 수 있다.
상기 시스템(100)은 대안적으로 또는 추가적으로, 카테터(140)를 포함할 수 있다. 상기 카테터(140)는 혈역학적 파라미터를 측정하기 위해 사용자의 신체 내에 삽입될 수 있다. 예를 들어, 상기 카테터(140)는 우측 심도자술(right heart catherization, RHC) 시술을 받고 있는 사용자(130) 내에 삽입될 수 있다.
도 1b 및 도 1c에 도시된 바와 같이, 상기 웨어러블 디바이스(110)는 제1 측(150) 및 제2 측(160)을 포함할 수 있다. 예를 들어, 상기 웨어러블 디바이스는 제1 측(150) 및 제2 측(160)을 포함하는 외부 구조를 가질 수 있다. 상기 제1 측(150) 및 제2 측(160)은 연결 가능 및 분리 가능한 구조일 수 있다. 제1 측(150) 및 제2 측(160)은 일반적으로 둥근 모양일 수 있으며, 일반적으로 퍽-형(puck-like) 모양을 만들기 위해 연결될 수 있다. 대안적으로 또는 추가적으로, 상기 웨어러블 디바이스(110)는 상기 웨어러블 디바이스(110)의 다양한 동작을 수행하기 위한 전자 장치(170)를 포함할 수 있다. 예를 들어, 상기 전자 장치(170)는 상기 웨어러블 장치(110) 내부의 제1 측(150)과 제2 측(160) 사이에 위치할 수 있다.
상기 제1 측(150)은 사용자(130)의 신체(예를 들어, 심장(120)의 원위)로부터 멀리 향하도록 구성될 수 있다. 상기 제1 측(150)은 정렬 마커(152)를 포함할 수 있다. 예를 들어, 상기 정렬 마커(152)는 사용자에 의해 착용될 때 상기 웨어러블 디바이스(110)가 향해야 하는 방향(예를 들어, 화살표는 사용자(130)의 머리를 향해야 함)을 나타내는 화살표일 수 있다.
상기 제2 측(160)은 사용자(130)의 신체(예를 들어, 심장(120)의 근위)를 향하도록 구성될 수 있다. 상기 제2 측(160)은 커넥터들(162)을 포함할 수 있다. 상기 커넥터들(162)은 상기 제1 센서(112)에 연결될 수 있다. 예를 들어, 상기 제1 센서(112)는 상기 사용자(130)의 신체에 부착될 수 있는 하나 이상의 전극을 포함할 수 있고, 상기 커넥터들(162)은 제2 측(160)을 하나 이상의 전극에 연결할 수 있다. 이렇게 함으로써, 상기 웨어러블 디바이스(110)는 상기 제1 센서(112)의 하나 이상의 전극이 상기 사용자(130)에 부착되고 상기 웨어러블 디바이스(110)의 다른 부분(예를 들어, 제2 센서(114), 제1 측(150), 제2 측(160) 및 전자 장치(170))이 커넥터(162)에 의해 하나 이상의 전극에 연결됨으로써 사용자에 부착될 수 있다. 상기 커넥터들(162)은 버튼, 스냅 버튼, 누름 버튼, 접착제, 후크 및 루프 등, 또는 이들의 임의의 조합을 포함하되 이에 한정되지 않는 당업자에게 공지된 임의의 커넥터일 수 있다.
상기 전자 장치(170)는 상기 시스템(100)의 전자 부품을 포함할 수 있다. 상기 전자 부품(170)은 프로세서 및 메모리를 포함할 수 있다. 예를 들어, 상기 전자 장치(170)는 CPU, 마이크로프로세서 등을 포함할 수 있다. 상기 메모리는 상기 프로세서에 의해 실행될 때, 상기 프로세서가 본 명세서에 개시된 기능들 중 하나 이상을 수행하도록 하는 논리 명령을 포함할 수 있다. 대안적으로 또는 추가ㅈ적으, 상기 메모리는 이동식 메모리 카드를 포함할 수 있다. 예를 들어, 수집된 데이터(예를 들어, 하나 이상의 센서로부터 수집된 데이터)가 저장될 수 있는 마이크로 보안 디지털(microSD) 카드가 포함될 수 있다. 대안적으로 또는 추가적으로, 상기 전자 장치(170)는 트랜시버를 포함할 수 있다. 예를 들어, 상기 트랜시버는 하나 이상의 센서(예를 들어, 제1 센서(112), 제2 센서(114))로부터 데이터를 수신하고 원격 디바이스로 데이터를 전송할 수 있다. 대안적으로 또는 추가적으로, 상기 전자 장치는 플러그(172)를 포함할 수 있다. 상기 플러그(172)는 상기 웨어러블 디바이스(110)에 전원을 제공하도록 구성될 수 있다. 예를 들어, 상기 플러그(172)는 상기 웨어러블 디바이스(110)에 직접 전원을 공급하거나 상기 웨어러블 디바이스(110)의 배터리를 충전하기 위해 전원에 연결될 수 있다. 대안적으로 또는 추가적으로, 상기 플러그(172)는 외부 디바이스와 연결(예를 들어, 데이터 송수신)하도록 구성될 수 있다. 예를 들어, 상기 플러그는 상기 웨어러블 디바이스를 외부 컴퓨터, 태블릿, 휴대폰, 기타 프로세서 등에 연결하여 데이터를 송수신할 수 있도록 할 수 있다. 상기 플러그(172)는 USB 커넥터일 수 있다. 상기 전자 장치(170)는 전원을 포함할 수 있다. 예를 들어, 상기 전원은 웨어러블 디바이스의 구성 요소들(예를 들어, 제1 센서(112), 제2 센서(114), 프로세서, 트랜시버)에 전원을 공급하기 위한 배터리일 수 있다. 대안적으로 또는 추가적으로, 상기 전자 장치는 하나 이상의 추가 센서(제1 및 제2 센서(112, 114) 외에)를 포함할 수 있다. 예를 들어, 상기 전자 장치는 제3 센서를 포함할 수 있다.
상기 제3 센서는 환경 파라미터를 측정하도록 구성될 수 있다. 예를 들어, 상기 제3 센서는 온도, 습도, 고도 등 중 하나 이상, 또는 이들의 임의의 조합을 측정하도록 구성될 수 있다. 대안적으로 또는 추가적으로, 상기 제3 센서는 사용자의 광용적맥파(photoplethysmography) 신호를 측정하도록 구성될 수 있다.
개시된 기술은 도 11에 도시된 방법(1100)과 같은 심장 건강을 평가하는 방법을 포함한다. 방법(1100) 및/또는 본 명세서에 설명된 임의의 다른 방법은 제어기 또는 컴퓨터에 의해 수행될 수 있다. 예를 들어, 상기 방법(1100)은 제어기 또는 컴퓨터를 포함하는 상기 웨어러블 디바이스(110)에 의해 수행될 수 있다. 대안적으로 또는 추가적으로, 상기 방법(1100)은 원격 제어기 또는 컴퓨터에 의해 수행될 수 있다. 예를 들어, 상기 웨어러블 디바이스(110)는 (예를 들어, 트랜시버를 통해, 메모리 카드를 통해, 플러그(172) 및 와이어를 통해) 원격 제어기 또는 컴퓨터에 연결될 수 있다.
상기 방법(1100)은 제1 센서로부터 데이터를 수신하는 단계(1102)를 포함할 수 있다. 상기 제1 센서로부터의 데이터는 사용자 심장의 적어도 하나의 전기적 특성과 관련될 수 있다. 예를 들어, 상기 제1 센서는 사용자의 심전도(electrocardiogram) 신호를 측정할 수 있다.
상기 방법(1100)은 제2 센서로부터 데이터를 수신하는 단계(1104)를 포함할 수 있다. 상기 제1 센서로부터의 데이터는 사용자의 심인성 진동과 관련될 수 있다. 예를 들어, 상기 제2 센서는 사용자의 심진도(seismocardiogram) 신호를 측정할 수 있다. 대안적으로 또는 추가적으로, 상기 제2 센서는 사용자의 자이로심장도(gyrocardiogram) 신호를 측정할 수 있다.
상기 방법(1100)은, 상기 제1 센서 및 제2 센서로부터의 데이터에 기초하여, 심장의 충만 특성을 결정하는 단계(1106)를 포함할 수 있다. 예를 들어, 심장의 충만 특성은 적어도 부분적으로 심진도(seismocardiogram) 신호의 하나 이상의 축(예를 들어, 측면, 머리-발, 등-복부)에 기초할 수 있다. 대안적으로 또는 추가적으로, 상기 충만 특성은 적어도 부분적으로는 심장 박동의 이완기 부분 동안의 심진도 신호에 기초할 수 있다.
상기 방법(1100)은 심장의 충만 특성에 기초하여 심장 건강을 평가하는 단계(1108)를 포함할 수 있다. 예를 들어, 상기 심장 건강 평가는 상기 사용자의 심부전의 임상 상태의 분류를 포함할 수 있다. 대안적으로 또는 추가적으로, 상기 심장 건강 평가는 사용자의 심장의 충만 특성의 변화를 나타내는 데이터를 포함할 수 있다. 예를 들어, 혈역학, 충만 압력, 폐동맥 압력, 폐 모세관 쐐기 압력 등의 변화, 또는 이들의 임의의 조합이 포함될 수 있다.
상기 방법(1100)은 심장 건강 평가를 사용자에게 출력하는 단계(1110)를 포함할 수 있다. 예를 들어, 상기 심장 건강 평가는 연결된 디바이스(예를 들어, 스마트폰, 태블릿, 컴퓨터)로 전송될 수 있다. 대안적으로 또는 추가적으로, 상기 심장 건강 평가는 심장 건강 평가 디바이스(예를 들어, 웨어러블 디바이스)에 표시될 수 있다. 상기 심장 건강 평가는 사용자에 대한 경고를 포함할 수 있다. 예를 들어, 상기 방법(1100)은 반복적으로 및 실시간으로 수행될 수 있고, 상기 심장 건강 평가는 심장 건강 평가가 변경될 때 경고를 포함할 수 있다. 실시간으로 모니터링 및 경고함으로써, 사용자 및/또는 임상의는 심부전 환자를 치료할 수 있다. 예를 들어, 사용자 및/또는 임상의는 신체 보상 루프를 차단할 수 있다(예를 들어, 약물 적정을 통해).
개시된 기술은 심장 건강을 평가하기 위한 방법(1200)을 포함하며, 이는 도 12에 도시되어 있다. 방법(1200) 및/또는 본 명세서에 설명된 임의의 다른 방법은 제어기 또는 컴퓨터에 의해 수행될 수 있다. 예를 들어, 상기 방법(1200)은 제어기 또는 컴퓨터를 포함하는 웨어러블 디바이스(110)에 의해 수행될 수 있다. 대안적으로 또는 추가적으로, 상기 방법(1200)은 원격 제어기 또는 컴퓨터에 의해 수행될 수 있다. 예를 들어, 상기 웨어러블 디바이스(110)는 (예를 들어, 트랜시버를 통해, 메모리 카드를 통해, 플러그(172) 및 전선을 통해) 원격 제어기 또는 컴퓨터에 연결될 수 있다.
상기 방법(1200)은 기준선을 결정하는 단계(1202)를 포함할 수 있다. 예를 들어, 기준선을 결정하는 단계(1202)는 기준선으로 시스템(100)을 교정하는 단계를 포함할 수 있다. 상기 기준선은 기준 충만 압력일 수 있다. 상기 기준선은 인구 수준 기준선에 기초하여 결정될 수 있다. 예를 들어, 기준 폐압 값은 모집단 수준 회귀(population level regression) 알고리즘을 사용하여 비침습적 SCG 및 ECG 신호의 특성을 사용하여 추적할 수 있다. 대안적으로 또는 추가적으로, 개인화된 기준선을 기반으로 기준선을 결정할 수도 있다. 상기 개인화된 기준선은 RHC 시술에서 수집된 데이터를 기반으로 결정할 수 있다. 예를 들어, 개인화된 기준선은 적어도 부분적으로는 RHC 장치에서 얻은 압력 값에 기초하여 결정될 수 있다. 대안적으로 또는 추가적으로, 임상의의 데이터를 기반으로 개인화된 기준선을 결정할 수 있다. 예를 들어, 개인화된 기준선은 적어도 부분적으로는 임상 검사로부터 얻어진 압력 값에 기초하여 결정될 수 있다.
상기 방법(1200)은 제1 센서로부터 데이터를 수신하는 단계(1204)를 포함할 수 있다. 상기 제1 센서로부터의 데이터는 사용자 심장의 적어도 하나의 전기적 특성과 관련될 수 있다. 예를 들어, 상기 제1 센서는 사용자의 심전도(electrocardiogram) 신호를 측정할 수 있다.
상기 방법(1200)은 제2 센서로부터 데이터를 수신하는 단계(1206)를 포함할 수 있다. 상기 제1 센서로부터의 데이터는 사용자의 심인성 진동과 관련될 수 있다. 예를 들어, 상기 제2 센서는 사용자의 심진도(seismocardiogram) 신호를 측정할 수 있다. 대안적으로 또는 추가적으로, 상기 제2 센서는 사용자의 자이로심장도(gyrocardiogram) 신호를 측정할 수 있다.
상기 방법(1200)은, 제1 센서 및 제2 센서로부터의 데이터에 기초하여, 심장의 충만 특성을 결정하는 단계(1208)를 포함할 수 있다. 예를 들어, 상기 심장의 충만 특성은 적어도 부분적으로는, 심진도(seismocardiogram) 신호의 하나 이상의 축(예를 들어, 측면, 머리-발, 등-복부)에 기초할 수 있다. 대안적으로 또는 추가적으로, 상기 충만 특성은 적어도 부분적으로는 심장 박동의 이완기 부분 동안의 심진도(seismocardiogram) 신호에 기초할 수 있다. 또한, 상기 충만 특성은 적어도 부분적으로는, 결정된 기준선에 기초할 수 있다.
상기 방법(1200)은, 상기 심장의 충만 특성에 기초하여, 심장 건강을 평가하는 단계(1210)를 포함할 수 있다. 또한, 상기 심장 건강 평가는 적어도 부분적으로는, 결정된 기준선에 기초할 수 있다. 상기 심장 건강 평가는 사용자의 심부전 임상 상태의 분류를 포함할 수 있다. 대안적으로 또는 추가적으로, 상기 심장 건강 평가는 사용자의 심장 충만 특성의 변화를 나타내는 데이터를 포함할 수 있다. 예를 들어, 혈역학, 충만 압력, 폐동맥 압력, 폐 모세관 쐐기 압력 등의 변화, 또는 이들의 임의의 조합이 포함될 수 있다.
상기 방법(1200)은 심장 건강 평가를 사용자에게 출력하는 단계(1212)를 포함할 수 있다. 예를 들어, 상기 심장 건강 평가는 연결된 디바이스(예를 들어, 스마트폰, 태블릿, 컴퓨터)로 전송될 수 있다. 대안적으로 또는 추가적으로, 상기 심장 건강 평가는 심장 건강 평가 디바이스(예를 들어, 웨어러블 디바이스)에 표시될 수 있다. 상기 심장 건강 평가는 사용자에 대한 경고를 포함할 수 있다. 예를 들어, 상기 방법(1200)은 반복적으로 그리고 실시간으로 수행될 수 있고, 상기 심장 건강 평가는 심장 건강 평가가 변경될 때 경고를 포함할 수 있다. 실시간으로 모니터링 및 경고함으로써, 사용자 및/또는 임상의는 심부전 환자를 치료할 수 있다. 예를 들어, 사용자 및/또는 임상의는 신체 보상 루프를 차단할 수 있다(예를 들어, 약물 적정을 통해).
상기 방법(1100 및 1200)은 하나 이상의 추가 센서로부터 데이터를 수신하는 것을 더 포함할 수 있다. 예를 들어, 상기 방법(1100 및 1200)은 제3 센서로부터 데이터를 수신하는 단계를 포함할 수 있다. 상기 제3 센서는 환경 파라미터를 측정하도록 구성될 수 있다. 예를 들어, 상기 제3 센서는 온도, 습도, 고도 등 중 하나 이상 또는 이들의 임의의 조합을 측정하도록 구성될 수 있다. 대안적으로 또는 추가적으로, 상기 제3 센서는 사용자의 광용적맥파(photoplethysmography) 신호를 측정하도록 구성될 수 있다. 상기 방법(1100 및 1200)은 제3 센서 및 제4 센서로부터 데이터를 수신하는 것을 포함할 수 있다. 예를 들어, 제3 센서는 환경 파라미터를 측정하도록 구성될 수 있고, 제4 센서는 사용자의 광용적맥파(photoplethysmography) 신호를 측정하도록 구성될 수 있다.
이하의 실시예들은 본 개시의 양태들을 더 예시한다. 그러나, 이러한 실시예들은 본 명세서에 기재된 바와 같이 본 개시의 교시내용 또는 개시를 제한하는 것이 아니다.
실시예
실시예
1
이하의 실시예는 신호 처리 및 기계 학습 알고리즘을 사용하여, 심장 내 및 폐 압력을 추정하기 위해 우리의 고유한 웨어러블 패치 하드웨어로 측정된 비침습적 심혈관 전기 기계 신호로부터 관련 정보를 추출한다.
본 실시예는 생물학적 기능(예를 들어, 심장의 충만 압력)을 나타내는 신호를 수신하는 웨어러블 디바이스, 및 신호에 포함된 정보를 처리하는 방법, 예를 들어, ECG 및 SCG 신호로부터 충만 압력을 추정하는 방법을 포함한다.
본 실시예에서, 고유한 웨어러블 패치 하드웨어로 측정된 비침습적 심혈관 전기기계 신호로부터 관련 정보를 추출하여 심장 내 및 폐압을 추정하기 위한 신호 처리 및 기계 학습 알고리즘을 개발하였다. 심장 내압과 폐압을 측정하기 위한 표준 임상 절차인 우측 심도자술(right heart catherization, RHC)을 받는 심부전 환자로부터 맞춤형 웨어러블 패치를 사용하여 단일 리드 심전도(ECG)와 3축 심진도(SCG) 신호를 동시에 수집했다. 동시에 기록된 SCG 및 ECG 신호의 특성과 RHC 시술 중에 약리학적인 도전을 받은 피험자/환자의 하위 집합에 대한 이러한 압력의 변화를 사용하여 상기 기준선 압력 값(RHC 장치에서 얻은)을 추정했다.
기준 폐압 값뿐만 아니라 압력의 변화는, 모집단 수준 회귀(population level regression) 알고리즘을 사용하는 비침습적 SCG 및 ECG 신호의 특성을 사용하여 추적될 수 있다. 눈에 잘 띄지 않는 패치 기반 웨어러블 디바이스와 폐압 측정을 통해 심장의 충만 압력을 추적할 수 있는 신호 처리 및 머신 러닝 알고리즘을 사용하면 심부전 및 기타 심혈관 질환 환자의 원격 재택 모니터링이 가능하다. 심부전 환자의 원격 모니터링을 통해, 궁극적으로 입원을 줄이고 영향을 받는 개인의 삶의 질을 향상시킬 수 있는 가정에서의 치료의 적정화가 가능하다.
상기 웨어러블 패치 하드웨어는 심전도(ECG), 심진도(SCG) 및 환경 감지 기능의 고유한 조합을 갖추고 있어, 비감독 환경에서 혈역학 파라미터를 상황 인식적으로 결정할 수 있다. 전기 생리학만 측정하는 다른 기술이나 심진도(seismocardiogram) 신호도 측정할 수 있는 다른 웨어러블 시스템과 비교하여 고도, 습도 및 온도와 같은 환경 매개변수를 측정하면 폐 모세혈관 쐐기 압력(PCWP) 또는 폐동맥 압력(PAP)과 같은 추정 혈역학 매개변수를 활동 및/또는 환경의 맥락에 놓을 수 있다. 예를 들어, 더위로 인한 혈관 확장은 심혈관계에서 상대적인 저혈량증을 초래하여 전부하(preload)의 감소(PCWP 및 PAP의 감소)를 초래할 것이고, 이러한 환경적 특성을 SCG 및 ECG 특성과 함께 추가하여 혈역학적 파라미터를 추정하는 머신 러닝 기반 모델에 추가하면 더 정확해질 수 있다.
또한, 작업의 일부에서 교란으로 인한 PAP 및 PCWP의 변화를 추정하는 데 초점을 맞추고 있는데, 약리학적인 교란(혈관 확장제 전달)이 예로 사용되지만, 그러한 교란은 운동, 주변 온도 변화(예를 들어 열에 의한 혈관 확장), 자세의 변화(예를 들어, 앉았다 일어설 때 전부하(preload)의 변화) 또는 말초 신경의 전기 자극 또는 기준 생리 상태의 기타 변화에 기반한 기타 변조 기법에 의한 것일 수도 있다. 이러한 기술은 예를 들어 혈역학 파라미터를 교정하는 데 사용할 수 있다. 휴식 상태의 신호만 측정하는 것이 아니라 이러한 교란 전후의 신호를 측정할 수 있으며, 교란에 의해 유도된 생리적 변화의 방향 또는 크기를 알고리즘에 통합하여 PAP, PCWP 및 기타 내부 혈역학 파라미터의 정확도를 개선하여 추정할 수 있다.
당사는 웨어러블 ECG 및 SCG 신호에서 관련 특성을 추출하여 심장의 충만 압력(전부하, preload)을 추적하는 신호 처리 및 기계 학습 알고리즘을 개발했다. 맞춤형 웨어러블 가슴 패치를 사용하여 데이터(단일 리드 심전도 및 3축 심전도)를 수집했다. 심장의 충만 압력을 추적하고 사전 조치(약물 적정, 후속 병원 방문 등)를 취하면 심부전 관련 합병증으로 인한 입원 및 심부전 환자의 모든 원인으로 인한 입원을 줄이는 데 효과가 있는 것으로 나타났다. 그러나 병원과 가정에서 심장의 충만 압력을 추적하는 데 사용되는 기기의 높은 비용으로 인해 심부전의 영향을 받는 대규모 환자 집단에서는 사용이 제한되고 있다. 당사가 개발 중인 웨어러블 센서 및 해당 알고리즘은 고가의 혈역학 모니터링 시스템에 대한 저비용 대안이 될 수 있다.
당사는 SCG 및 ECG 신호를 사용하여 심장의 충만 압력을 추적 할 수 있음을 처음으로 보여주었다. 당사는 다양한 심장 내 및 폐실 (폐동맥, 폐 모세 혈관, 우심방 및 우심실)에서 기준 압력 값을 추정 할 수 있었다. 또한 약리학적인 교란(예를 들어, 혈관 확장제 주입)을 통해 이러한 압력의 변화를 추적하는 알고리즘을 개발했다. 기준 혈압을 추정하기 위해 환자는 최소 10분 동안 가능한 한 앙와위 자세(Supine position)를 유지했다. 이 기준 기록 기간 동안 환자는 SCG 신호를 왜곡하는 불수의적인 움직임이 있을 수 있다. 당사는 움직임으로 오염된 SCG 신호를 감지하고 거부하는 알고리즘을 개발했다. 신호 품질 인덱싱을 사용하여 환자의 고품질 SCG 심장 박동을 계층화했다. 고품질 SCG 심장 박동에서 등-배, 측면, 머리-발, SCG 신호의 세 축 모두의 크기 등 SCG의 각 축에서 관련 특성을 추출했다. 이러한 특성을 바탕으로 평균 압력 값을 예측하기 위해 모집단 회귀 모델을 학습시켰다. 이 모델은 한 피험자 제외 교차 검증 방법(leave-one-subject-out cross-validation)을 사용하여 검증되었다.
압력의 변화를 추적하기 위해, 기준 상태에서 혈관 확장제 주입 상태까지의 SCG 변화를 추정하기 위해 동적 시간 뒤틀림(DTW) 기반 거리 지표를 개발하고, 다른 부분(수축기 및 이완기)에서의 DTW 거리와 SCG 신호의 다른 축(머리에서 발까지, 측면, 등-복부 및 전체 크기)을 사용하여 압력(폐동맥, 폐 모세혈관, 우심방 및 우심실)의 변화를 추정한다. 차원 축소 기법(주성분 분석)과 가우스 혼합 모델을 사용하여 이상치 심장 박동 신호와 품질이 낮은 신호(모션 아티팩트 및 기타 이유로 인해)를 제거하는 알고리즘을 개발했다. SCG 신호로부터 상응하는 DTW 거리에 따른 압력 값의 변화를 추정하기 위해 글로벌 회귀 모델(예를 들어, 릿지(Ridge), 라쏘(Lasso), 랜덤 포레스트(Random Forest) 등)을 개발하고, 한 피험자 제외 교차 검증(leave-one-subject-out cross-validation)을 통해 모델을 검증했다.
SCG에 대한 대부분의 연구는 신호의 수축기 부분과 등-복부 축에 초점을 맞추고 있다. 그러나, 본 연구에서는, 신호의 이완기 부분, 신호의 측면 축 및 신호의 전체 크기에서 나타나는 특성이 심장 내 및 폐 압력의 변화와 관련하여 SCG 신호의 수축기 부분 동안 등-복부 방향 외에 두드러진/가치 있는 정보를 제공함을 입증했다.
상기 알고리즘은 혈역학의 근본적인 변화와 함께 한 상태로부터 다른 상태로의 SCG 신호의 변화를 추정하기 위한 다른 메트릭을 포함할 수 있다: 유클리드 거리, 마하라노비스 거리, 클러스터링 기반 비지도 학습 접근법, 딥 러닝 모델도 포함될 수 있다. 신호 품질을 개선하고 신뢰할 수 있는 특성 추출을 위해 매니폴드 매핑, 클러스터링 등 다양한 다른 방법론을 사용할 수 있다. 상기 알고리즘에는 일상 생활 활동 중 혈역학 변화를 추적하기 위한 SCG 신호의 변화도 포함될 수 있으며, 이는 운동 과민증에 관한 정보를 제공하여 심부전과 관련된 위험을 계층화하는 데 사용될 수 있다. 본 개시에서는 심장의 우측(우심방, 우심실), 폐동맥 및 폐모세혈관의 압력 변화를 추정했다. 상기 알고리즘은 심장의 좌측(좌심방, 좌심실) 및 대동맥의 압력 변화로 변환될 수 있다.
본 실시예는 웨어러블 심전도(SCG)를 사용하여 심부전 환자를 원격으로 모니터링할 수 있는 저렴하고, 최소한의 방해가 되는 웨어러블 시스템을 제시한다. 상기 SCG 신호는 심장의 혈액 배출과 심장 움직임에 반응하는 흉벽의 진동을 포착한다. 당사는 SCG 신호를 사용하여 기준 상태에서 심부전 환자의 임상 상태를 분류하고, SCG 특성이 충만 압력을 정확하게 예측할 수 있는지 조사한다. 특히 이 연구에서는 AUC가 0.8인 휴식 상태의 심부전 환자의 임상 상태를 정확하게 분류하는 것을 보여준다. 또한, PA 압력과 유사한 좌심방 압력을 간접적으로 측정할 수 있는 폐모세혈관 쐐기압(PCWP)을 측정하는 머신러닝 기반 회귀 모델을 공개한다. PCWP를 측정할 수 있는 기능은 PA 압력을 측정하는 이식형 장치와 유사하게 의료진에게 유용한 정보를 제공한다. 이 연구의 모든 데이터는 환자가 우측 심도자술(RHC)을 받는 동안 SCG 신호와 혈역학 파라미터를 모두 수집하기 위해 심도자술실험실에서 수집되었다.
피험자 인구 통계, 실험 프로토콜 및 감지 하드웨어
A. 데이터 수집 및 실험 프로토콜
심부전 진단을 받은 총 50명의 피험자가 본 연구에 등록되었다. 제외 기준에는 이식된 심실 보조 장치와 이전 심장 이식이 포함되었다. 연구 대상자의 인구통계학적 특성은 표 1에 나와 있다. 각 피험자는 데이터 수집 전에 서면 동의를 제공했다.
표 I
피험자의 인구통계학적 정보
본 프로토콜의 목적은 기준 상태(즉, 안정 상태)에 있는 심부전 환자의 임상 상태(즉, 비보상 상태와 보상 상태)를 구별하는 데 있어 SCG의 차별적 특성과 SCG와 혈역학적 파라미터 사이의 상관관계를 탐구하는 것이었다. 임상 상태를 파악하고 혈역학 파라미터를 캡처하기 위해 Mac-Lab 혈역학 기록 시스템을 사용하여 RHC를 수행했다. RHC 시술에 따라 심장 지수(CI), 폐 모세혈관 쐐기 압력(PCWP), 폐동맥 압력(PAP), 우심방 압력(RAP), 우심실 압력(RVP)과 같은 혈역학적 파라미터를 측정했다. 혈역학적 파라미터에 따라 임상 상태를 다음과 같이 결정했다. 환자의 평균 PCWP가 20mmHg 이상이고 심장 지수(CI)가 2.2L/min/m2 이하인 경우, 환자는 비보상으로 간주했다. 그렇지 않으면 환자는 보상으로 간주했다. 드물지만 PCWP 또는 CI 값 중 하나가 비정상적으로 높거나 낮은 경우 간병인이 이 규칙을 무시하는 경우도 있었다. 예를 들어, 경계선 PCWP가 16mmHg이고 CI가 1.3L/min/m2로 매우 낮은 환자는 비보상으로 간주되었다.
모든 SCG 데이터는 환자가 RHC 시술을 받는 동안 수집되었다. 먼저, 환자는 시술 테이블에 누운 상태로 놓였다. 웨어러블 패치 하드웨어가 환자의 흉골 중앙에 부착되어 SCG 신호를 획득하였다. 시술하는 동안 환자는 가능한 한 움직이지 않도록 지시받았다. 그런 다음 카테터를 환자의 몸에 삽입하여 혈역학적 파라미터를 측정했다. 여기서는 환자의 앙와위 자세(supine position)와 움직이지 않는 상태를 기준 상태라고 한다. 단일 RHC 시술 중에 수집된 모든 신호를 기록이라고 하며, 이는 웨어러블 패치의 ECG 및 SCG 신호와 Mac-Lab 혈역학 기록 시스템의 압력 파형으로 구성된다. 또한 보상 기록은 보상으로 결정된 환자로부터 획득한 기록으로 정의하고, 비보상 기록은 이와 유사하게 정의한다. 표 I은 수집된 데이터 세트에서 보상 및 비보상 기록의 수를 보여준다. 한 환자는 RHC 시술을 두 번 받았기 때문에 기록 횟수가 환자 수보다 한 번 더 많다는 점에 유의하라. 데이터 수집 설정은 신호 발췌 예시와 함께 도 1e에 나와 있다. 도 1e는 데이터 수집 설정에 대한 도면을 제공한다. 심부전 환자는 우측 심도자술(RHC) 시술을 받는 동안 앙와위 자세(supine position)를 취하고 있다. 시술 중에 환자의 흉골 중앙에 웨어러블 패치를 부착하여 ECG 및 SCG 신호를 수집한다. 우측에는 웨어러블 SCG 패치에서 수집한 대표적인 ECG 및 SCG 신호의 예시 세트와 Mac-Lab 혈역학 기록 시스템에서 수집한 RHC 파형이 나와 있다. 파형은 필터링되지 않은 원시 형태이다.
B. 감지 하드웨어
상기 웨어러블 패치는 1kHz의 ECG 신호, 500Hz의 가속도계 신호 및 20Hz의 환경 신호를 샘플링하고, 패치 내의 마이크로 보안 디지털(microSD) 카드에 데이터를 저장한다. 맞춤형 그래픽 사용자 인터페이스는 모든 데이터를 microSD 카드에서 컴퓨터로 전송하고 가속도계와 환경 신호를 1kHz로 리샘플링하여 모든 신호가 처리하기 쉽도록 동일한 샘플링 속도를 공유하도록 한다. 그런 다음 모든 신호는 추가 분석을 위해 처리 알고리즘에서 500Hz로 데시메이션된다.
신호 처리 및 머신 러닝 방법
A. 신호 전처리
제1 전처리 단계는, 일부 기록에서는 센서가 피험자에 부착되기 전에 기록을 시작하고 장치가 분리된 후에 기록을 종료하기 때문에, 각 기록의 시작과 끝에서 5분을 제거하는 것이다. 제2 단계로, 다음과 같은 디지털 필터 사양으로 신호를 대역 통과 필터링한다: ECG 및 SCG 신호에 대해 각각 4 내지 25Hz 및 1 내지 40Hz의 통과 대역과 정지 대역에서 80dB 감쇠를 갖는 유한 임펄스 응답(FIR) 필터. 결과 이퀴리플(equiripple) FIR 필터는 ECG 및 SCG 신호에 대해 각각 332 및 1407 차수를 가졌다. ECG 신호의 통과 대역은 다음 처리 단계에서 R피크를 더 쉽게 감지할 수 있도록 분리하기 위해 선택되었다. SCG 신호의 경우, 대역 외 노이즈를 억제하고 SCG 신호 특성을 보존하기 위해 통과 대역이 선택되었다.
ECG 신호와 SCG 신호를 모두 필터링한 후, 크기 채널이라고 지칭하는 SCG의 추가 채널을 형성했다.
[수학식 1]
여기서, SCGx[n], SCGy[n] 및 SCGz[n]은 각각 SCG의 좌-우, 머리-발 및 등-복부 채널이다.
최종 전처리 단계로서, ECG 신호에서 R-피크를 검출하고, 이어서 SCG 신호에서 박동(beat) 분할을 수행한다. R-피크 검출에는 두 가지 알고리즘을 사용했다: 피지오넷(Physionet)이 구현한 팬-톰킨스(Pan-Tompkins)와 맞춤형으로 구현한 페이저 변환(Phasor Transform)이 그것이다. 두 알고리즘 모두에서 감지된 R-피크만 선택하여 R-피크 감지에서 위양성(false positive)을 줄였다. 검출을 위해 12초 창을 사용하여 R-피크를 검출했다.
R-피크를 사용하여, SCG 신호의 박동(beat) 분할은 다음과 같은 방식으로 수행되었다: R-피크 전 200ms와 R-피크 후 700ms를 각각 박동(beat)의 시작과 끝으로 구분했다. 그 결과 SCG의 각 채널에 대한 SCG 박동(beat) 배열을 구성했다. 일반적으로 R피크(즉, R피크 전/후 0ms)부터 R피크 후 약 700ms까지 박동(beat) 분할을 수행하는 다른 선행 연구와 달리, 이 연구에서는 심실 이완기 타이밍을 의도적으로 포함했는데, 이는 이 시간 동안 관찰되는 특성이 충만 압력을 추정하는 데 상당히 관련성이 있을 것으로 예상했기 때문이다.
B. 모션 아티팩트 제거 및 신호 품질 인덱싱
SCG 신호는 모션 아티팩트에 취약하다. 피험자가 움직일 때 SCG 진동은 더 높은 진폭의 모션 아티팩트에 의해 오염된다. 수집된 데이터 세트에서, 환자에게 가능한 한 가만히 있으라는 지시를 받았음에도 불구하고, 모션 아티팩트가 여전히 기록에 존재했다. 도 3은 한 기록에서 이러한 아티팩트의 예를 보여준다. 도 3은 SCG의 등-복부 채널에서 모션 아티팩트 제거를 보여주는 도면으로서, 도 3a는 한 대표 피험자로부터 얻은 전체 기록을, 도 3b는 모션 아티팩트에 의해 오염된 세그먼트가 있는 기록을 확대한 시각화를, 도 3c는 기록에서 가장 유사한 연속적인 두 박동(beat)의 일러스트레이션을 도시하고, 도 3d는 전체 기록에서 모션 아티팩트에 의해 손상된 박동(beat)의 일러스트레이션을 도시하며, 박동(beat)(310)는 크기 채널이 임계값을 초과하는 샘플을 나타낸다.
모션 아티팩트가 SCG 진동보다 진폭이 더 크다는 관찰을 활용하여, 모션이 손상된 SCG 박동(beat)을 감지하고 모션으로 오염된 SCG 박동(beat)을 폐기하는 간단한 알고리즘을 고안했다. 이 알고리즘은 세그먼트화된 박동(beat) 배열을 입력하고 모션으로 오염된 박동(beat)의 인덱스를 출력한다. 의사 코드(peudo-code)는 알고리즘 1에 나와 있다. 검출의 핵심은 가장 유사한 두 개의 연속 박동(beat)을 찾는 것이다. 두 개의 연속된 박동(beat)이 모션에 의해 오염되지 않은 경우, 단기간에 SCG 형태에 큰 변화가 없을 것으로 예상되므로 형태가 유사해야 한다. 따라서 가장 유사한 두 개의 연속 박동(beat)은 모션 아티팩트가 없어야 한다(이 기록에서 가장 유사한 두 개의 연속 박동(beat)의 예는 도 3c 참조). 기록에서 모션 아티팩트가 없는 부분을 사용하여 간단한 임계값을 계산하면 알고리즘 1에 설명된 대로 모션 아티팩트를 감지할 수 있다. 모션 아티팩트 검출 알고리즘의 결과는 도 3에 나와 있다.
두 박동(beat) 간의 유사도를 측정하기 위해 다음 식이 사용되었다:
[수학식 2]
여기서 . 이 식의 출력이 산출할 수 있는 값의 범위는 0과 1 사이이다. 출력이 1에 가까우면, 입력이 더 유사하고, 출력이 0에 가까우면, 입력이 더 유사하지 않다.
모션 아티팩트에 오염된 박동(beat)을 검출하여 제거한 후, 신호 품질 인덱싱(SQI)을 SCG의 각 채널에 개별적으로 적용하여 고품질의 SCG 박동(beat)을 추출한다. 기존 SQI 적용 방식과 비교하면 다음과 같은 차이점이 있다: 1) 템플릿의 모집단이 아니라 각 채널당 하나의 템플릿을 사용하여 기록을 진행했으며, 2) 우디의 방법(Woody's method)을 사용하여 박동(beat)의 앙상블 평균을 템플릿으로 사용했다. 이러한 변경을 통해 템플릿은 특정 기록에 맞게 조정되었으며 모션 아티팩트가 발생하지 않았다. SQI의 출력으로 각 박동(beat)에 대한 품질 점수가 반환되었다. 상위 5％의 박동(beat)를 사용하여 특성을 추출했다.
C. 특성 추출
SQI의 출력은 두 가지 방법으로 사용했다: 1) 박동(beat)의 앙상블 평균을 계산하고, 2) 각 개별 박동(beat)에서 파생된 통계적 특성을 사용했다. 단일 박동(beat)에서 표 II에 나열된 기본 특성을 추출했다. 앙상블 평균 박동(beat)을 사용하여 표 II에 나열된 특성을 추출할 때, 기본적으로 기준 SCG와 관련된 특성을 포착했다. 그런 다음 SQI에서 출력된 각 박동(beat)에서 기준선 특성을 추출했다. 그런 다음 평균, 중앙값, 표준편차, 최대값 및 최소값과 같은 통계적 특성을 계산했다. 이 접근 방식을 통해 박동(beat) 간 변화를 포착했다. 상기 표의 시간 창은 심장 주기의 심실 이완기(-200ms 내지 0ms, 300ms 내지 600ms) 및 수축기(-50ms 내지 250ms) 주기를 반영하는 방식으로 선택되었다.
표 II
박동(beat)에서 추출한 기본 특성
이완기 간격과 수축기 간격 사이의 가능한 관계를 포착하기 위해 두 윈도우에서 나온 특성을 결합하여 새로운 특성을 형성했다. 모든 전력 및 진폭 특성의 경우 수축기 간격(-50ms 내지 250ms)과 이완기 간격(300ms 내지 600ms) 사이의 비율이 계산되었고, 모든 지연 관련 특성의 경우 수축기 지연과 이완기 지연 사이의 절대적인 차이가 계산되었다. 또한 채널 간 정보를 전달하는 특성을 포착하는 것을 목표로 했다. 이를 위해 모든 채널 쌍(머리-발, 등-복부, 측면)에 대해 수축기 및 이완기 시간대에 대해서만 기본 특성의 비율(진폭 및 전력 특성)과 절대 차이(지연 특성)를 계산하여 새로운 교차 채널 특성을 형성했다. 결국, 총 690개의 특성이 기록에서 추출된다.
도 2는 웨어러블 패치 데이터의 처리 과정을 나타낸 도면이다. 도 2a는 처리 과정을 블록 다이어그램으로 나타낸 것이다. 도 2b는 처리에 사용되는 단계들에 대한 간략한 수학적 설명을 제공한다. 도 2c는 대표 참가자의 10초 데이터 윈도우에서 처리 과정을 시각화한 것이다. 시각화에서는 시각화를 쉽게 하기 위해 SCG의 등-복부 채널만 표시했으며, 다른 SCG 채널도 동일한 처리를 거친다.
C. 분류기 및 회귀 알고리즘 설계
본 연구에서는 분류 및 회귀 작업 모두에 서포트 벡터 머신(SVM)을 사용하였다. SVM은 두 클래스를 구분하기 위해 분리하는 하이퍼플레인을 찾는다. 커널을 사용하면 SVM은 데이터의 비선형 관계를 모델링할 수 있다. 이 작업에서는 다항식 및 방사형 기저 함수(rbf) 커널을 고려한다. 또한 회귀 작업의 경우 라쏘(lasso)를 사용한 선형 회귀를 고려한다.
E. 실험 설계
실험의 첫 번째 목표는 HF 임상 상태를 판별하기 위한 SCG 특성의 능력을 분석하는 것이었다. 이를 위해, 당사는 문제를 입력은 SCG 특성이고 출력은 환자가 비보상 상태인지 보상 상태인지 여부인 이진 분류로 처리했다. 분류 모델을 평가하기 위해 한 대상 제외 교차 검증(LOSOCV)을 수행하여 분류 정확도와 수신자 조작 특성(receiver operating characteristics, ROC) 곡선의 곡선 아래 면적(AUC)을 계산했다. 추출된 모든 특성을 사용하는 모델을 평가한 후 순차적 순방향 특성 선택(SFFS)을 수행한다. SFFS는 데이터 포인트(51개)보다 추출된 특성(690개)가 더 많기 때문에 차원의 저주(curse of dimensionality)를 해결하는 데 도움이 된다. 또한, SFFS는 분류에서 어떤 특성이 더 중요한지에 대한 정보를 제공한다.
앞의 두 실험에서, 25분에서 200분까지 다양한 길이의 각 기록은 분류를 위한 단일 데이터 포인트로 취급되었다. 여전히 정확하게 분류될 수 있는 최소 길이의 기록을 다루기 위해, 각 기록을 1, 5, 10, 15, 20 및 25분의 겹치지 않는 윈도우로 세분화했다. 각 윈도우에서 특성 추출은 기록 길이에 영향을 받지 않으므로 이 실시예에서 설명한 것과 동일한 방법론에 따라 특성을 추출했다. 앞의 두 실험에서 가장 우수한 성능의 특성과 하이퍼파라미터를 사용하여, 당사는 다른 윈도우에서의 성능을 평가하기 위해 다시 LOSOCV를 사용했다.
마지막 실험으로, 회귀 알고리즘을 사용하여 SCG 특성으로부터 평균 PCWP를 추정했는데, 입력은 기록에서 추출된 특성들을 포함하고 출력은 RHC로부터의 평균 PCWP 값이였다. 역시 회귀 모델을 평가하기 위해 LOSOCV를 사용했다. 성능 지표(performance metric)로는 회귀 결과와 RHC 시술 중에 측정된 기준값 사이의 평균 제곱근 오차(root mean squared error, rMSE)를 사용했다. 분류 실험과 유사하게 SFFS를 수행했다.
실험 결과
A. 분류 실험
분류 실험 결과는 표 Ⅲ 및 도 4에 제시되어 있다. 도 4는 훈련 및 테스트된 다양한 분류기(최상의 특성(410) 사용, 모든 특성(420) 사용, 3개의 특성(430) 사용, 4개의 특성(440) 사용, 5개의 특성(450) 사용, 무작위 확률(460) 사용)에 대한 수신자 조작 특성(ROC) 곡선을 제공한다. 상기 420 곡선은 순차적 순방향 특성 선택에 사용되는 RBF 커널 SVM의 ROC 곡선이다. 이 결과에 따르면, 더 적은 수의 특성을 사용하면 차원의 저주로 인해 예상대로 성능이 향상된다.
표 Ⅲ
LOSOCV를 수행하는 분류기의 분류 성능
윈도우 실험의 결과는 도 5에 도시되어 있다. 도 5는 다양한 윈도우 길이에 따른 최적 분류기의 성능으로, AUC 510 및 정확도 520을 나타낸다. 이 결과에 따르면, 10분까지는 윈도우 길이가 작을수록 분류기의 성능 저하가 관찰된다. 기록이 10분이 지나면 성능이 정체되는 것을 확인할 수 있다.
B. 회귀 실험
회귀 실험의 결과는 표 IV에 제시되어 있다. 분류 실험과 유사하게, SFFS를 사용하여 훈련된 모델이 다른 모델보다 성능이 우수하다.
표 IV
LOSOCV 하에서 다양한 모델의 회귀 성능
논의
도 4 및 표 Ⅲ의 결과는 SCG 특성들을 사용하여 심부전 환자들을 정확하게 분류할 수 있음을 개시한다. 또한, SCG 특성의 작은 하위 집합을 사용하면 성능이 향상된다. 데이터 포인트 수에 비해 추출된 특성이 더 많기 때문에 이러한 2차적인 결과가 기대된다. 현재 심부전 환자의 생리적 기능 저하를 진단하기 위해서는 비용이 많이 들고 침습적인 카테터 삽입이 필요하다. 이 웨어러블 장치는 임상 상태를 정확하게 분류할 수 있으며, RHC 시술 횟수를 줄이기 위한 사전 선별 도구로 사용될 수 있어, 심부전 치료 비용을 절감하고 삶의 질을 향상시킬 수 있다.
도 5의 결과는 짧은 기록을 사용할 때 성능이 저하됨을 보여준다. 기록 길이가 증가함에 따라, 성능은 정체기에 도달할 때까지 향상된다. 이러한 결과를 바탕으로 최소 10분 이상의 SCG 데이터를 확보해야 의미 있는 성능을 얻을 수 있다. 이 정보는 임상 상태가 결정되기 전에 장치가 환자에게 얼마나 오래 부착되어야 하는지를 결정하는 데 중요하다.
회귀 실험의 결과는 SCG 신호에 대해 유망하다. SCG 신호로부터 평균 PCWP를 예측할 수 있는 능력은 가정에서의 심부전 환자 치료에 큰 영향을 미칠 수 있다. 이 웨어러블 장치로 매일 또는 원하는 경우 더 자주 PCWP를 측정하면 이식형 충만 압력 모니터에 사용되는 접근 방식과 유사한 충만 압력 유도 요법을 사용할 수 있다. 중요한 것은, 결정을 내리는 블랙박스 출력 대신에 이 파라미터를 제공함으로써, 의사가 계속 정보를 얻을 수 있고, 기존의 흐름도 및 가이드라인에 기초하여 원하는 대로 치료를 조절할 수 있다는 것이다.
또한, 실험에서 선택된 특성들은 예를 들어, ECG 신호만큼 잘 이해되지 않는 SCG 신호에 대한 중요한 과학적 통찰력을 제공한다. 당사는 최고 성능의 분류기의 상위 5가지 특성이 등-복부(1) 및 측면(4) 채널 모두에서 도출되었음을 관찰했으며, 이는 등-복부뿐만 아니라 SCG 신호 데이터의 모든 축을 분석하는 것이 중요하다는 것을 보여준다. 또한, 회귀 문제의 경우, 최고 성능의 2개의 특성도 SCG의 측면 채널에서 도출되었다.
이러한 예는 혈역학적 울혈(hemodynamic congestion)의 변화를 추적할 수 있는 저비용 시스템이 심부전에 걸린 수백만 명의 사람들을 도울 수 있는 잠재력을 가지고 있다는 것을 보여준다. 심장 내 충만 압력의 증가는 심부전(HF)의 울혈(congestion) 시작을 조기에 실행 가능한 징후로 제공한다. 혈역학적 변화는 만성 보상성 심부전이 급성 비보상성 심부전(ADHF)으로 진행되기 몇 주 전에 나타난다. 최근 연구에 따르면 장기간에 걸친 폐압의 작은 변화의 산물은 ADHF로의 전환과 밀접한 관련이 있는 것으로 나타났다. 따라서 이식형 혈역학 울혈 모니터링 시스템을 사용하여 혈역학을 추적하고 무증상 울혈을 줄이기 위한 사전 예방적 HF 관리 요법(예를 들어, 약물 적정, 조기 후속 클리닉 방문 등)을 시행하면 HF 관련 재입원을 줄이는 데 효과가 있음이 입증되었다. 혈역학적으로 유도된 심부전 관리와 비교할 때, 일일 체중 추적, 활력징후 원격 모니터링, ADHF를 감지하기 위한 임상 증상 등 전통적인 심부전 관리 요법은 대규모 무작위 대조 시험에서 심부전 관련 재입원을 줄이는 데 효능이 입증되지 않았는데, 이는 이러한 변화가 보상성 심부전에서 ADHF로 진행된 후 비교적 늦게 발생하기 때문이다.
혈관 내 심장 및 혈액의 움직임과 관련된 흉벽의 국소적 기계적 진동인 심진도(Seismocardiography, SCG)는 심혈관 건강을 모니터링하는 데 사용될 수 있다. SCG 타이밍은 운동 및 생리적 교란에 따른 심장의 박출 전 기간을 추정하여 심장 수축의 변화를 평가하는 데 사용할 수 있다. 중요한 것은 비보상 심부전 환자의 임상 상태를 평가하는 데 SCG를 사용할 수 있다는 점이다. SCG는 심부전 환자의 임상 상태 평가 외에도 심부전 환자의 심폐 운동 테스트 중 순간 산소 섭취량과 건강한 사람의 통제되지 않은 일상 생활 활동을 추적하는 데도 효능을 보였다. 건강한 사람과 심부전 환자 모두에서 SCG로 혈역학을 추적한 이러한 결과를 바탕으로, PAP 및 폐 모세혈관 쐐기 압력(PCWP)의 변화를 추정하여 동시에 기록된 SCG 신호로 혈역학적 울혈의 변화를 추적할 수 있다.
방법
우측 심도자술(RHC) 동안 맞춤형 웨어러블 패치를 사용하여 심부전증 환자로부터 SCG 및 ECG 신호를 기록하였으며, 이는 PAP 및 PCWP를 통해 혈역학적 울혈을 측정하는 표준이다. RHC 시술 중에 전신 혈관 확장제를 주입하여 PAP와 PCWP를 변조하고 동시에 기록된 SCG 신호의 변화를 추적하여 평균 압력 값의 변화를 추정했다. SCG 신호의 다양한 부분을 분석하여 PAP 및 PCWP의 변화와 관련하여 두드러진 정보를 제공하는 중요한 부분을 이해했다. SCG로 혈역학적 울혈의 급성 변화를 추적하면 원격 심부전 관리에서 심장 내 충만 압력의 종단 모니터링에 현재 모니터링 시스템을 대체할 수 있는 눈에 거슬리지 않고 저렴한 이 새로운 웨어러블 기술을 사용할 수 있는 잠재력을 보여주고 궁극적으로 심부전 관련 재입원을 줄일 수 있다.
A. 실험 프로토콜
혈역학적 심부전 평가를 위해 의뢰된 총 20명의 심부전 환자(입원 환자 8명, 외래 환자 12명)를 대상으로 RHC 시술을 실시하였다. 심인성 쇼크 상태의 환자는 제외되었다. 데이터 세트는 훈련-테스트 세트를 위해 15명의 심부전 환자 그룹과 별도의 독립적인 검증 세트를 위해 5명의 심부전 환자 그룹으로 무작위로 분리되었다(자세한 내용은 아래 보충 자료 섹션에 있음).
도 1a 내지 도 1c는 각 환자에 대한 서로 다른 센서의 실험 설정 및 배치를 나타낸다. 도 1a는 우측 심도자술(RHC) 시술을 받는 피험자에게 웨어러블 패치가 배치된 실험 셋업을 제공하며, 축(우측 상단의 축)은 심진도(SCG) 신호의 축을 나타낸다. 도 1b는 웨어러블 패치의 상단, 하단 및 내부 모습을 보여준다. 도 1c는 대표적인 피험자에게 부착된 웨어러블 패치의 정면(좌측)도 및 측면(우측)도이다. RHC 시술을 시작하기 전에, 맞춤형 웨어러블 패치는 흉골 상부 노치 바로 아래에 배치되고, 심도자실(cath lab) 기록 시스템은 웨어러블 패치와 시간 동기화되었다.
RHC 시술은 주변 온도가 ∼25℃인 조용하고 환경적으로 제어되는 심도자술 실험실에서 수행되었다. 우측 목 또는 우측 전두와 부위는 클로르헥시딘 면봉을 사용하여 표준화된 멸균 방식으로 세척 및 준비되었다. 2％ 리도카인으로 국소 마취를 실시했다. 초음파 유도 하에 정맥 접근을 확보하고 우측 내경정맥 또는 우측 상완정맥에 5 프렌치(F) 유도관을 삽입하였다. 앙와위 자세에서 최소 20분간 휴식을 취한 후, 형광 투시 유도 하에 우심방, 우심실, 폐동맥, 폐모세혈관 쐐기 위치로 6F 풍선 팁 폐동맥 쐐기 카테터를 전진시켰다. 각 위치에서 표준 우측 심장 카테터 삽입 프로토콜에 따라 60초 동안 천천히 숨을 내쉬는 동안(호기 말기) 압력을 세 번 반복하고 평균을 냈다. 심박출량은 피크(Fick) 원리와 열 희석으로 얻었다. 기준 혈역학 및 심박출량을 측정한 후 앙와위 자세에서 10분간 휴식을 취한 후, 케이스를 수행하는 심부전 의사의 재량에 따라 약물을 투여했다. 니트로글리세린은 설하 스프레이(400 또는 800 mcg)로, 니트로프루사이드는 정맥(IV) 주입으로 0.3 mcg/kg/min부터 투여했다(혈역학적 효과가 나타날 때까지 5분마다 0.3 mcg/kg/min씩 적정). 심부전 의사가 판단한 혈역학 효과가 최고치에 도달하면 기준 프로토콜에 따라 혈역학 측정을 반복했다. 그 후 풍선 팁이 달린 폐동맥 쐐기 카테터와 정맥 피복을 제거했다.
웨어러블 ECG 및 SCG 신호는 RHC 시술 내내 지속적으로 기록되었으며, 분석 후반에 웨어러블 신호의 특정 부분을 추출하여 웨어러블 신호의 변화로부터 PAP 및 PCWP의 변화를 추정하기 위해 RHC 및 웨어러블 시스템 모두의 타임스탬프를 사용했다. 도 1d는 대표 피험자의 기준 RHC 기록 동안 RHC 컴퓨터에서 해당 PAP 신호와 함께 웨어러블 신호를 보여준다. 도 1d는 대표적인 심인성 신호인 심전도(ECG), 3축 SCG(머리부터 발까지[HtoF], 측면[Lat], 배측[DV]) 및 RHC 폐동맥압(PAP) 신호를 제공한다. SCG는 심장 근육 수축, 심장 판막 운동, 좌심실에서 대동맥으로 향하는 혈액의 움직임과 관련된 기계적 신호이다.
B. 감지 하드웨어
RHC 압력 값은 심도자실 맥-랩 시스템으로부터 추출되었다. 도 1b에 도시된 바와 같이, 맞춤형 웨어러블 패치를 사용하여 웨어러블 심전도 및 3축 SCG(축: 머리-발(HtoF), 등-복부(DV) 및 측면(Lat))를 수집하였다. 이 실시예의 패치는 직경이 7cm이고 무게는 39g이다. 모든 웨어러블 ECG 및 SCG 신호는 1kHz로 샘플링되었다. 도 1d는 웨어러블 패치의 대표적인 ECG 및 3축 SCG 신호를 보여준다.
C. 신호 처리 및 특성 추출
도 6은 웨어러블 신호 및 심도자실 맥-랩 시스템으로부터의 압력 신호에 사용되는 신호 처리 및 특성 추출 절차를 도시한다. 도 6은 방법의 개요를 제공한다. 도 6a는 우측 심도자술 압력(RHCP) 신호와 동기화된 웨어러블 ECG 및 SCG(단순화를 위해 신호의 한 축만 표시) 신호를 보여준다. 카테터가 폐동맥(PA) 압력과 폐모세혈관 쐐기(PCW) 압력 신호를 기록할 때 기준선(BL)과 혈관 확장제 주입(VI) 중 모두에서 20초 길이의 신호를 추출했다. 도 6b는 ECG 신호의 R-피크가 감지된 후 해당 SCG 신호를 개별 심장 박동으로 세분화하는 데 사용된 것을 보여준다. 이상치 제거 및 노이즈 감소 단계가 SCG 심장 박동에 대해 수행되었고, 회귀 알고리즘에 사용할 특성을 추출하여 RHC 평균 압력(MP) 값의 변화(예를 들어, 폐동맥 평균 압력[ΔPAM] 변화 및 폐 모세혈관 쐐기 평균 압력[ΔPCWP] 변화)를 추정했다. MPBL 및 MPVI 값은 RHC Mac-Lab 컴퓨터에서 추출하여 목표 변수(ΔPAM 및 ΔPCWP)를 계산하는 데 사용했다. 도 6c는 웨어러블 신호 처리에 대한 세부 정보를 제공한다: 첫째, ECG 신호의 R-피크가 감지되고 SCG 신호가 개별 심장 박동으로 세분화되었다. 둘째, 이상치 제거 알고리즘(주성분 분석[PCA] 및 가우스 혼합 모델[GMM] 사용)을 통과한 SCGBL 및 SCGVI 심장박동을 앙상블 평균화하여 축당 평균 SCG 심장박동 2개(BL에 1개, VI에 1개)를 얻었다. 셋째, 축당 BL 및 VI 심장박동 사이에서 동적 시간 뒤틀림(DTW) 거리를 계산하고 회귀 알고리즘에서 특성(f)으로 사용했다.
두 시스템은 절차가 시작되기 전에 시간 동기화되었다. 기준선(BL) 및 혈관확장제 주입(VI) 동안의 PA 평균 압력(PAM) 및 PCWP 값은 심부전 심장 전문의(LK)에 의해 추출되었고, 나중에 각각 VI 동안의 평균 압력 값에서 BL 동안의 평균 압력 값을 차감하여 PAM의 변화(ΔPAM) 및 PCWP의 변화(ΔPCWP)를 계산하는 데 사용되었다.
한 피험자에 대한 PCWPVI 값은 맥-랩 시스템의 기술적 문제로 인해 기록되지 않았으며, 분석에서 누락되었다. 총 20명의 피험자(훈련-테스트 세트의 경우 15명의 피험자 및 검증 세트의 경우 5명의 피험자)에 대해 ΔPAM 값을 사용할 수 있었고, 19명의 피험자(훈련-테스트 세트의 경우 14명의 피험자 및 검증 세트의 경우 5명의 피험자)에 대해 ΔPCWP 값을 사용할 수 있었다.
동기화된 타임스탬프는 카테터가 폐동맥 및 폐 모세혈관 쐐기 위치에 있을 때 프로토콜의 BL 및 VI 상태 모두에서 20초 길이의 웨어러블 신호(ECG 및 SCG)를 추출하는 데 사용되었다. 웨어러블 신호의 변화는 ΔPAM 및 ΔPCWP 값으로 분석하고 나중에 교차 검증을 통해 모집단 회귀 모델에 사용했다. 웨어러블 신호 처리, 특성 추출, 회귀 모델에 대한 자세한 내용은 아래와 같다.
전처리 및 노이즈 감소: BL 및 VI 웨어러블 신호는 개별적으로 처리(필터링, 이상치 제거, 앙상블 평균화)된 후 나중에 두 상태(BL 및 VI) 사이의 동적 시간 뒤틀림(DTW) 거리를 계산하는 데 사용되었다. 서로 다른 축으로부터의 SCG 신호의 서로 다른 부분 사이의 DTW 거리는 회귀 알고리즘에 사용되어 훈련-테스트 세트에 대한 LOSO(leave-one-subject-out) 교차 검증을 통해 ΔPAM 및 ΔPCWP를 추정하고 나중에 독립적인 검증 세트에서 검증된다.
웨어러블 패치의 원시 ECG 및 SCG 신호는 디지털 필터링되고, 가속도계 크기(SCGMag)를 나타내는 제4 SCG 신호는 이미 획득된 세 개의 SCG 축(SCGHtoF, SCGLat, SCGDV)의 벡터 합산을 사용하여 계산되었다. 필터링 단계에 이어 ECG 신호의 R-피크를 감지하고 이를 사용하여 SCG 4개 축의 20초 길이 신호를 개별 심장 박동으로 세분화했다. SCG 심장 박동은 관심 있는 대부분의 관련 이완기 및 수축기 심장 이벤트(예를 들어, 빠른 유입, 심방 수축기, 등척성 수축, 심실 배출 등)를 대략적으로 나타내는 R-피크 전후의 500ms의 기간으로 잘라냈다.
웨어러블 SCG 신호의 심장 박동 세분화에 이어, 자동화된 비지도(unsupervised) 알고리즘(아래 보충 자료 섹션에 상세히 설명됨)을 사용하여 각 축 및 SCG 신호의 각 부분(이완기 및 수축기)에 대해 개별적으로 두 상태(BL 및 VI)의 두 분포에 대해 SCG로부터 이상치 심장 박동을 제거했다. 분포의 이상값에 해당하는 실제 SCG 심장박동을 제거하여 축당 두 개의 개별 분포(SCGBL 및 SCGVI)를 생성했다. 나머지 심장박동을 앙상블 평균화하여 특정 축과 부분에 대해 BL과 VI에 대한 두 개의 앙상블 평균 심장박동 분포를 생성하고, 이를 나중에 DTW 거리를 계산하는 데 사용했다. 앙상블 평균화 단계를 통해 SCG 심장박동에 내재된 변동성과 잔여 노이즈가 감소했다. 도 7은 BL 및 VI 상태의 앙상블 평균 SCGDV 심장박동과 그에 상응하는 PAP 및 PCWP 심장박동을 보여준다. 도 8은 도 7a에서 폐동맥압(PAP)의 변화로 PAPBL 710 및 PAPVI 720을, 도 7b에서 폐모세혈관 쐐기압(PCWP)의 변화로 PCWPBL 730 및 PCWPVI 740을, 도 7c에서 대표 피험자에 대한 혈관 확장제 주입에 따른 SCGBL 750 및 SCGVI 760을 보여주는 등-복부 방향 심전도(SCGDV)의 변화, 화살표는 각 신호의 변화를 나타낸다. 시간 "0"은 해당 ECG R-피크의 위치를 나타낸다.
동적 시간 워핑 및 특성 추출: BL에서 VI까지 SCG의 변화를 계산하기 위해, DTW를 활용하고, 도 9에 도시된 바와 같이 상관관계 분석을 통해 SCG 심장박동의 다른 부분으로부터의 DTW 거리를 ΔPAM 및 ΔPCWP와 비교했다. 도 9는 훈련-테스트 세트에 대한 해당 SCG 신호의 서로 다른 DTW 거리와 목표 변수(도 9a ΔPAM 및 도 9B ΔPCWP)의 상관 관계 분석을 제공하며, 컬러바는 R2 값을 나타내고 점선 910은 심실 이완기와 수축기 사이의 구분(즉, 해당 ECG의 R-피크)을 나타낸다. 총 이완기(-500ms : R-피크), 초기 이완기(-500ms : -200ms), 후기 이완기(-200ms : R-피크), 총 수축기(R-피크 : 500ms), 초기 수축기(25ms : 150ms) 및 후기 수축기(200ms : 500ms). DTW는 신호를 정렬하고 신호 간의 유사도를 찾기 위한 시계열 분석 방법이다. 총 이완기(-500ms : R-피크), 초기 이완기(-500ms : -200ms), 후기 이완기(-200ms : R-피크), 총 수축기(R-피크 : 500ms), 초기 수축기(25 : 150ms), 후기 수축기(200 : 500ms)에서 음의 시간은 R-피크 이전을 나타내고 양의 시간은 R-피크 이후를 나타내는 SCG 심장박동에서 BL과 VI 신호 사이의 DTW 거리를 계산했다. 초기 이완기는 수동 심실 충만, 후기 이완기는 심방 수축기, 초기 수축기는 등척성 수축(IVC), 후기 수축기는 심장 주기의 심실 박출 단계에 해당한다.
상술한 전처리 및 특성 추출 프로세스는 훈련-테스트 및 검증 데이터 세트 모두에 대해 동일한 방식으로 수행되었다. 특성 추출 프로세스에 이어, 훈련-테스트 세트의 데이터만이 LOSO 교차 검증을 사용하여 회귀 알고리즘을 개발하는 데 사용되었다. 이 단계에서 모델의 하이퍼파라미터를 조정하여 훈련-테스트 세트에서 개발된 모델의 성능(결정 계수(R2)을 최대화하고 평균제곱근오차(RMSE)를 최소화)을 최대화했다. 이렇게 학습된 모델은 나중에 독립적인 검증 세트에서 검증되어 개발된 모델의 일반화 가능성을 보여준다. 이 단계에 대한 자세한 내용은 다음 섹션에 나와 있다.
D. 회귀
훈련-테스트 세트의 데이터를 사용하여 회귀 알고리즘을 개발하기 전에, 간단한 상관관계 분석(도 9에 도시된 바와 같이)을 사용하여 SCG 심장 박동의 다른 부분과 목표 변수의 특성(즉, DTW 거리)을 비교하고, 이들 사이의 결정 계수(R2)를 계산하여 어떤 SCG 세그먼트가 PAM 및 PCWP의 변화를 추적하는 데 더 관련성이 있는지 분석했다. 나중에, DTW 거리는 훈련-테스트 세트에서 PAM 및 PCWP의 변화를 추정하기 위한 회귀 알고리즘을 구축하고 조정하기 위한 특성으로 사용되었고, 나중에 독립적인 검증 세트에서 검증되었다.
단순 상관관계 분석에 이어, 훈련-테스트 세트에 대해 LOSO 교차 검증이 포함된 모집단 수준 회귀 모델을 수행하여 DTW 거리로부터 ΔPAM 및 ΔPCWP를 추정했다. 이를 위해 다양한 회귀 알고리즘이 검토되었으며, 초기 분석에서 선형 커널을 갖는 서포트 벡터 회귀(SVR) 모델이 회귀 모델로 선택되었다.
도 9에 도시된 바와 같이, 훈련-테스트 세트에 대한 SCG 심장 박동의 다른 부분으로부터의 DTW 거리와 해당 목표 변수(ΔPAM 및 ΔPCWP) 사이의 단순 상관관계 분석에 따르면, SCG의 다른 부분으로부터의 모든 변화(즉, DTW 거리)가 평균 압력(MP)의 변화와 관련되는 것은 아니다. 이러한 이유로, 회귀 모델에서 추정 변수로 상위 5개의 특성을 선택하기 위해 순차 순방향 선택(SFS) 알고리즘을 사용하여 특성 선택 기법을 수행하였다.
훈련-테스트 세트의 15개 피험자에 대해 LOSO 교차 검증을 사용하여 14개 피험자에서 선택된(SFS 방법을 사용하여) DTW 거리에 대해 선형 SVR 회귀자를 훈련하고, 각 피험자에서 한 개씩 제외했다. 제외된 피험자에 대해 목표 변수(ΔPAM 및 ΔPCWP)를 예측하고, 매번 다른 피험자를 제외하고 이 과정을 14회 더 반복했다. 그 결과, 훈련-테스트 세트에 포함된 15명의 피험자 모두에 대한 예측 결과를 얻을 수 있었다. 이 교차 검증 방법을 사용하여 훈련-테스트 세트의 데이터에 대해서만 최적화된 하이퍼파라미터가 포함된 전역 회귀 모델을 개발했다. 글로벌 모델의 검증을 위해 전체 훈련-테스트 세트(15개 피험자의 데이터)에 대해 회귀 모델(최적화된 하이퍼파라미터 포함)을 훈련하고 별도의 검증 세트(5개 피험자의 데이터)에서 테스트했다. 그 결과, 20명의 피험자 모두에서 모든 목표 변수가 예측되었다.
회귀 모델과 접근법을 평가하기 위해 두 가지 수치가 사용되었다. 첫째, 추정된 목표 변수(ΔMPPred)와 Mac-Lab 시스템의 실측 목표 변수(ΔMPAct) 간의 RMSE를 계산했다. 둘째, 예측의 통계적 유의성을 확인하기 위해 ΔMP의 실제값과 예측값 간에 단순 상관관계 분석(피어슨(Pearson))을 수행하여 실제값과 예측값 간의 R2를 계산했다. 이 연구에서는 p값이 0.05 미만이면 통계적으로 유의미한 것으로 간주했다. 훈련-테스트 세트와 검증 세트에 대한 RMSE와 R2는 각각 따로 계산했다.
결과
환자 인구통계학적 및 임상적 특성은 표 V 에 상세히 기재되어 있고, RHC 특성은 표 VI 에 기재되어 있다.
표 V. 피험자 인구통계 및 특성
표시된 값은 달리 명시되지 않는 한 평균 ± SD 또는 n(모집단의 ％)이다. 해당되는 경우, 값에서 HFrEF와 HFpEF 피험자 간의 통계적 유의성은 Mann-Whitney U 테스트를 사용하여 평가되었다. BMI, 체질량 지수; NYHA, 뉴욕 심장 협회.
표 VI: 우측 심장 카테터 삽입 반응
표시된 값은 달리 명시되지 않는 한 평균 ± SD이다. 해당되는 경우, 맨-위트니 U 테스트를 사용하여 HFrEF와 HFpEF 피험자 간의 통계적 유의성을 평가했다. BL, 기준값; VI, 혈관확장제 주입값.
HFrEF 환자는 15명, HFpEF 환자는 5명이었고 4명은 여성이었으며 평균 연령은 54.6±13.2세였다. 평균 체중은 94.2±19.4kg, 키는 175.3±9.9cm, 평균 박출률(EF)은 32±19.5)이었다.
혈관확장제 주입 시, PAM 및 PCWP는 해당 BL 값으로부터 각각 8.9±5.5mmHg 및 8±6.3mmHg 감소하였다. 도 7은 한 명의 대표 피험자에 대한 혈관 확장제 주입에 따른 PAP 및 PCWP 신호의 변화와 SCGDV의 변화를 보여준다. 도면에 표시된 모든 신호는 해당 R-피크와 동기화된다. 혈관 확장제 주입에 따라 PAP 및 PCWP 신호의 전체 평균은 감소한 반면, SCGDV 신호의 수축기 부분은 혈관 확장제 주입 후 ECG R-피크에 대해 나중에 이동했다. 도 9는 폐동맥 평균 압력(ΔPAM) 변화 및 폐모세혈관 쐐기 평균 압력(ΔPCWP) 변화에 따른 다른 부분에서의 DTW 거리와 SCG 신호의 축 사이의 상관관계 분석(즉, R2 값)를 보여 주며, 도 10은 방법 섹션에서 언급한 특성 선택 기술을 사용하여 선택한 5개의 DTW 거리와 훈련-테스트 세트에 대한 회귀 모델에서의 상대적 중요도(가중치)를 보여 준다. 도 10은 훈련-테스트 세트의 ΔPAM(도 10A) 및 ΔPCWP(도 10B)에 대한 회귀 알고리즘에서 특성의 상대적 특성 중요도 순위(즉, 상대적 가중치)를 제공한다. Dias: 총 이완기, ED: 초기 이완기, LD: 후기 이완기, Sys: 수축기, ES: 조기 수축기, LS: 후기 수축기. 세그먼트에 대한 시간 길이는 도 9에 설명되어 있다.
도 8은 훈련-테스트 및 검증 세트 모두에 대한 실제(측정된) 값과 추정된 ΔPAM 및 ΔPCWP 값 사이의 상관관계 분석을 나타낸다. 도 8은 훈련-테스트 세트(도 8A)와 검증 세트(도 8B)에서 예측된 ΔPAM과 실제 ΔPAM에 대한 상관관계 분석을 보여준다. 학습-테스트 세트(도 8c) 및 검증 세트(도 8d)에서 예측된 ΔPCWP와 실제 ΔPCWP에 대한 상관 분석. 상관관계 결과는 ΔPAM 훈련-테스트 세트의 경우 RMSE 3.2mmHg, R2 0.8, ΔPAM 검증 세트의 경우 RMSE 3mmHg, R2 0.77, ΔPCWP 훈련-테스트 세트의 경우 RMSE 3.6mmHg, R2 0.87, ΔPCWP 검증 세트의 경우 RMSE 6mmHg, R2 0.78로 나타났다.
E. 보충 자료
훈련-테스트 및 검증 세트 분리 : 데이터 세트는 훈련-테스트 세트의 경우 15명의 심부전(HF) 환자 그룹으로, 별도의 독립적인 검증 세트의 경우 5명의 HF 환자 그룹으로 각각 75:25 비율로 무작위로 분리되었다. 데이터 세트를 분리하는 데 사용된 유일한 제약 조건은 훈련-테스트 세트와 검증 세트 모두에 대해 박출률이 감소된 심부전(HFrEF)과 박출률이 보존된 심부전(HFpEF) 피험자의 비율을 동일하게 유지하는 것이었다. 무작위 분리 결과, 훈련-테스트 세트에 4개의 HFpEF 피험자가, 검증 세트에 1개의 HFpEF 피험자가 포함되었다.
필터링 및 심장박동 세분화 : 웨어러블 패치의 원시 ECG 및 SCG 신호는 디지털 필터링(컷-오프 주파수: ECG 신호의 경우 0.5 내지 40.0Hz, SCG 신호의 경우 1 내지 40Hz)를 해서 대역 외 노이즈를 제거했다. 이러한 컷-오프 주파수는 신호의 모양을 왜곡하지 않고 대역 외 노이즈를 제거하기 위해 사용되었다. 필터링 단계 후에, 가속도계 크기(SCGMag)를 나타내는 제4 SCG 신호는 이미 획득된 세 개의 SCG 축(SCGHtoF, SCGLat, SCGDV)의 벡터 합산을 사용하여 계산되었다.
ECG 신호(20초 프레임에서)는 진폭 정규화되었고, 팬 톰킨스 방법을 사용하여 ECG 신호의 R-피크가 검출되었다. SCG 신호(SCG 신호의 네 축)는 ECG 신호의 R-피크를 사용하여 개별 심장 박동으로 분할되었다. 각 심장 박동은 R-피크 전후 500ms의 기간으로 잘라냈다. R 피크 전 500ms SCG 프레임은 심실 이완기 단계를 대략적으로 나타내고, R 피크 후 500ms SCG 프레임은 심장 주기의 심실 수축기 단계를 대략적으로 나타낸다. 관심 있는 대부분의 관련 이완기 및 수축기 심장 이벤트(예를 들어, 빠른 유입, 심방 수축기, 등척성 수축, 심실 박출 등)가 ECG의 해당 R 피크와 관련하여 이 시간 프레임 내에 발생하기 때문에 R 피크 전후 500ms의 기간을 선택했다. 반복 가능하고 전역화된 특성 추출 프로세스를 위해 일정한 시간 윈도우를 선택하여 ECG 및 SCG 신호를 자른다.
SCG 이상 심장박동 제거 : 웨어러블 심진도(SCG) 신호의 심장 박동 세분화에 이어, 각 축 및 각 부분(이완기 및 수축기)에 대한 두 가지 상태(기준선, BL 및 혈관 확장제 주입, VI)의 두 가지 분포에 대해 SCG 신호에서 이상치 심장 박동을 개별적으로 제거했다. 특정 분포에서 이상값을 제거하기 위해 주성분 분석(PCA)을 사용하고 처음 세 개의 주성분(PC)을 취하여 500개 샘플의 긴 SCG 심장 박동(1kHz 샘플링 주파수의 500ms 긴 프레임)의 차원을 3차원으로 줄였다. 이 낮은 수준의 SCG 심장 박동 표현은 가우시안 혼합 모델(GMM)에 사용되어 각 샘플이 SCG의 특정 부분과 특정 축에 대해 특정 분포(BL 또는 VI)에 속할 확률을 결정했다. 특정 분포의 경우, 확률이 가장 낮은 20％의 지점이 분포의 이상값으로 감지되었다. 20％의 컷-오프는 초기 분석에 따라 10％, 20％, 30％의 박동(beat)을 이상값으로 제거하여 선택되었다. 특정 분포에 대한 GMM을 생성하기 위한 주성분 수(예를 들어, 이 경우 3개)는 PC 수에 의해 설명되는 분산 비율과 전체 추정 정확도에 대한 분석을 기반으로 결정되었다. SCG 신호의 대부분의 전력은 신호의 수축기 부분에 머물러 있기 때문에 신호의 이완기 부분에서 이상값 제거를 지배하게 될 수 있다. 이러한 이유로, 이상치 제거는 SCG의 이완기 및 수축기 부분에 대해 별도로 수행되었다.
ΔPAM 및 ΔPCWP와 SCG DTW 거리의 상관관계 분석: 도 9는 훈련-시험 세트에 대한 폐동맥 평균 압력(ΔPAM) 변화와 폐모세혈관 쐐기 평균 압력(ΔPCWP) 변화에 따른 SCG 신호의 축과 다른 부분으로부터의 동적 시간 뒤틀림(DTW) 거리 사이의 R2 값을 나타낸다. ΔPAM의 경우, 초기 수축기(등척성 수축, IVC, 기간) 동안의 SCG 변화가 PAM의 변화와 가장 관련성이 높은 정보를 제공했으며, IVC 기간 동안의 등-복부 방향 SCG 변화(SCGDV)가 ΔPAM에서 0.8의 가장 높은 R2를 나타냈다. ΔPCWP의 경우,, 이완기 후기(심방 수축기) 동안의 SCG 변화가 PCWP의 변화와 가장 관련성이 높은 정보를 제공했으며, 이완기 후기(심방 수축기) 동안의 SCG 크기 신호(SCGMag)의 변화가 ΔPCWP에서 0.87의 가장 높은 R2를 나타냈다. 전반적으로 이 도면은 ΔPAM이 SCG 신호의 수축기 부분(더 정확하게는 IVC 기간)의 변화와 더 관련이 있는 반면, ΔPCWP는 SCG의 후기 심실 이완기(즉, 심방 수축기) 부분의 변화와 더 관련이 있다는 것을 보여준다. 이는 폐동맥이 우심실에 직접 연결되어 있기 때문에 심실 수축기(수축) 단계가 PAM의 변화를 지배하는 생리적 근거로 설명할 수 있다. 반면 폐 모세혈관은 좌심방에 연결되어 있어 심방 수축기와 더 밀접한 관계를 보이다. 이러한 예비 결과는 다양한 심혈관 질환을 가진 다양한 피험자를 대상으로 한 대규모 집단 연구에서 동시 영상 모달리티를 통해 검증할 수 있다.
상대적 특성 중요도 : 도 10은 훈련-테스트 세트에서 ΔPAM 및 ΔPCWP의 추정을 위한 선형 커널을 사용한 서포트 벡터 회귀에서 특성의 상대적 가중치를 보여주며, ΔPAM 및 ΔPCWP 모두와 관련된 최상위 특성은 IVC 기간 동안의 변화 SCGLat이다. 목표 변수(ΔPAM 및 ΔPCWP)와 DTW 거리 간의 개별 상관관계 분석(도 9)에서 얻은 결과와 유사하게, ΔPAM의 상위 5개 특성은 모두 SCG의 수축기 부분에서 나온 것이다. ΔPCWP의 경우 상위 5개 중 3개는 SCG의 수축기 부분에서, 2개는 SCG의 이완기 부분에서 나온다. 두 도면, 도 10과 도 11은 ΔPCWP를 추정하는 데 있어 SCG의 이완기 부분의 중요성을 보여준다. 대부분의 SCG 연구는 신호의 수축기 부분에 집중되어 있다. 이러한 결과는 SCG 신호의 이완기 부분도 폐 울혈(congestion)과 관련된 정보를 제공할 수 있는 잠재력을 가지고 있음을 시사한다.
논의
본 실시예는 SCG의 변화가 심부정맥 환자에서 전신 혈관 확장제 주입으로 인한 PAM 및 PCWP의 급성 변화를 추적할 수 있음을 보여준다. 따라서 웨어러블 패치를 사용하여 얻은 SCG 신호는 혈역학적 울혈(congestion)의 변화를 추적할 수 있다. 이러한 결과는 웨어러블 센서를 통해 일상 생활과 활동에서 심부전(HF) 환자의 혈역학 변화를 추적할 수 있도록 한다.
이 실시예에서 두 가지 발견은 전신 혈관 확장제 주입으로 인한 PAM 및 PCWP의 변화에 대응하는 개별 특성(DTW 거리) 상관관계 및 특성 중요도 순위이다. 이 실시예의 결과는 심장 주기의 심실 수축기 부분(보다 구체적으로 IVC 기간) 동안의 SCG 변화가 PAM 변화에 대한 두드러진 정보를 제공하는 반면, 심실 수축기 및 심방 수축기(활성 심실 이완기) 동안의 SCG 신호 변화가 PCWP 변화에 대한 가장 적절한 정보를 제공한다는 것을 보여준다. 혈관 확장제를 주입하면 전부하(preload)와 마찬가지로 PAM 및 PCWP가 감소하며, IVC 시간 간격(즉, PEP)은 전부하(preload)와 반비례한다. 따라서 전부하(preload)가 감소하면 예상대로 PEP가 증가하는 것을 관찰할 수 있다(도 7 참조). 이러한 과학적 발견은 SCG 신호 자체의 기원을 밝히는 방법을 공개하고 이러한 신호를 사용하여 활력 징후와 심장 타이밍 간격을 넘어 생리적으로 의미 있는 정보를 추출하는 방법을 공개한다. 이러한 결과는 또한 SCG 신호의 심실 이완기 부분의 중요성을 보여주는데, 이는 SCG에 초점을 맞춘 대부분의 연구 작업에서 종종 무시되는 부분이다. SCG의 변화가 생리적 또는 약리학적 교란으로 인한 근본적인 생리적 변화와 어떻게 관련되어 있는지 이해하기 위해 영상 모달리티를 통합할 수 있다.
이 실시예에서 발견한 또 다른 발견은 혈역학적 울혈의 변화를 추정하기 위해 복잡한 비선형 모델 대신 간단한 선형 모델(선형 SVR)을 사용한다는 것이다. 단순 선형 모델은 본질적으로 "블랙박스"인 복잡한 비선형 모델에 비해 모델 및 모델 구축에 사용된 해당 기능에 대한 더 많은 통찰력을 제공할 수 있다. 이 연구에서는 피험자 수가 적었기 때문에 더 간단한 회귀 모델을 사용함으로써 혈역학적 울혈의 급성 변화와 관련된 중요한 특성(SCG의 세그먼트 및 축)을 더 잘 이해할 수 있었고 방법의 일반화 가능성에 대한 신뢰도가 높아졌다. 이러한 방법은 모델을 더욱 생리적으로 통찰력 있고 해석 가능하게 만든다.
이 연구의 또 다른 발견은 노이즈 감소 및 이상치 제거를 사용하여 전반적인 추정 정확도를 크게 향상시켰다는 것이다. 분석 결과는 20~30초의 고품질 웨어러블 ECG 및 SCG 기록만으로도 혈역학적 울혈의 변화를 추적하기에 충분하다는 것을 보여주었다.
본 실시예의 웨어러블 패치는 통제된 임상 환경(심폐 운동 테스트)에서의 심부전 환자와 통제되지 않은 일상 생활 환경에서의 건강한 피험자 모두로부터 심폐 기능 파라미터(즉, 환자의 순간 산소 섭취량 및 임상 상태)를 추적할 수 있음을 입증했다. 본 실시예에서 설명된 SCG를 사용하여 혈역학적 울혈의 변화를 추적하는 방법은 본 개시의 SCG를 사용하여 심폐 파라미터를 추적하는 방법과 통합될 수 있다.
본 실시예에서는, 동시에 기록된 SCG 신호의 변화와 함께 혈관 확장제 주입으로 인한 심부전 환자에서 폐동맥 평균 압력 및 폐 모세혈관 쐐기 압력의 변화를 추정하였다. 당사는 한 피험자 제외 교차 검증으로 검증된 머신러닝 알고리즘을 사용하여 ΔPAM 및 ΔPCWP를 추정하기 위한 글로벌 회귀 모델을 개발했다. SCG의 변화를 추적하면 무증상 울혈의 변화를 추적할 수 있으며, 이는 심부전 환자의 원격 재택 관리에 사용될 수 있는 잠재력을 가지고 있음을 입증했다. 전반적으로 이 연구는 눈에 잘 띄지 않는 웨어러블 패치가 혈역학적 울혈을 추적할 수 있음을 보여준다.
실시예
2
본 실시예에서는, 웨어러블 심진도(SCG)를 사용하여 심부전 환자를 원격으로 모니터링할 수 있는 저렴하고, 최소한의 방해가 되는 웨어러블 시스템을 제시한다. SCG 신호는 심장의 혈액 배출과 심장의 움직임에 반응하는 흉벽의 진동을 포착한다. SCG 신호의 사용은 휴식 상태의 심부전 환자의 임상 상태를 분류하기 위해 조사되었다. 특히, 이 실시예에서는 휴식 상태의 심부전 환자의 임상 상태를 정확하게 분류하는 것을 보여준다. 이 분류는 폐 모세혈관 쐐기 압력(PCWP)과 심장 지수(CI)를 사용하여 환자의 임상 상태를 결정하기 때문에 충만 압력 상승과 심장 지수 감소를 나타낸다. PCWP는 좌측 충만압을 더 잘 나타내는 지표이므로, 상승된 PCWP를 감지하는 기능은 PA 압력을 측정하는 이식형 장치와 비슷하거나 더 나은 정보를 의료진에게 제공한다. 이 실시예의 모든 데이터는 환자가 표준 치료인 우측 심도자술(RHC)을 받는 동안 SCG 신호와 혈역학 파라미터를 모두 수집하기 위해 심도자실에서 수집되었다. 본 실시예에서 수집된 모든 데이터는 병원에서 측정한 것이지만, 이러한 모델은 임상 상태 추정을 수행하기 위해 비침습적 웨어러블 패치의 데이터만 필요하므로 가정 내 환경으로 일반화할 수 있을 것으로 예상한다.
결과
심부전 환자의 임상 상태는 SCG 특성을 사용하여 정확하게 분류되었다.
높은 충만 압력과 낮은 심장 지수로부터 임상적으로 결정되는 심부전 임상 상태에 대한 SCG 특성의 변별 능력을 평가하기 위한 실험이 수행되었다. 머신러닝 모델을 구축하기 위해, 83개의 추출된 특성 집합을 입력으로 하고 환자의 혈역학적 울혈 상태를 비보상(PCWP ≥ 20mmHg 및 CI ≤ 2.2L/min/m2) 또는 보상으로 표현하는 이진(binary) 분류 작업을 정의했다. 이 작업을 위해 모든 모델 개발은 50명의 환자 데이터(52개 기록)를 대상으로 수행되었다. 이후 이 데이터를 훈련 세트라고 한다. 훈련 세트에서 분류 모델을 구축한 후, 개발된 분류 모델의 일반화 성능을 정량화하기 위해 13명의 다른 환자들의 보이지 않는 데이터를 사용했다. 이 데이터를 검증 세트라고 한다. 표 2-1과 2-2는 각각 훈련 세트와 검증 세트의 피험자에 대한 인구통계학적 정보를 제공한다.
표 2-1. 훈련 세트에 포함된 피험자의 인구 통계학적 정보.
표 2-2. 검증 세트에 포함된 피험자의 인구통계학적 정보.
분류 모델의 경우, 이 작업에는 서포트 벡터 머신(SVM)이 사용되었다. 커널을 사용하여, SVM은 입력인 SCG 특성와 출력인 임상 상태 사이의 비선형 관계를 모델링할 수 있다. 이 작업에서는 가능한 비선형 관계를 포착하기 위해 다항식 및 방사형 기저 함수(rbf) 커널을 고려했다. 분류기의 성능을 평가하기 위해, 5배 교차 검증을 수행하여 훈련 세트에 대한 분류 정확도와 AUC를 계산했다. 각 교차 검증 분할에서 훈련 및 검증 데이터는 서로 다른 피험자로 구성되었으며, 이를 통해 교차 검증 성능이 보이지 않는 새로운 환자 데이터에 대한 일반화 성능을 반영할 수 있었다. 실험 결과는 표 2 및 표 3과 도 13a 내지 도 13b에 요약되어 있다. 표 2 및 표 3의 처음 3개 열은 전체 특성 집합(82개 SCG 특성)을 기반으로 HF 임상 상태를 분류한 결과를 요약한 것이다. 마지막 열은 특성 집합의 하위 집합을 사용한 결과를 보여준다. 추출된 특성의 하위 집합을 사용하는 최적의 분류기, 수신기 작동 특성(ROC) 곡선은 도 13a에 나와 있다.
표 2-3. 훈련 세트에 대해 5배 교차 검증을 수행하는 분류기의 분류 성능.
이 실시예에서는 데이터 포인트 수(50명의 환자에서 52개의 녹취)보다 더 많은 특성(83개의 특성)이 추출되므로, 분류기의 일반화 성능을 향상시키기 위해 순방향 순차 특성 선택(SFS)이 사용되었다. 표 2-3에서 SFS를 사용하면 분류기의 성능이 향상되는 것을 볼 수 있다. 또한 SFS는 작업 수행에 유용한 특성을 식별하는 데 도움이 되며, 이는 다시 SCG 신호의 어떤 측면이 유용한지에 대한 통찰력을 제공한다. 5배 교차 검증에 SFS를 사용하기 위해 중첩 교차 검증을 수행했다. 외부 교차 검증 루프는 모델 성능의 중간 평가에 사용되며, 내부 교차 검증 루프는 모델 선택(즉, 그리드 검색을 이용한 SFS 및 하이퍼파라미터 최적화)에 사용된다.
분류 프레임워크의 일반화 성능을 더욱 정량화하기 위해, 성능 메트릭은 검증 세트에서 계산되었다. 전체 훈련 집합을 사용하여, 새로운 분류기가 훈련되고 검증 세트에서 테스트된다. 훈련 세트와 검증 세트의 클래스 분포가 상당히 다르지만, 도 13b에서 볼 수 있는 바와 같이 보이지 않는 검증 세트에서 매우 유사한 성능을 보였다.
혈역학적
울혈을 평가하기 위한 유익한
SCG
특성에는 측면 축 및 기록의 이완기 부분의 특성이 포함된다.
본 실시예에서 학습된 분류 모델은 SCG 특성에 의존하며, 심부전(HF)에서의 혈역학 평가와 관련된 SCG 신호 특성에 대한 통찰력을 제공한다. SCG 신호는 일반적으로 측정되는 다른 심혈관 신호들, 예를 들어 심전도(ECG), 광용적맥파(PPG) 및 임피던스 심전도(ICG) 신호와 비교하여 잘 이해되지 않기 때문에, 이 데이터 세트는 심부전 환자의 울혈 상태 평가와 관련된 SCG 신호 특성에 대한 지식을 발전시킬 수 있는 기회를 제공한다. 이 실시예에서는 심부전 환자의 임상 상태를 판별하는 데 유용한 SCG 특성을 확인했다. 이러한 특성은 SCG 신호에서 처리된 SCG 박동(beat)에서 추출된다. 처리 방법에 대한 자세한 내용은 재료 및 방법 섹션에 나와 있다. 주요 과학적 질문은 기록에서 SCG 박동 수집을 가장 잘 사용하여 판별 및 예측 정보를 추출하는 방법이다. 여기에서는 심부전(HF) 환자의 SCG 신호 분석에 대한 기초적인 선행 연구를 바탕으로 세 가지 유형의 특성을 검토한다: (1) 신호의 이완기 및 수축기 시간 간격에서 앙상블 평균 박동(beat) 특성, (2) 여러 박동(beat)에 걸친 변동성 특성, (3) 주파수 도메인 특성.
앙상블 평균 박동(beat) 특성: 임상 상태 및 평균 충만 압력과 같은 기록의 일부 관련 속성은 한 박동에서 다음 박동으로 크게 변하지 않다. 이러한 속성은 앙상블 평균 박동(beat)에서 캡처할 수 있다. 앙상블 평균 박동(beat)으로부터 다음과 같은 특성이 계산되었다: 신호의 전력의 제곱근(srPower); 및 R-피크와 최소 진폭 사이의 지연(delayMinAmp).
이러한 기능 선택은 광범위한 선행 연구에 의해 동기가 부여되며, 이러한 측정값은 대동맥 판막 개방 타이밍 및 심장 주기 내의 중요한 이벤트와 같은 일부 주요 심장 이벤트와 상관관계가 있음을 시사한다. 주어진 박동에 대해 이러한 특성은 수축기 및 이완기 단계에 해당하는 다양한 생리적으로 정의된 시간 간격에 걸쳐 계산할 수 있으며, ECG R-피크의 위치를 시간 0으로 정의하여 ECG 신호를 기반으로 색인화할 수 있다. 도 14a(비보상 신호) 및 도 14b(보상 신호)에 표시된 대로 세 가지 간격이 정의되었다: 심실 이완기 1(dias1, -150ms 내지 0ms), 수축기(sys, 0ms 내지 300ms), 심실 이완기 2(dias2, 300ms 내지 650ms).
SCG 분석에 대한 종래의 접근 방식은 수축기 타이밍 간격에만 초점을 맞추지만, SCG 신호와 충만 특성(즉, PCWP 압력) 사이의 관계를 찾는 데 관심이 있기 때문에, 일반적으로 생략되는 이러한 간격이 분석에 포함되었다. 각 간격에서 두 가지 특성을 계산하여 채널당 6개의 기본 레벨 특성을 얻었다. 기본 수준 특성은 앙상블 평균 박동(beat)뿐만 아니라 개별적으로 분할된 박동(beat)에 대해 계산할 수 있다.
가변성 특성: 앙상블 평균 박동(beat)의 이러한 특징 외에도, 당사가 조사한 다른 특징들은 특히 박동(beat) 모음에서 신호의 가변성에 초점을 맞추고 있다. 혈역학적으로 울혈(비보상)이 있는 심부전 환자는 심장과 혈관이 매우 최적이 아닌 상태로 작동하여 비슷한 강도와 타이밍 특성을 가진 박동을 일관되게 생성할 수 없기 때문에 보상된 환자보다 SCG 신호의 변동성이 더 크다는 가설이 성립한다. 따라서 이러한 변동성을 포착하는 것은 심혈관계의 차선(sub-optimal) 임상 상태를 나타낼 수 있으므로 중요하다. 구체적으로, 각 개별 박동(beat)에서 기본 수준의 특성을 추출한다. 그런 다음 각 박동(beat)의 특성 값 모음을 사용하여 특성의 표준 편차를 계산한다. 특성의 변동성 예시가 도 14a 내지 도 14b에 나와 있다.
표준 편차와 같은 설명 통계는 서로 다른 길이의 기록(서로 다른 박동(beat) 수를 가질 것임)에 걸쳐 고정된 특성 표현을 제공한다. 표준 편차는 6개의 기본 수준 특성들 각각에 대해 계산되기 때문에, 6개의 통계적 특성들은 박동(beat)들의 수집으로부터 계산된다.
주파수 도메인 특성: 검토된 세 번째 특성 세트는 주파수 도메인 특성이다. 도 15a-c에서는, 무작위로 선택된 보상 및 비보상 기록의 정규화된 전력 스펙트럼 밀도(power spectrum density)가 시각화되어 있다. 이 시각화에서 비보상 기록과 보상 기록의 주파수 특성이 200 내지 250Hz와 0 내지 50Hz 부근에서 서로 다르다는 것을 알 수 있다. 따라서, SCG 기록으로부터, 두 개의 주파수 도메인 특성이 추출된다: 205 내지 250Hz 사이의 신호 전력의 비; 및 5 내지 40Hz 및 0 내지 5Hz에서 5 내지 40Hz 사이의 신호 전력의 비율.
기록을 처리한 후, 특성으로서 RR 간격을 포함하여 총 83개의 특성이 추출되었다. 분류 작업 수행에 최적화되지 않은 특성의 하위 집합을 결정하기 위해, 탐욕적 특성 선택(SFS)을 활용하였다. 도 16a 내지 도 16c는 특성 중요도 추정치로서의 특성 투표와 특성 중요도 평가에 더 일반적으로 사용되는 두 가지 추가 접근법의 결과를 보여준다. 도 16a에서 막대 그래프는 5개의 교차 검증 분할 중 특성이 선택된 횟수를 보여준다. 특성이 더 많이 선택될수록 더 중요하다는 것을 의미한다. 도 16b에서는 선형 SVM의 분리 하이퍼플레인 가중치를 기반으로 특성 중요도를 계산한다. 가중치가 높을수록 특정 특성의 변화에 따라 결정에 더 많은 영향을 받는다는 의미로, 특성의 중요도를 나타낸다. 마지막으로, 순열 특성 중요도 분석이 실행되어 각 특성의 값이 섞이고 그에 따른 성능 저하가 관찰된다. 순열에 따른 성능 감소가 클수록 해당 특성의 중요도가 높다. 순열 특성 중요도의 결과는 도 16c에 나와 있다. 주목할 점은 세 가지 특성 중요도 분석 모두에서 상위 두 개의 특성이 동일하게 유지된다는 것이다. 두 특성 모두 SCG의 측면 축에서 추출되며, 두 번째 특성은 SCG 박동의 이완기 부분으로부터 직접 계산된다.
논의
도 14a 내지 도 14b 및 표 2-3의 결과는 SCG 특성을 사용하여 심부전 환자의 임상 상태를 정확하게 분류할 수 있음을 보여준다. 현재, 심부전 환자의 생리적 비보상(physiological decompensation)을 위한 임상 상태를 결정하기 위해서는 비용이 많이 들고 침습적인 카테터 삽입이 필요하다. 이 웨어러블 기기가 임상 상태를 정확하게 분류할 수 있는 데이터를 제공할 수 있다면, RHC 시술 횟수를 줄이는 사전 선별 도구로 활용되어 심부전 치료 비용을 절감하고 삶의 질을 향상시킬 수 있다. 본 연구의 결과는 SCG를 이용한 이러한 사전 스크리닝이 가능성을 가지고 있음을 시사한다.
심부전 임상 상태를 정확하게 분류하는 것은 심부전 환자에게서 높은 충만 압력을 잠재적으로 감지할 수 있다는 것을 보여주기 때문에 중요하다. 웨어러블 기기를 사용하여 집에서 임상 상태를 정확하게 분류하면 입원을 줄임으로써 심부전 치료를 크게 개선할 수 있다. 웨어러블 기기를 통해 매일 또는 더 자주 임상 상태를 평가하면 이식형 혈역학 모니터를 사용한 이전 연구에서 사용된 접근 방식과 유사하게 충만 압력 유도 치료를 할 수 있다. 중요한 것은, 이전 작업에서와 같이 결정을 유도하는 블랙박스 출력 대신에 충만 압력 상승의 표시를 제공함으로써, 의사는 설명 가능하고 해석 가능한 결과를 통해 프로세스에 더 잘 참여할 수 있으며, 또한 기존의 흐름도 및 가이드라인을 직접 활용할 수 있다.
특성 중요도 분석과 함께 실험에서 선택된 특성들은 SCG 신호의 특성에 대한 중요한 과학적 통찰력을 제공한다(도 16a 내지 도 16c 참조). SCG 신호는 1960년대부터 측정 및 연구되어 왔지만, 이러한 신호의 기원과 근본적인 혈역학적 사건과의 관계는 잘 알려져 있지 않다. 이 연구는 심부전 환자에서 RHC 파형과 함께 SCG 신호를 직접 측정하여 SCG 특성(특성)이 기저 혈역학을 어떻게 나타내는지 조사할 수 있었다. SFS가 가장 우수한 성능의 분류기로 선택한 최적의 특성 세트는 측면 및 크기 채널에서 도출되었으며, 이는 일부 선행 연구에서 제안한 바와 같이 등-복부만이 아닌 SCG 신호 데이터의 모든 축을 분석하는 것이 중요하다는 것을 보여준다. 상위 두 개의 특성은 모든 특성 중요도 방법에서 일관되게 SCG의 측면 채널에서 도출되었다. SCG의 측면 채널이 주요 혈역학 정보를 제공한다는 사실은 최근의 연구에서도 뒷받침된다. 최상위 특성은 주파수 영역에서 비롯되며 이전에는 연구되지 않은 것으로, 고주파 성분(205 내지 250Hz)과 저주파 성분(4-50Hz)의 비율은 변별적인 특징이다. 이는 비보상 환자의 충만 압력이 더 높기 때문일 수 있다. 충만 압력이 높을수록 판막 폐쇄가 더 크거나 빠르게 일어나 흉부에서 포착된 가속도 신호의 고주파 성분으로 반영될 수 있다. 향후 연구에서는 이러한 진동의 생리적 기원을 더 잘 이해하기 위해 측면 SCG 측정을 연구하여 임상 상태 평가에 중요한 기여를 하는 이유에 대한 기계적인 통찰력을 제공해야 한다.
이 연구는 휴식 상태의 심방세동 임상 상태를 분류하고 충만 압력 상승을 감지하는 데 SCG 신호의 유용성을 입증한 최초의 연구이다. 이 연구에서 제시된 결과는 심부전 관련 입원을 줄일 수 있는 잠재력과 함께 심부전 치료를 위한 재택 환경에서 SCG 신호 조사를 뒷받침하는 강력한 과학적 토대를 마련했다. 또한, 이 연구는 입원 위험(즉, 급성 보상 저하)을 예측할 뿐만 아니라 충만 압력 상승에 대한 지표를 제공함으로써 의료 서비스 제공자에게 피드백을 제공할 수 있는 잠재력을 가지고 있다.
재료 및 방법
연구 설계
본 연구의 목적은 휴식 상태의 심부전 환자의 임상 상태(즉, 보상되지 않은 상태와 보상된 상태)를 구별하는 데 있어 SCG의 차별적 특성을 탐색하고 SCG와 혈역학적 파라미터 간의 상관관계를 조사하는 것이다. 임상 상태를 파악하고 혈역학적 파라미터를 캡처하기 위해 RHC(Mac-Lab 혈역학 기록 시스템을 사용하여 수행)가 처방된 환자 코호트에서 데이터를 수집했다. 이 연구는 캘리포니아대학교 샌프란시스코 캠퍼스(UCSF) 기관생명윤리심의위원회와 조지아공과대학교 기관생명윤리심의위원회의 검토 및 승인을 받은 프로토콜에 따라 진행되었다. 이 연구에는 총 63명의 심부전 진단을 받은 피험자가 등록되었다. 제외 기준은 심인성 쇼크 상태이거나 심실 보조 장치를 이식했거나 이전에 심장이식을 받은 환자였다. 연구 대상자의 인구통계학적 특성은 표 2-1(훈련 세트)과 표 2-2(검증 세트)에 나와 있다. 각 피험자는 데이터 수집 전에 서면 동의를 제공했다.
모든 SCG 데이터는 환자가 RHC 시술을 받는 동안 수집되었다. 먼저, 환자는 시술 테이블에 앙와위(suspine) 상태로 놓였다. 웨어러블 패치 하드웨어는 환자의 경정맥 노치 바로 아래에 부착되어 SCG 신호를 획득하였다. 시술하는 동안 환자는 가능한 한 움직이지 않도록 지시받았다. 그런 다음 카테터를 삽입하고 혈역학 파라미터를 측정했다. 환자가 앙와위 자세로 움직이지 않는 상태를 휴식 상태라고 한다. 단일 RHC 시술 중에 수집된 모든 신호를 기록이라고 하며, 웨어러블 패치의 ECG 및 SCG 신호와 카테터 삽입의 압력 파형으로 구성되며, Mac-Lab 혈역학 기록 시스템(총 65개의 기록)을 사용한다. 또한 보상 기록은 혈역학적으로 보상된 것으로 판단되는 환자로부터 획득한 기록으로 정의되며, 비보상 기록은 이와 유사하게 정의된다. 데이터 수집 설정은 예시적인 신호 발췌와 함께 도 1e에 도시되어 있다.
RHC 시술에 기초하여, 다음과 같은 혈역학적 파라미터들이 기록당 측정되었다: 우심방 압력(RAP), 우심실 압력(RVP), 폐동맥 압력(PAP), 심박출량(CO), 및 PCWP. 임상의는 혈역학적 파라미터를 기반으로 다음과 같이 임상 상태를 결정했다. 환자의 평균 PCWP가 20mmHg 이상이고 CI가 2.2L/min/m2 이하인 경우, 환자는 비보상으로 간주했다. 그렇지 않으면 환자는 보상으로 간주했다. 드물지만, PCWP 또는 CI 값 중 하나가 비정상적으로 높거나 낮은 경우 간병인이 이 규칙을 무시하는 경우도 있었다. 예를 들어, 경계선 PCWP가 16mmHg이고 CI가 1.3L/min/m2로 매우 낮은 환자는 비보상으로 간주되었다. 두 명의 환자가 RHC 시술을 두 번 받았기 때문에 기록 횟수가 훈련 세트의 환자 수보다 두 번 더 많다는 점에 유의하라.
이 실시예에서는, 웨어러블 패치 디바이스를 사용하여 SCG 및 ECG 신호를 캡처하였다. 이 장치는 1kHz에서 ECG 신호를 샘플링하고 500Hz에서 가속도계 신호를 샘플링하여 패치 내의 마이크로 보안 디지털(microSD) 카드에 데이터를 저장한다. 맞춤형 소프트웨어는 모든 데이터를 microSD 카드에서 컴퓨터로 전송하고 가속도계를 1kHz로 리샘플링하여 모든 신호가 처리하기 쉽도록 동일한 샘플링 속도를 공유하도록 한다. 그런 다음 모든 신호는 추가 분석을 위해 처리 알고리즘에서 500Hz로 데시메이션된다.
SCG 신호는 HF 환자의 임상 상태를 판별하는 데 유용할 수 있는 특성을 추출하기 위해 처리된다. 도 2a 내지 도 2c는 SCG 신호의 처리가 수행되는 방법을 예시한다. 처리 결과, 특성 추출을 위해 도 2c에 도시된 바와 같이 고품질의 SCG 박동을 획득한다.
제1 전처리 단계는, 일부 기록에서는 센서가 피험자에게 부착되기 전에 기록이 시작되고 장치가 분리된 후에 기록이 종료되기 때문에, 각 기록의 시작과 끝에서 5분을 제거하는 것이다. 제2 단계로, ECG 신호는 다음과 같은 디지털 필터 사양(통과 대역이 1 내지 30Hz인 유한 임펄스 응답(FIR) 필터)을 사용하여 대역 통과 필터링되었다. SCG 신호의 경우, 컷오프 주파수가 1Hz인 고역 통과 필터로 신호를 필터링했다. 두 필터 모두에서 저지 대역(stopband)은 80dB 감쇠된다. ECG 신호의 통과 대역은 다음 처리 단계에서 R 피크를 더 쉽게 감지할 수 있도록 분리하도록 선택되었다. SCG 신호의 경우, 대역 외 노이즈를 억제하고 SCG 신호 특성을 보존하고 고주파 성분을 탐색하기 위해 통과 대역이 선택되었다.
ECG 신호와 SCG 신호를 모두 필터링한 후, 아래 방정식으로 표현되는 진폭 채널 및 XY 진폭 채널로 지칭되는 두 개의 추가 SCG 채널이 형성되었다:
여기서 SCGx[n], SCGy[n] 및 SCGz[n]은 각각 SCG의 측면, 머리-발 및 등-복부 채널이다.
최종 전처리 단계로 ECG 신호의 R-피크가 감지된 후 SCG 신호의 박동(beat) 분할이 수행되었다. R-피크 검출에는 두 가지 알고리즘이 사용되었다: 피지오넷이 구현한 팬-톰킨스 알고리즘과 맞춤형으로 구현한 페이저 변환 알고리즘이 사용되었다. 두 알고리즘 모두에서 감지된 R-피크는 R-피크 감지에서 위양성을 줄이기 위해 선택되었다. 검출을 위해 12초의 윈도우를 사용하여 R-피크를 검출했다.
R-피크를 사용하여 SCG 신호의 박동(beat) 분할을 다음과 같은 방식으로 수행했다. R-피크 전 150ms(심실 이완기 포함)와 R-피크 후 RR 간격의 15번째 백분위수(현재 박동(beat)만 포함)가 각각 박동(beat)의 시작과 끝으로 구분되었다. 그 결과 SCG의 각 채널에 대해 SCG 박동(beat) 배열이 구성되었다. R-피크(즉, R-피크 전/후 0ms)부터 R-피크 후 약 700ms까지 박동(beat) 분할을 수행하는 이전 작업과 달리, 이 예에서는 심실 이완기 타이밍을 의도적으로 포함했는데, 이는 이 시간 동안 관찰되는 SCG 특성이 충만 압력에 대한 정보를 포함하는 데 상당히 관련이 있을 것으로 예상되었기 때문이다.
모션 아티팩트 제거 및 신호 품질 인덱싱
SCG 신호는 모션 아티팩트에 취약한다. 피험자가 움직이면 더 높은 진폭의 모션 아티팩트에 의해 SCG 진동이 오염된다. 수집된 데이터 세트에서 환자에게 가능한 한 가만히 있으라는 지시를 내렸음에도 불구하고 기록에 모션 아티팩트가 여전히 존재했다. 도 3a 내지 도 3d는 한 기록에서 이러한 아티팩트의 예를 보여준다.
모션 아티팩트가 SCG 진동보다 진폭이 더 크다는 관찰을 활용하여 모션으로 인해 손상된 SCG 박동(beat)을 감지하고 이후 모션으로 인해 오염된 SCG 박동(beat)을 폐기하는 간단한 알고리즘을 고안했다. 이 알고리즘은 세그먼트화된 박동(beat) 배열을 입력하고 모션으로 오염된 박동(beat)의 인덱스를 출력한다. 의사 코드는 알고리즘 1(위)에 나와 있다. 검출의 핵심은 가장 유사한 두 개의 연속된 박동(beat) 찾는 것이다. 두 개의 연속된 박동(beat)이 모션에 의해 오염되지 않았다면, 단기간에 SCG 형태가 크게 변하지 않을 것으로 예상되므로 형태가 유사해야 한다. 따라서 가장 유사한 두 개의 연속 박동(beat)은 모션 아티팩트가 없어야 한다(이 기록에서 가장 유사한 두 개의 연속 박동의 예는 도 3c 참조). 기록에서 모션 아티팩트가 없는 부분을 사용하여 간단한 임계값을 계산하면 알고리즘 1(위)에 설명된 대로 모션 아티팩트를 감지할 수 있다. 모션 아티팩트 검출 알고리즘의 결과는 도 3a 내지 도 3d에 설명되어 있다.
두 박동(beat) 간의 유사도를 측정하기 위해 다음 식을 사용했다:
여기서 . 이 식의 출력이 산출할 수 있는 값의 범위는 0과 1 사이이다. 출력이 1에 가까울수록 입력이 더 유사하고, 출력이 0에 가까울수록 입력이 더 유사하지 않다.
모션 아티팩트로 오염된 박동(beat)을 감지하고 제거한 후, 신호 품질 인덱싱(SQI)을 SCG의 각 채널에 개별적으로 적용하여 고품질 SCG 박동(beat)을 추출한다. 한 가지 접근 방식은 피험자 세트에서 템플릿 제품군을 추출한 다음 후속 피험자의 SCG 기록을 분석하는 데 사용할 수 있다. 이 접근 방식은 여러 피험자에 걸쳐 일반화를 시도하지만, 이 애플리케이션에서는 불만족스러운 템플릿을 생성하는 것으로 밝혀졌다. 이전 연구에서는 건강한 피험자를 사용했기 때문에 일반화 가능한 템플릿 세트를 비교적 쉽게 추출할 수 있었지만, 이 경우에는 HF 집단이 훨씬 더 큰 이질성을 보였기 때문이라는 가설이 제기된다. 해결책은 각 기록(즉, 각 환자)에서 특정 템플릿 세트를 사용하는 것이다. 특히, 피험자에 대한 SCG의 각 채널당 하나의 템플릿을 사용하는 것이다. 이러한 변경을 통해 템플릿은 특정 피험자에 맞게 조정되며 모션 아티팩트가 없다. SQI의 출력은 각 박동(beat)과 관련된 품질 점수가 있는 박동(beat) 세트이다. 품질 측정에 따라 상위 5％의 박동(beat)을 사용하여 특성을 추출했다.
통계 분석
임상 상태 추정 모델의 분류 품질을 평가하기 위해 표준 분석이 사용되었다. 실측 데이터는 카테터 측정에서 수집된다. 특히, 훈련 세트에 대해 5배 교차 검증을 수행하고 별도의 보이지 않는 검증 세트에서 성능을 추정했다.
본 명세서에 개시된 실시예 및 청구범위는 설명에 기재되고 도면에 예시된 구성 요소의 구성 및 배열의 세부 사항으로 그 적용이 제한되지 않음을 이해해야 한다. 오히려, 설명 및 도면은 구상된 실시예의 예들을 제공한다. 본 명세서에 개시된 실시예 및 청구범위는 다른 실시예가 더 가능하며 다양한 방식으로 실시 및 수행될 수 있다. 또한, 본 명세서에 사용된 문구 및 용어는 설명의 목적에 따른 것이며 청구범위를 제한하는 것으로 간주되어서는 안 된다는 점을 이해해야 한다.
따라서, 당업자들은 본 출원 및 청구범위의 기초가 되는 개념이 본 출원에 제시된 실시예 및 청구범위의 여러 목적을 수행하기 위한 다른 구조, 방법 및 시스템의 설계를 위한 기초로 쉽게 활용될 수 있음을 인식할 것이다. 따라서 청구항은 그러한 동등한 구조를 포함하는 것으로 간주하는 것이 중요하다.
또한, 요약서의 목적은 미국 특허청과 일반 대중, 특히 특허 및 법률 용어나 문구에 익숙하지 않은 당업자를 포함한 일반인이 피상적인 검토를 통해 본 출원의 기술 공개 내용의 성격과 본질을 신속하게 판단할 수 있도록 하는 것이다. 요약서는 출원 청구항을 정의하기 위한 것이 아니며, 어떤 방식으로든 청구항의 범위를 제한하기 위한 것이 아니다.
Claims (74)
- 사용자의 심장 건강을 평가하기 위한 시스템으로서,
사용자의 심장의 적어도 하나의 전기적 특성을 측정하도록 구성된 제1 센서;
사용자의 심인성 진동을 측정하도록 구성된 제2 센서;
프로세서; 및
상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로는 제1 센서 및 제2 센서로부터의 측정값에 기초하여 심장의 충만 특성(filling characteristic)을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가를 생성하도록 하는 명령을 포함하는 메모리
를 포함하는, 심장 건강 평가 시스템. - 제1항에 있어서, 상기 제1 센서가 상기 사용자의 심전도(electrocardiogram) 신호를 측정하도록 구성되는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 제2 센서가 상기 사용자의 심진도(seismocardiogram) 신호를 측정하도록 구성되는, 심장 건강 평가 시스템.
- 제3항에 있어서, 상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로는 사용자의 심진도(seismocardiogram) 신호의 측면 축에 기초하여 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가를 생성하도록 하는 명령을 더 포함하는, 심장 건강 평가 시스템.
- 제3항에 있어서, 상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로는 상기 사용자의 심진도(seismocardiogram) 신호의 머리-발 축에 기초하여 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가를 생성하도록 하는 명령을 더 포함하는, 심장 건강 평가 시스템.
- 제3항에 있어서, 상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로는 상기 사용자의 심진도(seismocardiogram) 신호의 등-복부 축에 기초하여 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가를 생성하도록 하는 명령을 더 포함하는, 심장 건강 평가 시스템.
- 제3항에 있어서, 상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 적어도 부분적으로는 심장 박동의 이완기 부분 동안 상기 사용자의 심진도(seismocardiogram) 신호에 기초하여 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가를 생성하도록 하는 명령을 더 포함하는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 심장 건강 평가는 상기 사용자의 심부전 임상 상태의 분류를 나타내는 데이터를 포함하는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 심장 건강 평가는 상기 사용자의 혈역학 변화의 징후를 나타내는 데이터를 포함하는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 심장 건강 평가는 상기 사용자의 충만 압력의 변화의 징후를 나타내는 데이터를 포함하는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 심장 건강 평가는 상기 사용자의 폐동맥 압력의 변화의 징후를 나타내는 데이터를 포함하는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 심장 건강 평가는 상기 사용자의 폐 모세혈관 쐐기 압력의 변화의 징후를 나타내는 데이터를 포함하는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 메모리는, 상기 프로세서에 의해 실행될 때, 상기 프로세서가 상기 사용자의 심장 건강과 관련된 하나 이상의 파라미터에 대한 기준선을 생성하기 위한 교정 단계를 수행하도록 하는 명령을 더 포함하는, 심장 건강 평가 시스템.
- 제13항에 있어서, 상기 기준선은 기준 충만 압력인, 심장 건강 평가 시스템.
- 제13항에 있어서, 상기 교정 단계는 상기 기준선을 생성하기 위해 모집단 수준 회귀 모델(population level regression model)을 사용하는 것을 포함하는, 심장 건강 평가 시스템.
- 제13항에 있어서, 상기 교정 단계는 상기 기준선을 생성하기 위해 사용자의 개인화된 데이터를 사용하는 것을 포함하는, 심장 건강 평가 시스템.
- 제16항에 있어서, 상기 개인화된 데이터는 우측 심도자술(heart catherization)의 데이터를 포함하는, 심장 건강 평가 시스템.
- 제16항에 있어서, 상기 개인화된 데이터는 임상 시험의 데이터를 포함하는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 제1 센서는 심장 근방에 배치하기 위한 제1 웨어러블 센서를 포함하고; 그리고
상기 제2 센서는 심장 근방에 배치하기 위한 제2 웨어러블 센서를 포함하는, 심장 건강 평가 시스템. - 제1항에 있어서, 제3 센서를 더 포함하는, 심장 건강 평가 시스템.
- 제20항에 있어서, 상기 제3 센서는 환경 파라미터를 측정하도록 구성되는, 심장 건강 평가 시스템.
- 제20항에 있어서, 상기 제3 센서는 상기 사용자의 광용적맥파(photoplethysmography) 신호를 측정하도록 구성되는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 제2 센서는 상기 사용자의 자이로심장도(gyrocardiogram) 신호를 측정하도록 구성되는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 사용자의 심장 건강을 나타내는 출력을 더 포함하는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 사용자의 심장 건강 평가를 원격 디바이스에 무선으로 통신하도록 구성된 무선 통신기를 더 포함하는, 심장 건강 평가 시스템.
- 제1항에 있어서, 상기 시스템은 사용자에 의해 착용 가능한, 심장 건강 평가 시스템.
- 사용자의 심장 건강을 평가하기 위한 웨어러블 시스템으로서,
사용자 심장의 적어도 하나의 전기적 특성을 측정하도록 구성된 제1 센서;
사용자의 심인성 진동을 측정하도록 구성된 제2 센서; 및
사용자의 심장 건강과 관련된 하나 이상의 파라미터의 기준선을 생성하고, 적어도 부분적으로는 기준선 및 제1 센서 및 제2 센서로부터의 측정값에 기초하여 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가를 생성하기 위한 교정 단계를 수행하도록 구성된 제어기
를 포함하는, 웨어러블 시스템. - 제27항에 있어서, 상기 제1 센서는 상기 사용자의 심전도(electrocardiogram) 신호를 측정하도록 구성되는, 웨어러블 시스템.
- 제27항에 있어서, 상기 제2 센서는 사용자의 심진도(seismocardiogram) 신호를 측정하도록 구성되는, 웨어러블 시스템.
- 제29항에 있어서, 상기 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가는 적어도 부분적으로는 상기 사용자의 심진도(seismocardiogram) 신호의 측면 축에 기초하는, 웨어러블 시스템.
- 제29항에 있어서, 상기 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가는 적어도 부분적으로는 상기 사용자의 심진도(seismocardiogram) 신호의 머리-발 축에 기초하는, 웨어러블 시스템.
- 제29항에 있어서, 상기 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가는 적어도 부분적으로는 상기 사용자의 심진도(seismocardiogram) 신호의 등-복부 축에 기초하는, 웨어러블 시스템.
- 제29항에 있어서, 상기 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가는 적어도 부분적으로는 심장 박동의 이완기 부분 동안의 상기 사용자의 심진도(seismocardiogram) 신호에 기초하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 심장 건강의 평가는 사용자의 심부전 임상 상태의 분류를 나타내는 데이터를 포함하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 심장 건강의 평가는 상기 사용자의 혈역학 변화의 징후를 나타내는 데이터를 포함하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 심장 건강의 평가는 상기 사용자의 충만 압력의 변화의 징후를 나타내는 데이터를 포함하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 심장 건강 평가는 상기 사용자의 폐동맥 압력 변화의 징후를 나타내는 데이터를 포함하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 심장 건강의 평가는 상기 사용자의 폐 모세혈관 쐐기 압력의 변화의 징후를 나타내는 데이터를 포함하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 기준선은 기준 충만 압력인, 웨어러블 시스템.
- 제27항에 있어서, 상기 교정 단계는 상기 기준선을 생성하기 위해 모집단 수준 회귀 모델(population level regression model)을 사용하는 것을 포함하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 교정 단계는 상기 기준선을 생성하기 위해 사용자의 개인화된 데이터를 사용하는 것을 포함하는, 웨어러블 시스템.
- 제41항에 있어서, 상기 개인화된 데이터는 우측 심도자술의 데이터를 포함하는, 웨어러블 시스템.
- 제41항에 있어서, 상기 개인화된 데이터는 임상 시험으로부터의 데이터를 포함하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 제1 센서는 심장 근방에 배치하기 위한 제1 웨어러블 센서를 포함하고; 그리고
상기 제2 센서는 심장 근방에 배치하기 위한 제2 웨어러블 센서를 포함하는, 웨어러블 시스템. - 제27항에 있어서, 상기 제3 센서를 더 포함하는, 웨어러블 시스템.
- 제45항에 있어서, 상기 제3 센서는 환경 파라미터를 측정하도록 구성되는, 웨어러블 시스템.
- 제45항에 있어서, 상기 제3 센서는 상기 사용자의 광용적맥파(photoplethysmography) 신호를 측정하도록 구성되는, 웨어러블 시스템.
- 제27항에 있어서, 상기 제2 센서는 사용자의 자이로심장도(gyrocardiogram) 신호를 측정하도록 구성되는, 웨어러블 시스템.
- 제27항에 있어서, 상기 제2 센서는 상기 사용자의 심장 건강을 나타내는 출력을 더 포함하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 사용자의 심장 건강 평가를 원격 디바이스에 무선으로 통신하도록 구성된 무선 통신기를 더 포함하는, 웨어러블 시스템.
- 제27항에 있어서, 상기 시스템은 상기 사용자에 의해 착용 가능한, 웨어러블 시스템.
- 사용자의 심장 건강을 비침습적으로 모니터링하기 위한 방법으로서,
웨어러블 디바이스에 의해, 상기 사용자 심장의 적어도 하나의 전기적 특성을 나타내는 제1 신호를 수신하는 단계;
상기 웨어러블 디바이스에 의해, 상기 사용자의 심인성 진동을 나타내는 제2 신호를 수신하는 단계;
적어도 부분적으로, 상기 제1 신호 및 제2 신호에 기초하여, 심장의 충만 특성을 나타내는 데이터를 포함하는 상기 사용자의 심장 건강 평가를 생성하는 단계; 및
상기 사용자의 심장 건강 평가를 나타내는 출력을 제공하는 단계
를 포함하는, 모니터링 방법. - 제52항에 있어서, 상기 제1 신호는 상기 사용자의 심전도(electrocardiogram) 신호를 나타내는, 모니터링 방법.
- 제52항에 있어서, 상기 제2 신호는 사용자의 심진도(seismocardiogram) 신호를 나타내는, 모니터링 방법.
- 제54항에 있어서, 상기 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가는 적어도 부분적으로는 상기 사용자의 심진도(seismocardiogram) 신호의 측면 축에 기초하는, 모니터링 방법.
- 제54항에 있어서, 상기 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가는 적어도 부분적으로는 상기 사용자의 심진도(seismocardiogram) 신호의 머리-발 축에 기초하는, 모니터링 방법.
- 제54항에 있어서, 상기 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가는 적어도 부분적으로는 상기 사용자의 심진도(seismocardiogram) 신호의 등-복부 축에 기초하는, 모니터링 방법.
- 제54항에 있어서, 상기 심장의 충만 특성을 나타내는 데이터를 포함하는 사용자의 심장 건강 평가는 적어도 부분적으로는 심장 박동의 이완기 부분 동안의 상기 사용자의 심진도(seismocardiogram) 신호에 기초하는, 모니터링 방법.
- 제52항에 있어서, 상기 심장 건강의 평가는 상기 사용자의 심부전 임상 상태의 분류를 나타내는 데이터를 포함하는, 모니터링 방법.
- 제52항에 있어서, 상기 심장 건강의 평가는 상기 사용자의 혈역학 변화의 징후를 나타내는 데이터를 포함하는, 모니터링 방법.
- 제52항에 있어서, 상기 심장 건강의 평가는 상기 사용자의 충만 압력의 변화의 징후를 나타내는 데이터를 포함하는, 모니터링 방법.
- 제52항에 있어서, 상기 심장 건강의 평가는 상기 사용자의 폐동맥 압력의 변화의 징후를 나타내는 데이터를 포함하는, 모니터링 방법.
- 제52항에 있어서, 상기 심장 건강의 평가는 상기 사용자의 폐 모세혈관 쐐기 압력의 변화의 징후를 나타내는 데이터를 포함하는, 모니터링 방법.
- 제52항에 있어서, 상기 사용자의 심장 건강과 관련된 하나 이상의 파라미터에 대한 기준선을 생성하기 위한 교정 단계를 더 포함하는, 모니터링 방법.
- 제64항에 있어서, 상기 기준선은 기준 충만 압력인, 모니터링 방법.
- 제64항에 있어서, 상기 교정은 상기 기준선을 생성하기 위해 모집단 수준 회귀 모델(population level regression model)을 사용하는 것을 포함하는, 모니터링 방법.
- 제64항에 있어서, 상기 교정은 상기 기준선을 생성하기 위해 사용자의 개인화된 데이터를 사용하는 것을 포함하는, 모니터링 방법.
- 제67항에 있어서, 상기 개인화된 데이터는 우측 심도자술(heart catherization)의 데이터를 포함하는, 모니터링 방법.
- 제67항에 있어서, 상기 개인화된 데이터는 임상 시험으로부터의 데이터를 포함하는, 모니터링 방법.
- 제52항에 있어서, 상기 웨어러블 디바이스는 심장에 근접하게 배치되는, 모니터링 방법.
- 제52항에 있어서, 제3 신호를 수신하는 단계를 더 포함하는, 모니터링 방법.
- 제71항에 있어서, 상기 제3 신호는 적어도 하나의 환경 파라미터를 나타내는, 모니터링 방법.
- 제71항에 있어서, 상기 제3 신호는 상기 사용자의 광용적맥파(photoplethysmography) 신호를 나타내는, 모니터링 방법.
- 제52항에 있어서, 상기 제2 신호는 상기 사용자의 자이로심장도(gyrocardiogram) 신호를 나타내는, 모니터링 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063117766P | 2020-11-24 | 2020-11-24 | |
| US63/117,766 | 2020-11-24 | ||
| PCT/US2021/058429 WO2022115228A1 (en) | 2020-11-24 | 2021-11-08 | Systems and methods for measuring hemodynamic parameters with wearable cardiovascular sensing |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230132445A true KR20230132445A (ko) | 2023-09-15 |
Family
ID=81754950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237020629A KR20230132445A (ko) | 2020-11-24 | 2021-11-08 | 웨어러블 심혈관 센싱으로 혈역학 파라미터를 측정하기 위한 시스템 및 방법 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US20230293082A1 (ko) |
| EP (1) | EP4251032A1 (ko) |
| JP (1) | JP2023552725A (ko) |
| KR (1) | KR20230132445A (ko) |
| CN (1) | CN116744843A (ko) |
| AU (1) | AU2021387667A1 (ko) |
| CA (1) | CA3199919A1 (ko) |
| WO (1) | WO2022115228A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220354432A1 (en) * | 2021-05-07 | 2022-11-10 | Cortery AB | Cardiac health assessment systems and methods |
| CN117648557A (zh) * | 2024-01-30 | 2024-03-05 | 山东科技大学 | 一种基于soh联合降噪的soh预测方法及设备 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160206292A1 (en) * | 2008-08-05 | 2016-07-21 | Guardsman Scientific, Inc. | Systems and methods for managing a patient |
| US8870780B2 (en) * | 2008-10-15 | 2014-10-28 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for monitoring heart function |
| US20150038856A1 (en) * | 2011-05-03 | 2015-02-05 | Heart Force Medical Inc | Method and apparatus for estimating myocardial contractility using precordial vibration |
| FI126008B (en) * | 2013-09-13 | 2016-05-31 | Murata Manufacturing Co | cardiac monitoring system |
| US10806374B2 (en) * | 2014-08-25 | 2020-10-20 | Georgia Tech Research Corporation | Noninvasive systems and methods for monitoring health characteristics |
| WO2016179425A1 (en) * | 2015-05-05 | 2016-11-10 | The Johns Hopkins University | A device and method for non-invasive left ventricular end diastolic pressure (lvedp) measurement |
| EP3096254A1 (en) * | 2015-05-21 | 2016-11-23 | Universität Zürich | Method for monitoring and visualizing a patient's medical condition |
| CA3007457C (en) * | 2015-12-07 | 2023-01-03 | Medici Technologies, LLC | Methods and apparatuses for assessment and management of hemodynamic status |
| US20210315463A1 (en) * | 2018-08-20 | 2021-10-14 | Macdonald, Dettwiler And Associates Inc. | Method and apparatus for deriving biometric information using multiple-axis seismocardiography |
| CA3123616A1 (en) * | 2018-12-21 | 2020-06-25 | W. L. Gore & Associates, Inc. | Implantable cardiac sensors |
| US11464451B1 (en) * | 2020-03-11 | 2022-10-11 | Huxley Medical, Inc. | Patch for improved biometric data capture and related processes |
-
2021
- 2021-11-08 JP JP2023530948A patent/JP2023552725A/ja active Pending
- 2021-11-08 CN CN202180087930.3A patent/CN116744843A/zh active Pending
- 2021-11-08 AU AU2021387667A patent/AU2021387667A1/en active Pending
- 2021-11-08 KR KR1020237020629A patent/KR20230132445A/ko unknown
- 2021-11-08 WO PCT/US2021/058429 patent/WO2022115228A1/en active Application Filing
- 2021-11-08 CA CA3199919A patent/CA3199919A1/en active Pending
- 2021-11-08 EP EP21898909.3A patent/EP4251032A1/en active Pending
-
2023
- 2023-05-22 US US18/200,393 patent/US20230293082A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230293082A1 (en) | 2023-09-21 |
| CN116744843A (zh) | 2023-09-12 |
| JP2023552725A (ja) | 2023-12-19 |
| EP4251032A1 (en) | 2023-10-04 |
| AU2021387667A1 (en) | 2023-06-22 |
| WO2022115228A1 (en) | 2022-06-02 |
| CA3199919A1 (en) | 2022-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hurnanen et al. | Automated detection of atrial fibrillation based on time–frequency analysis of seismocardiograms | |
| JP5722881B2 (ja) | 虚血中の心筋収縮能変動の測度 | |
| US10278595B2 (en) | Analysis and characterization of patient signals | |
| US20110190598A1 (en) | Health Data Dynamics, Its Sources and Linkage with Genetic/Molecular Tests | |
| JP2015536692A (ja) | 携帯型心臓健康モニタリング | |
| Anbalagan et al. | Analysis of various techniques for ECG signal in healthcare, past, present, and future | |
| Shandhi et al. | Estimation of changes in intracardiac hemodynamics using wearable seismocardiography and machine learning in patients with heart failure: a feasibility study | |
| US20230293082A1 (en) | Systems and methods for measuring hemodynamic parameters with wearable cardiovascular sensing | |
| US20220095955A1 (en) | Method and system to assess disease using multi-sensor signals | |
| US20230082362A1 (en) | Processes and methods to predict blood pressure | |
| US20220031220A1 (en) | Model-based sensor technology for detection of cardiovascular status | |
| JP2024502764A (ja) | 生理学的システムの特徴決定における使用のための生物物理学的シグナルからの周期変動関連特徴をエンジニアリングするための方法及びシステム | |
| Suresh et al. | End-to-end deep learning for reliable cardiac activity monitoring using seismocardiograms | |
| US10327648B2 (en) | Blood vessel mechanical signal analysis | |
| CN112218575A (zh) | 用于确定应激和/或疼痛水平的装置 | |
| EP4391892A1 (en) | Methods and systems for engineering photoplethysmographic-waveform features from biophysical signals for use in characterizing physiological systems | |
| Alqudah et al. | Multiple time and spectral analysis techniques for comparing the PhotoPlethysmography to PiezoelectricPlethysmography with electrocardiography | |
| Nagy et al. | Sensor fusion for the accurate non-invasive measurement of blood pressure | |
| Bassiouni et al. | Combination of ECG and PPG Signals for Healthcare Applications: A Survey | |
| Eshaghi et al. | A resource-optimized patient-specific nonlinear-SVM hypertension detection algorithm for minimally-invasive high blood pressure control | |
| US20230233089A1 (en) | Multi-sensor mems system and machine-learned analysis method for hypertrophic cardiomyopathy estimation | |
| De Palma et al. | ECG wave segmentation algorithm for complete P-QRS-T detection | |
| US20230072281A1 (en) | Methods and Systems for Engineering Wavelet-Based Features From Biophysical Signals for Use in Characterizing Physiological Systems | |
| Moharir et al. | Sensor Data Analytics for Health Care | |
| US10398321B2 (en) | Thermal patient signal analysis |