سیگنال اوج جعلی

نتایج تشخیص دره (ADT: آستانه تشخیص تطبیقی ؛ RPD: الگوریتم تشخیص اوج قوی ؛ MMPD: روش کوهنورد برای تشخیص اوج)

برای هر دو اوج و دره ، MMPD بالاترین SE و همچنین کمترین FDR را نشان داد ، هنگامی که افراد تا حد امکان نشسته بودند (1 مجموعه داده 1 و 3 RD). از طرف دیگر ، الگوریتم RPD به بالاترین مقدار SE و همچنین کمترین مقدار FDR در شرایط مصنوعات حرکتی متوسط (مجموعه داده های دوم) دست یافت. برای هر مجموعه داده ، الگوریتم RPD همچنین به بالاترین مقدار +p دست یافت ، در حالی که الگوریتم ADT کمترین مقادیر SE و +P و همچنین بالاترین مقادیر FDR را نشان داد.

تفاوت بین تعداد قله ها و تعداد دره های شناسایی شده توسط MMPD و الگوریتم RPD ، در همان شرایط ، یک یا دو بود ، در حالی که برای الگوریتم ADT تفاوت بین قله های شناسایی شده و دره 27 ، 36 و 34 برایمجموعه داده های 1 ST ، 2 و 3 RD به ترتیب.

تلاش های بی شماری برای توسعه الگوریتم هایی برای تشخیص دقیق اوج در سیگنال های PPG انجام شده است [2 ، 4-6] ، که بیشتر آنها به طور خاص برای اجرای زیر مصنوعات با حرکت بالا و شرایط رانش پایه تصور شده اند. با این حال ، در مورد تشخیص اوج در سیگنال های PPG با دامنه کم ، اندکی انجام شده است. سیگنال های PPG با دامنه کم در برابر آلودگی نویز و سایر اثرات نامطلوب آسیب پذیرتر هستند زیرا قدرت سیگنال با قدرت نویز قابل مقایسه است. اگر الگوریتم تشخیص به اندازه کافی قوی نباشد ، چنین ضبط هایی ممکن است چندین موج نشان دهند که می توانند به اشتباه به عنوان قله برچسب گذاری شوند. چندین نویسنده [1 ، 7] استدلال می کنند که کاهش دامنه سیگنال PPG باید از مراحل دستیابی به سیگنال و مراحل تهویه مطرح شود. از طرف دیگر ، چنین کاهش هایی پس از آسیب یا در طول قسمت های آپنوئیک مشاهده می شود ، به عنوان یک نتیجه از انقباض عروق محیطی ناشی از افزایش لحن سمپاتیک [8]. در این مثال ، اطمینان از تشخیص اوج مداوم و قابل اعتماد مهم است ، به همین دلیل یک الگوریتم تشخیص اوج جدید برای سیگنال های PPG در این مطالعه ارائه شده است.

نتایج نشان می دهد که الگوریتم RPD در هر دو شرایط با حرکات کم و زیاد عملکرد خوبی دارد ، همانطور که در مطالعات قبلی نشان داده شده است [3 ، 6] ، و از آنجا که قادر به از بین بردن خطا و قله های جعلی است ، به عنوان الگوریتم با بالاترین +P ظهور می کندبرای هر مجموعه داده ثبت شده در این مطالعه. اما هنگامی که دامنه سیگنال PPG به شدت کاهش یافت ، SE آن به~97 ٪ برای تشخیص اوج و دره. همانطور که در بالا ذکر شد ، نویز و رانش پایه تأثیر قوی تری در سیگنال های PPG دامنه کم دارند ، بنابراین چنین ضبط ها ممکن است چندین موج و تغییرات دامنه ناگهانی را نشان دهند. در این حالت ، تفاوت بین آخرین حداکثر یا حداقل محلی شناسایی شده و یک نقطه پایین تر یا بالاتر مجاور می تواند کمتر از فاصله تطبیقی محاسبه شده توسط الگوریتم RPD باشد ، در نتیجه منجر به یک قله کشف نشده (یا دره) می شود ، همانطور که در شکل 2 نشان داده شده است.. b. به نوبه خود ، الگوریتم ADT کمترین مقادیر SE و +P و همچنین بالاترین مقادیر FDR را در بین سه الگوریتم آزمایش شده نشان داد. کار قبلی [3] نشان داد که عملکرد الگوریتم ADT در شرایط مصنوعی با حرکت متوسط/بالا بدتر می شود. علاوه بر این ، و همانطور که توسط مطالعه حاضر تأیید شده است ، الگوریتم ADT نمی تواند عملکرد خوبی داشته باشد وقتی دامنه سیگنال PPG به طور قابل توجهی کم باشد ، محدودیتی که قبلاً توسط نویسندگان آن بیان شده بود [1]. برعکس ، و همانطور که در جداول 1 و 2 نشان داده شده است ، MMPD با وجود کاهش قابل توجهی در دامنه سیگنال PPG ، قادر به دستیابی به بیش از 98 ٪ SE و کمتر از 3 ٪ FDR بود. هر دو روش RPD و ADT و همچنین چندین الگوریتم تشخیص اوج دیگر [2 ، 4 ، 6] از دامنه موج PPG برای تعیین آستانه تشخیص آنها استفاده می کنند. به عبارت دیگر ، بیشتر الگوریتم های تشخیص اوج سیستولیک وابستگی شدیدی به دامنه سیگنال دارند. بر خلاف تمام این روش ها ، MMPD به جای دامنه سیگنال PPG به افزایش لبه افزایش سیستولیک بستگی دارد و نتایج نشان می دهد که با از بین بردن چنین وابستگی ، روند تشخیص اوج ممکن است کمتر از موج ها مانع شود و از موج ها جلوگیری شود و از این طریق مانع از موج نشوید ودامنه ناگهانی تغییر می کند (شکل 2. C را ببینید) ، که وقتی قدرت سیگنال با قدرت نویز قابل مقایسه است ، بیشتر می شود.

شکل 2 قله ها و دره های شناسایی شده توسط: الف) الگوریتم آستانه تطبیقی (ADT) ، ب) الگوریتم تشخیص اوج قوی (RPD) و ج) روش کوهنورد برای تشخیص اوج (MMPD) هنگامی که دامنه سیگنال PPG کاهش یافته استبه~0. 2 ولت (مجموعه داده شماره 3). دایره های خاکستری سبک و تیره به ترتیب ، قله ها و دره های شناسایی شده توسط الگوریتم را نشان می دهند ، در حالی که فلش های سبک و خاکستری تیره نشانگر حاشیه نویسی متخصصان هستند

اگرچه MMPD به بالاترین SE و کمترین FDR در هر دو حالت عادی دست یافت (~2 ولت) و کم (~0. 2 ولت) شرایط دامنه ، SE آن به 97 ٪ کاهش یافته و FDR آن در شرایط مصنوعات حرکتی متوسط افزایش یافته است. در مقابل ، الگوریتم RPD عملکرد تشخیص بهتری نسبت به آنچه توسط MMPD نشان داده شده است ، هنگامی که اثرات مصنوعات حرکتی معنی دار بود (شکل 3B را ببینید). در حقیقت ، الگوریتم RPD کمترین مقدار FP و بنابراین ، بالاترین مقدار +P را برای هر مجموعه داده به دست آورد. این می تواند به مرحله پس از پردازش آن نسبت داده شود ، که براساس این فرض است که تفاوت بین دو فواصل متوالی اوج به اوج از 100 میلی ثانیه تجاوز نمی کند [3]. چنین روشی به الگوریتم اجازه می دهد تا قله های زودرس یا دیر هنگام احتمالاً توسط اثرات مصنوعات حرکتی از بین برود. با این حال ، این پردازش پس از آن می تواند تأخیر ایجاد کند که تعداد فواصل در نظر گرفته شده در محاسبه مقدار خطای استاندارد افزایش یابد ، که به نوبه خود ممکن است در هنگام کاهش قدرت محاسباتی مانع پردازش زمان واقعی شود. از طرف دیگر MMPD از محاسبات بیش از حد جلوگیری می کند و می تواند به راحتی برای برنامه های زمان واقعی اجرا شود. آستانه تشخیص آن با هر ضربان قلب تغییر می کند ، که به الگوریتم اجازه می دهد تا در واقع با تغییرپذیری HR سازگار شود. با این وجود ، کار آینده باید با هدف کاهش یک روش هزینه محاسباتی پایین برای تشخیص مصنوعات به منظور کاهش بیشتر تعداد FP گزارش شده توسط الگوریتم و در نتیجه بهبود +P و FDR آن باشد.

شکل 3 قله ها و دره های شناسایی شده توسط: الف) الگوریتم آستانه تطبیقی (ADT) ، ب) الگوریتم تشخیص اوج قوی (RPD) و ج) روش کوهنورد برای تشخیص اوج (MMPD) در شرایط مصنوعی حرکتی متوسط (مجموعه داده #2)دایره های خاکستری سبک و تیره به ترتیب ، قله ها و دره های شناسایی شده توسط الگوریتم را نشان می دهند ، در حالی که فلش های سبک و خاکستری تیره نشانگر حاشیه نویسی متخصصان هستند

الگوریتم ADT برای سیگنال های PPG بدون رانش پایه طراحی شده است و آستانه های تشخیص آن منحصراً به دامنه سیگنال بستگی دارد ، که ممکن است به دلیل اثرات مصنوعی فیزیولوژیکی و حرکتی به طرز چشمگیری تغییر کند. در مطالعه حاضر ، این روش هنگام استفاده از دره ها به SE بالاتری رسید ، در حالی که +P آن هنگام استفاده از قله ها کمی بیشتر بود ، همانطور که توسط نویسندگان آن گزارش شده است [1]. علاوه بر این ، تفاوت بین تعداد قله ها و تعداد دره های شناسایی شده توسط الگوریتم ADT به ترتیب 27 ، 36 و 34 برای مجموعه داده های 1 ST ، 2 و 3 RD بود. یک توضیح احتمالی بر این واقعیت نهفته است که این الگوریتم از دو آستانه مختلف استفاده می کند: یکی برای تشخیص اوج و دیگری برای تشخیص دره. از طرف دیگر ، MMPD و الگوریتم RPD برای تشخیص زوج اوج دره تهیه شده اند ، که ممکن است تفاوت کوچک بین تعداد قله ها و دره های شناسایی شده توسط این الگوریتم ها را توضیح دهد. اگر یک الگوریتم قادر به تشخیص زوج اوج دره با دقت بالا باشد ، می توان از این الگوریتم نه تنها برای برآورد HR استفاده کرد ، بلکه برای به دست آوردن اطلاعات اضافی در مورد وضعیت موضوع نیز استفاده می شود. به عنوان مثال ، دامنه سیگنال PPG (همچنین به عنوان دامنه پالس پلیسیسموگرافی - PPGA شناخته می شود) سالهاست که برای ارزیابی فعالیت سیستم عصبی اتونوم استفاده می شود [11 ، 12] ، و با تفاوت دامنه بین اوج و اوج داده می شوددره متوالی. بنابراین ، در صورت عدم توافق بین تعداد قله ها و دره های شناسایی شده ، PPGA ممکن است اشتباه محاسبه شود و حالت های فیزیولوژیکی به درستی قابل تجزیه و تحلیل نباشند [13]. بنابراین ، تشخیص دقیق اوج اوج یک ویژگی بسیار مطلوب است ، و از آنجاپاسخ های قلبی عروقی مانند انقباض عروق یا عروق.

یک الگوریتم رمان و کم انعطاف پذیری برای تشخیص قله های PPG در زمان واقعی ارائه شد. نتایج نه تنها نشان می دهد که روش پیشنهادی قادر به تشخیص قله های سیستولیک با دقت بالا است ، حتی اگر دامنه سیگنال PPG خیلی کم باشد ، بلکه همچنین امکان تهیه یک الگوریتم تشخیص دقیق اوج امکان پذیر است که برخلاف سایر روشها ، این کار را انجام می دهدبه دامنه سیگنال PPG بستگی ندارد. با این وجود ، برای بهبود استحکام آن در برابر مصنوعات حرکتی و بنابراین ، برای کاهش تعداد FP گزارش شده توسط الگوریتم ، کار بیشتری لازم است.

برای نتیجه گیری ، لازم به ذکر است که تشخیص خودکار اوج در سیگنال PPG کوهی است که همچنان غیرقابل انتخاب است. اگرچه بیشتر الگوریتم های تشخیص اوج که در این مطالعه مورد بررسی قرار گرفته اند ، پتانسیل رقابت با شرکتهای توسعه یافته توسط شرکتهای دستگاه پزشکی را دارند ، اما آنها به شدت اعتبار ندارند. بنابراین ، لازم است مجموعه ای از تست های استاندارد را در اختیار محققان قرار دهیم تا عملکرد الگوریتم های مختلف تشخیص اوج را به صورت عینی مقایسه کنند.

[1] J. Allen ، "Photopletysmography و کاربرد آن در اندازه گیری فیزیولوژیکی بالینی" ، اندازه گیری فیزیولوژیکی ، جلد. 28 ، نه. 3 ، صص R1-39 ، فوریه 2007.

[2] R. Colombo and et al. ، "تجزیه و تحلیل فتوپیلتیسموگرافی پالس فعالیت سمپاتیک به قلب و عروق را تخمین می زند ،" بیهوشی ، جلد. 123 ، نه. 2 ، صص 336-345 ، آگوست 2015.

[3] M. Elgendi ، "در مورد تجزیه و تحلیل سیگنال های Phingertip Photoplethysmogram" ، بررسی های قلب و عروق فعلی ، جلد. 8 ، نه. 1 ، صص 14--25 ، فوریه 2012.

[4] K. Hamunen و همکاران، "اثر درد بر شاخص های سیستم عصبی خودمختار ناشی از فوتوپلتیسموگرافی در داوطلبان سالم"، مجله British Journal of Anesthesia، جلد. 108، شماره5، صص 838-844، مه 2012.

[5] W. J. Jiang، P. Wittek، L. Zhao، و S. C. Gao، "آستانه تطبیقی با ناحیه مثلثی معکوس برای تشخیص لحظه ای ضربان قلب از ردیابی فوتوپلتیسموگرام روی گوشی هوشمند،" در سی و ششمین کنفرانس بین المللی سالانهIEEE Engineering in Medicine and Biology Society (EMBC)، شیکاگو، IL، 2014، صفحات 3212-3215.

[6] W. Karlen، J. M. Ansermino، و G. Dumont، "تقسیم بندی پالس تطبیقی و تشخیص مصنوع در فتوپلتیسموگرافی برای برنامه های تلفن همراه،" در سی و چهارمین کنفرانس بین المللی سالانه انجمن مهندسی پزشکی و زیست شناسی IEEE (EMBC)، سن دیگو، CA، 2012، صفحات 3131-3134.

[7] Z. Marcinkevics, S. Kusnere, J. I. Aivars, U. Rubins, and A. H. Zehtabi, "The shape and dimensions of photoplethysmographic waves pulse: a اندازه گیری مطالعه تکرارپذیری," Acta Universitatics Latviensis Biology, vol. 753، صص 99-106، 2009.

[8] R. C. Peng, X. L. Zhou, W. H. Lin, and Y. T. Zhang, “Extraction of heart variability from photoplethysmograms” Computational and Mathematical Methods in Medicine, جلد. 1، ص 1-11، 2015.

[9] K. H. Shelley، "Photoplethysmography: فراتر از محاسبه اشباع اکسیژن شریانی و ضربان قلب"، Anesthesia & Analgesia، جلد. 105، شماره6، ص S31--S36، دسامبر 2007.

[10] H. S. Shin، C. Lee، و M. Lee، "روش آستانه تطبیقی برای تشخیص پیک شکل موج فوتوپلتیسموگرافی"، Computers in Biology and Medicine، جلد. 39، شماره12، صص 1145-1152، دسامبر 2009.

[11] T. V. Tran و W. Y. Chung، "یک الگوریتم قوی برای تشخیص پیک زمان واقعی فوتوپلتیسموگرام ها با استفاده از ماوس کامپیوتر شخصی"، IEEE Sensors Journal, vol. 15، شماره8، ص 4651-4659، اوت 2015.

[12] T. V. Tran andW. Y. Chung، "یک الگوریتم تشخیص اوج قوی برای شکل‌های موج فوتوپلتیسموگرافی در دستگاه‌های تلفن همراه،" Journal of Medical Imaging and Health Informatics، جلد. 7، نه7، ص 1617-1623، نوامبر 2017.

[13] دی. 32، شماره1، ص 23-29، ژانویه 2008.

* نویسنده مسئول: Erick Javier Argüello Prada پست الکترونیکی: erick. arguello00@usc. edu. co