Informations

Quelle est la meilleure couleur pour un signal PPG (photopléthysmographie) ?

Quelle est la meilleure couleur pour un signal PPG (photopléthysmographie) ?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Quelle est la meilleure couleur pour un signal PPG ? Rouge, vert, bleu ou infrarouge ?

Je pose la question parce que les capteurs d'oxymètre commerciaux utilisent généralement une paire de LED rouges et infrarouges. Mais récemment, j'ai vu beaucoup de capteurs utilisant des LED vertes.

Merci.


La raison pour laquelle le rouge et l'infrarouge sont utilisés est la différence d'absorbance à ces deux fréquences entre l'hémoglobine oxygénée et non oxygénée. L'utilisation de la différence entre ces deux fréquences permet de calculer la concentration en oxyhémoglobine. (La LED rouge est à la fréquence où l'oxyhémoglobine et l'hémoglobine ont une absorbance identique).

Pour autant que je sache, il n'y a aucune raison pour qu'une LED verte ne fonctionne pas. Vous ne pourrez mesurer que le signal PPG et non les données d'oxymétrie (à moins que vous n'utilisiez deux LED différentes et que vous ayez fait quelques calculs).

Courbes d'absorption.


J'ai trouvé la différence de couleurs :

Une longueur d'onde plus longue pénètre plus profondément.

car les principaux artefacts sont causés par des changements dans le volume sanguin au site de mesure. Pendant le mouvement, les modifications du volume sanguin veineux sont plus importantes que celles du sang artériel. Alors que la profondeur de pénétration de la lumière dépend de sa longueur d'onde, la lumière verte ne pénètre pas aussi profondément que la lumière infrarouge. Par conséquent, le PPG vert comprendrait moins d'informations provenant de diverses sources non pulsatiles que le PPG infrarouge.


J'ai également recherché des ppg multispectraux et d'après ce que j'ai lu, ils vous donnent tous un signal PPG exploitable, cela dépend vraiment de ce que vous voulez faire. Pour l'oxymètre, vous avez besoin d'une source de lumière rouge et ifr. mais si vous voulez juste un compteur d'impulsions, une longueur d'onde plus courte est préférable.

Sources :

http://embc.embs.org/files/2013/3170_FI.pdf http://www.biofotonika.lu.lv/fileadmin/user_upload/lu_portal/projekti/biofotonika/Publikacijas/A3/Asare_8073_76_Praga.PDF


Origine de la forme d'onde photopléthysmographique au feu vert ☆

Dans cet article, nous analysons un certain nombre d'observations obtenues avec la photopléthysmographie en mode réflexion (PPG), qui peuvent difficilement être expliquées par le modèle communément accepté de la formation du signal PPG. Il est montré que le modèle physiologique d'interaction de la lumière avec les tissus vivants récemment proposé par notre groupe fournit une explication raisonnable de toutes les observations. Selon ce modèle, c'est la pression transmurale pulsatile des artères, qui comprime/décomprime la densité des capillaires dans le derme, modulant ainsi le volume sanguin dans le lit capillaire, qui à son tour module la puissance de la lumière verte émise.


Fréquence cardiaque et variabilité de la fréquence cardiaque

La fréquence cardiaque (FC), la mesure de la fréquence à laquelle le cœur bat par minute, est influencée par le système nerveux autonome (SNA) qui se compose de deux branches principales, le système nerveux sympathique et le système nerveux parasympathique.

Le premier est actif lorsque nous sommes dans une situation excitante (menace, peur, stress et exercice) et augmente la fréquence cardiaque. Ce dernier est actif lorsque nous sommes dans une situation détendue (sentiments d'amour, de compassion et de calme) et diminue le rythme cardiaque. Comme vous pouvez le voir, les réponses sont influencées par les conditions mentales et physiques.

La variabilité de la fréquence cardiaque (VFC) est l'indicateur de l'équilibre de ces conditions, étant un marqueur de santé et de stress. Lorsque le système nerveux sympathique est prédominant, comme lorsque les gens se sentent stressés, la VRC diminue. Lorsque le système nerveux parasympathique est prédominant, comme lorsque les gens sont détendus, la VRC augmente.

Il y a eu une attention croissante pour la VRC en tant qu'indicateur de maladie cardiovasculaire et d'émotions internes telles que la dépression et le stress au travail, etc. [1].


Quelle est la meilleure couleur pour un signal PPG (photopléthysmographie) ? - La biologie

Les exemples trompeurs sont supprimés

L'exemple trompeur d'utilisation de compute_SNR est supprimé du fichier

1. Un référentiel GitHub pour le package est créé.
2. Une erreur mineure dans DFT_pulse_rate_estimate.m est corrigée (le poids de la composante de fréquence la plus basse dans la plage de fréquence de pouls a été divisé par erreur par 2).

1 Le bogue lié au signe de signal iPPG a été corrigé.
2 La détection automatique des visages avec l'algorithme Viola-Jones a été mise à jour et est prête à l'emploi.
Je tiens à remercier Gasper Slapničar pour les tests approfondis et l'amélioration du code !

1. L'extraction du signal de couleur de la vidéo est ajoutée, c'est-à-dire que l'on peut maintenant utiliser le package pour extraire iPPG directement de la vidéo.
2. Un exemple minimal démontrant la séquence des étapes d'extraction et de traitement de l'iPPG est ajouté.
3. Commentaires et description

Description de l'ensemble de données ajoutée

Le photopléthysmogramme d'imagerie (iPPG) est une technique de mesure de la fréquence du pouls à distance sans contact. iPPG est généralement acquis à partir d'une vidéo du visage ou de la paume.
Ce package fournit des outils pour l'extraction et le traitement du signal iPPG. Les données iPPG des singes rhésus de [1] sont utilisées comme ensemble de données de test.
ENTRÉE : fichier vidéo.
SORTIE : fréquence de pouls estimée du signal iPPG.
CONTENU:
1. extract_color_channels_from_video extrait le signal de couleur de la vidéo. Les signaux de couleur sont calculés en tant que valeurs des composantes de couleur rouge, verte et bleue moyennées sur la région d'intérêt (ROI) pour chaque image vidéo. Le ROI peut être sélectionné manuellement pour la première image (si une quantité limitée de mouvement est attendue) ou défini automatiquement à l'aide de l'algorithme Viola-Jones (pour l'extraction iPPG à partir d'un visage humain uniquement !). Cette fonction exclut éventuellement du retour sur investissement les pixels sans peau et corrompus.
2. compute_ippg implémente les méthodes d'extraction iPPG considérées dans [2] (y compris les méthodes CHROM et POS récemment introduites) ainsi que certaines techniques de pré- et post-traitement iPPG.
3. ippg_extraction_example- exemple basique (minimal) d'utilisation du package pour l'estimation de la fréquence du pouls à partir de l'iPPG extrait d'une vidéo.
4. dataset_analysis - exemple étendu d'utilisation du package pour les données de [1].
5. Techniques de traitement du signal implémentées sous forme de fichiers m séparés : wavelet_filter, wavelet_init_scales, smoothness_priors_detrending, std_sliding_win.
6. Fonctions d'estimation de la fréquence du pouls à partir du signal iPPG :
6.1. DFT_pulse_rate_estimate utilise la transformée de Fourier discrète pour calculer la fréquence du pouls moyenne.
6.2. wavelet_pulse_rate_estimate utilise la transformation en ondelettes continue pour estimer la fréquence du pouls.
7. Fonctions utiles pour comparer la fréquence du pouls basée sur iPPG avec la vérité terrain :
7.1. bland_altman_plot - dessine un tracé Bland Alman pour les données.
7.2. compute_SNR - calcule le rapport signal sur bruit (SNR) du signal iPPG en fonction de la fréquence d'impulsion réelle.
7.3. estimate_estimation_performance - calcule un certain nombre de métriques de qualité d'estimation, y compris l'erreur quadratique moyenne, l'erreur absolue moyenne, la corrélation de Pearson, etc.
8. Le dossier Dataset contient l'ensemble de données utilisé pour tester le package. L'ensemble de données a été enregistré à partir de singes rhésus, donc la fréquence du pouls est plus élevée que pour les humains (100-250 BPM), veuillez vous référer à [1] pour plus de détails.
9. dataset_description.docx contient une brève description de l'ensemble de données.
Des fonctionnalités supplémentaires seront ajoutées ultérieurement.

REMERCIEMENTS :
Je tiens à remercier Gasper Slapničar pour les tests approfondis et l'amélioration du code.
Je tiens à remercier le Dr Cardoso pour avoir publié le script jadeR.m, que j'utilise pour implémenter l'extraction iPPG basée sur ICA.

LES RÉFÉRENCES
[1] Unakafov AM, Moeller S, Kagan I, Gail A, Treue S, Wolf F. Utilisation de la photopléthysmographie par imagerie pour l'estimation de la fréquence cardiaque chez les primates non humains. PLoS ONE 201813(8) : e0202581. https://doi.org/10.1371/journal.pone.0202581
[2] Unakafov AM. Estimation de la fréquence du pouls à l'aide de la photopléthysmographie d'imagerie : cadre générique et comparaison de méthodes sur un ensemble de données accessible au public. Physique biomédicale et ingénierie express. 20184(4):045001.

Citer comme

Unakafov AM. Extraction de photopléthysmogramme d'imagerie et estimation du taux d'impulsions (https://www.mathworks.com/matlabcentral/fileexchange/67527), MATLAB Central File Exchange (2018). Consulté le 12 décembre 2018.

Unakafov AM. Estimation de la fréquence du pouls à l'aide de la photopléthysmographie d'imagerie : cadre générique et comparaison de méthodes sur un ensemble de données accessible au public. Physique biomédicale et ingénierie express. 20184(4):045001.


  1. Comment l'activité cardiaque est-elle mesurée?
    Les capteurs ECG utilisent directement les signaux électriques produits par l'activité cardiaque. PPG utilise des signaux électriques dérivés de la lumière réfléchie en raison de changements dans le flux sanguin pendant l'activité cardiaque
  2. Lequel est le plus précis ?
    L' ECG est un signal standard de référence qui est utilisé pour surveiller la santé et le bien - être cardio par les prestataires de soins de santé . D'autre part, les capteurs PPG utilisent généralement les signaux ECG comme référence pour la comparaison statique de la FC (fréquence cardiaque).
  3. La fréquence cardiaque (FC) peut-elle être mesurée ?
    Avec l'ECG, la FC peut être mesurée avec précision. La FC peut être mesurée avec PPG, mais elle ne convient que pour les mesures de moyenne ou de moyenne mobile.
  4. La variabilité de la fréquence cardiaque (VFC) peut-elle être mesurée ?
    La VRC peut être dérivée de manière fiable des données ECG car les intervalles R-Peak peuvent être extraits avec une précision de la milliseconde, de sorte que des données VRC significatives peuvent être obtenues avec des mesures de courte durée. Avec les capteurs PPG, la précision de l'intervalle de crête est limitée par le taux d'échantillonnage utilisable en raison de la consommation d'énergie élevée des LED. Avec PPG, la variation de la fréquence du pouls est en corrélation avec la VRC pour des périodes de mesure plus longues (> 5 minutes), mais pas pour une mesure de courte durée.
  5. Combien de temps faut-il pour faire une lecture ?
    Les capteurs ECG ne nécessitent pas de longs temps de stabilisation, de sorte que des lectures significatives peuvent être obtenues très peu de temps après le démarrage. Les capteurs PPG nécessitent un temps de stabilisation relativement long en raison de la nécessité de mesurer la quantité de lumière ambiante et de calculer la compensation nécessaire pour annuler son effet. Les capteurs PPG peuvent également nécessiter une compensation des artefacts de mouvement pour produire une lecture.
  6. Lequel a la plus faible consommation électrique ?
    Le capteur ECG NeuroSky BMD101 présente une consommation d'énergie extrêmement faible, fonctionnant à 2,5 mW. La plupart des capteurs PPG nécessitent environ 30 mW de puissance de fonctionnement.
  7. Lequel a le plus petit encombrement ?
    L'ECG BMD101 est le plus petit capteur ECG au monde avec seulement 3 mm x 3 mm, aucun composant supplémentaire n'est requis. Les capteurs PPG présentent une empreinte PCB relativement importante - généralement 6 mm x 6 mm - plus une zone PCB supplémentaire pour une unité de microcontrôleur (MCU), la gestion de la batterie, le cristal et les circuits LED.
  8. Un équipement externe est-il nécessaire pour produire une lecture ?
    Le capteur ECG BMD101 dispose d'une mesure de fréquence cardiaque sur puce, aucun équipement externe n'est donc requis. En revanche, le capteur PPG nécessite une unité de microcontrôleur externe pour le calcul HR.
  9. Est-il facile d'intégrer un appareil ?
    Le capteur ECG BMD101 dispose d'un SDK (Android/iOS) pour un développement et une intégration faciles d'applications. Les capteurs PPG nécessitent le développement et l'intégration du micrologiciel MCU en plus du développement et de l'intégration de l'application de la plate-forme hôte

Lorsqu'il s'agit de considérations clés telles que la taille, la consommation d'énergie, la précision, la facilité d'intégration et la richesse des données, les biocapteurs ECG présentent un net avantage par rapport à leurs homologues PPG pour la surveillance de la fréquence cardiaque.

Les biocapteurs ECG sont capables de fournir la plus large gamme de mesures de santé cardiaque, car ils sont capables de capturer des signaux plus complets de la performance cardiaque globale, y compris la fréquence cardiaque (FC) et la variabilité de la fréquence cardiaque (VFC).

En revanche, les capteurs PPG ne sont capables que de mesurer la fréquence cardiaque, et de manière moins fiable qu'avec les biocapteurs ECG. Les principaux défis de la technologie PPG sont d'annuler les effets de la lumière ambiante, de s'adapter à différentes conditions et couleurs de peau et de gérer les artefacts de mouvement physique. De plus, le PPG ne peut être utilisé que sur les parties du corps qui ont une concentration élevée de vaisseaux sanguins (par exemple, il peut être difficile d'obtenir un bon signal PPG du poignet).

Pour en savoir plus sur la comparaison des capteurs ECG et PPG pour la surveillance de la fréquence cardiaque, téléchargez dès maintenant le tableau de comparaison gratuit : biocapteurs électriques (ECG) par rapport aux biocapteurs basés sur la lumière (PPG) dans les appareils portables.


Discussion

Notre objectif était de clarifier, lors de l'utilisation d'un smartphone pour effectuer un PPG sous l'influence d'artefacts de mouvement, quelle couleur de lumière - rouge, vert ou bleu - est la plus appropriée pour mesurer la fréquence cardiaque et l'lnNPV. Pour résoudre ce problème, pendant la ligne de base et tout en ajoutant le mouvement du téléphone intelligent pour créer un artefact dans le signal PPG, nous avons examiné la concordance des mesures HR et NPV dérivées des photopléthysmogrammes enregistrés avec ces trois couleurs et des méthodes de référence, et le signal- rapport au bruit (S/B) des PPG des trois couleurs de lumière. En conséquence, tout d'abord, les niveaux de concordance entre les valeurs HR appariées étaient assez élevés et comparables pour les données des trois couleurs de lumière. Toutes les données appariées présentaient des coefficients de corrélation de près de 1,00 et des biais fixes et proportionnels négligeables, bien que le meilleur accord ait été observé pour le feu vert PPG. Deuxièmement, l'accord pour les mesures lnNPV était le meilleur avec le feu vert PPG. Les résultats de la lumière verte PPG ont montré des biais fixes et proportionnels négligeables, tandis que les résultats de la lumière rouge et bleue PPG ont montré des biais fixes et à la fois fixes et proportionnels, respectivement. Troisièmement, le rapport S/B était plus élevé avec le PPG de lumière verte et bleue qu'avec le PPG de lumière rouge pendant les deux HMA et VMA, bien que comparable pendant BL. Pris ensemble, ces résultats suggèrent que le vert est la couleur de lumière la plus appropriée parmi les trois couleurs possibles disponibles à partir du smartphone pour les mesures HR et lnNPV sous artefact de mouvement.

Les valeurs HR calculées à partir des signaux PPG des trois couleurs de lumière étaient précises dans la mesure où toutes les données appariées pertinentes présentaient des coefficients de corrélation de près de 1,00. Cependant, comme déjà mentionné ci-dessus, les trois différaient par leur précision absolue. Plusieurs facteurs pourraient être responsables de la création de ces différences. Premièrement, les formes d'onde des photopléthysmogrammes des trois couleurs de lumière présentent quelques différences. Dans le côté gauche de la figure 3, montrant les enregistrements effectués en l'absence d'artefact de mouvement, il y a une suggestion de différences temporelles entre les pics identifiés, cela peut être mieux apprécié sur la figure 4, où l'échelle de temps a été étendue. Par exemple, les premiers pics observés dans les signaux PPG rouge, vert et bleu en l'absence d'artefact de mouvement sur la figure 4 se produisent à 94,190 s, 94,221 s (1 ips après 94,190 s) et 94,256 s (2 ips après 94,190 s ), respectivement. Comme déjà mentionné dans l'introduction, la lumière bleue PPG sonde les artérioles les moins profondes, qui sont les plus distales des trois régions vasculaires à sonder. Il est connu que plus la région de sondage PPG est distale, plus la forme d'onde perd son bord [par exemple, 26]. Ceci est également clairement visible sur la figure 5, où le rapport des 1er et 2e harmoniques de la puissance HR diminue en fonction des diminutions de la profondeur de pénétration des tissus, qui est connue pour dépendre de la longueur d'onde.

Le deuxième point important est que, malgré les phénomènes temporels et de profondeur de pénétration, il peut y avoir des occasions où l'effet d'artefact de mouvement sur chacun des trois photopléthysmogrammes peut être essentiellement synchronisé. Cela signifie que, dans l'exemple ci-dessus, si l'artefact de mouvement produit un pic intense à 94,155 s sur le signal PPG (ce point est à 1, 2 et 3 ips avant le pic du rouge à 94,190 s, le vert à 94,221 s et le bleu à 94,256 s, respectivement), chaque pic des trois couleurs de lumière serait détecté non pas à chaque pic réel (le rouge 94,190 s, le vert 94,221 s et le bleu 94,256 s, respectivement), mais au moment de ce pic intense (à 94,155 s ). C'est-à-dire que les intervalles de décalage de crête du rouge, du vert et du bleu sont respectivement de 1, 2 et 3 ips et ne sont donc pas constants entre les trois couleurs. De cette façon, les FC dérivées de chaque photopléthysmogramme de couleur claire sont influencées de manière différentielle par un artefact de mouvement près des points de pic réels. De tels phénomènes se sont effectivement produits à 101,195 s sur les figures 3 et 4, et les pics des trois photopléthysmogrammes de couleur claire sont synchronisés ici.

Le troisième et dernier problème est que le fait que de tels décalages de pic se produisent réellement ou non dépend de la tolérance de chaque PPG de couleur de lumière aux artefacts de mouvement. À cet égard, il semble raisonnable de conclure que la précision HR dérivée de la lumière rouge PPG est inférieure à celle de la lumière verte PPG. C'est parce que le rapport S/B de PPG est plus faible en lumière rouge qu'en lumière verte pendant les deux HMA et VMA, donc le décalage de pic se produirait plus en lumière rouge PPG qu'en lumière verte PPG. D'un autre côté, cette vue ne peut pas offrir une explication raisonnable pour la différence que nous avons trouvée entre les données PPG de lumière verte et bleue, car le rapport S/B de PPG utilisant ces deux couleurs était comparable. Cependant, le bord d'attaque apparemment émoussé observé avec la lumière bleue PPG provoque peut-être une aggravation de la tolérance aux artefacts de mouvement, en particulier autour des pics. En fait, une telle tendance est clairement observée sur la figure 3 sous la forme d'un double pic uniquement dans la couleur de la lumière bleue PPG autour de 110 et 114, s. Bien que bon nombre de ces pics doubles soient considérés comme des valeurs aberrantes par l'algorithme d'analyse automatique dans iPhysioMeter, comme le montre la figure 3, il est difficile d'éliminer tous ces points et il est donc possible que certaines erreurs se produisent. Puisque c'est le cas, les HR calculées à partir de chaque couleur de lumière sont influencées différemment par les artefacts de mouvement, et donc leurs précisions sont différentes les unes des autres.

Le rapport S/B était plus élevé dans les PPG de lumière bleue et verte que dans les PPG de lumière rouge pendant les deux HMA et VMA. Cette tendance est cohérente avec notre étude préliminaire menée à l'aide d'appareils de laboratoire où 470 (bleu), 530 (vert) et 645 (rouge) LED de longueur d'onde nm comme sources lumineuses et la photo-diode (PD) comme photocapteur [22] . Considérant que les rapports S/B obtenus avec les trois couleurs étaient comparables au cours de la BL et étaient dérivés simultanément au même emplacement anatomique, un tel modèle résulte très probablement de la relation entre leur profondeur de sondage et l'origine anatomique de l'artefact de mouvement [25] . Selon Maeda et al. [25], Giltvedt et al. [24], Lindberg et Oberg [33] et Ugnell et Oberg [34], le PPG vert sonde très probablement les artérioles ascendantes et/ou les artérioles du plexus superficiel situées dans la région supérieure du derme réticulaire. Il est connu que la lumière de longueurs d'onde plus longues pénètre plus profondément dans le tissu biologique que la lumière de longueurs d'onde plus courtes, et que la profondeur de pénétration de la lumière verte se rapproche plus de celle du bleu que de celle du rouge [23], [24]. Par conséquent, la lumière bleue PPG est susceptible de sonder les artérioles superficielles du plexus dans la partie supérieure du derme réticulaire, tandis que la lumière rouge PPG sonde probablement les artérioles profondes du plexus situées dans la partie inférieure du derme réticulaire ou des petites artères. sous-cute. Cependant, malgré ces différences dans la mesure dans laquelle les artérioles sont sondées, les PPG à lumière bleue et verte sondent les artérioles intégrées dans la même structure anatomique, la partie supérieure du derme réticulaire, et en tant que telles, montrent probablement une réponse similaire au mouvement. Cette interprétation semble fournir une explication probable pour laquelle les PPG à lumière bleue et verte présentent une résistance comparable aux artefacts de mouvement. D'autre part, les artérioles profondes ou les artères sondées par la lumière rouge sont mesurées via le derme qui a un module d'Young inférieur, et en tant que tel est sans surprise facile à déplacer ou à comprimer. Ainsi, il semble raisonnable que la lumière rouge PPG montre une résistance inférieure aux artefacts de mouvement par rapport à la lumière bleue et verte PPG. Cela suggère que les résultats des appareils dédiés peuvent éventuellement être étendus à la mesure du PPG sur smartphone, quelles que soient leurs différences significatives de configuration et de type de source lumineuse et de détecteur, et la manière précise dont ils sont interfacés au doigt.

Une mise en garde supplémentaire est nécessaire en ce qui concerne la description générale de la lumière utilisée dans PPG comme étant "rouge", "bleu" ou "vert". Lorsque des sources lumineuses et des détecteurs dédiés ont été utilisés, y compris des lasers ou des LED, la longueur d'onde a été spécifiée avec une certaine précision. Par exemple, en étudiant la discrimination de profondeur dans la mesure du débit sanguin cutané au laser Doppler [35], la lumière verte et rouge des lasers hélium-néon avait des longueurs d'onde de 543 nm et 632,8 nm respectivement, tandis que la lumière proche infrarouge d'une diode laser aurait une longueur d'onde de 780 nm. Dans le cas du smartphone, cependant, un capteur d'image CMOS est utilisé et ces appareils ont des caractéristiques spectrales relativement larges. Par exemple, les appareils typiques peuvent avoir des valeurs demi-maximum pleine largeur de 150 nm ou plus, et il peut donc y avoir un chevauchement important dans les bandes rouge, verte et bleue. Cela complique considérablement l'interprétation des effets possibles de la profondeur de pénétration dépendant de la longueur d'onde, ainsi que la comparaison entre les résultats des études publiées.

Correction du biais dans le feu vert PPG était ipso facto le zéro et les coefficients de corrélation étaient proches de 0,8 dans cette étude. Ces résultats sont quelque peu différents de l'étude précédente menée par Matsumura et Yamakoshi [15], qui a montré un biais fixe relativement important dans lnNPV (0,87 auie lnNPV de la lumière verte du smartphone PPG était plus petit que celui de la lumière proche infrarouge de référence PPG), bien que dans les limites de l'accord, et des coefficients de corrélation relativement faibles (r = 0,432) par rapport à la présente étude. Ces différences sont vraisemblablement dues à la manière de tenir le smartphone. C'est-à-dire que dans l'étude de Matsumura et Yamakoshi [15], les participants tenaient le smartphone relativement lâchement alors que dans la présente étude, ils le tenaient plus fermement de sorte que le contact doigt-smartphone était constant. Cette modification a été faite simplement en tenant compte de la nature de la présente expérience, c'est-à-dire en ajoutant un artefact de mouvement. Cependant, en conséquence de cela, il est possible que la pression de contact doigt-iPhone ait augmenté, ce qui pourrait à son tour provoquer une diminution locale de la pression artériolaire. A l'appui de ce point de vue, on observe que l'onde de pouls disparaît en fait lorsque le doigt est appuyé très fermement contre le capteur d'image du smartphone. Dans l'ensemble, il est donc probable que la VPN dérivée de la lumière verte PPG ait augmenté au niveau de celle de la lumière proche infrarouge, car la lnNPV est connue pour augmenter en fonction de la diminution de la pression artérielle locale [36]. Ainsi, pour obtenir des performances réussies de l'iPhysioMeter, le contact doigt-iPhone doit être maintenu relativement constant pendant le fonctionnement, avec une fermeté dans la mesure où il n'obstrue pas complètement l'artère. L'effet net devrait être que les coefficients de corrélation sont augmentés via la diminution de la fluctuation de la pression de contact doigt-iPhone qui est considérée comme une erreur aléatoire de mesure [15].

Nos résultats ont révélé la supériorité du PPG de lumière verte sur les PPG de lumière rouge et bleue. Cependant, il a été rapporté qu'une valeur supplémentaire peut être obtenue à partir de PPG de lumière rouge et bleue à l'aide du smartphone dans les estimations de la SpO sanguine.2 peut être dérivé des données lnNPV rouge et bleu [14]. Nos résultats ont également montré que les rapports S/B des trois PPG de couleur de lumière étaient comparables pendant la BL, c'est-à-dire qu'ils étaient tous d'environ 30 dB, de sorte que la mesure dans une telle condition de BL au repos serait acceptable avec l'une des trois couleurs de lumière. Cependant, dans le cas de mesures effectuées au cours de la vie quotidienne normale, l'accélération doit également être mesurée dans la mesure du possible dans la mesure où un mouvement imprévisible peut se produire. En fait, les smartphones récents sont généralement équipés d'un capteur d'accélération et de la puissance de calcul pour calculer le rapport S/B.

Limites de l'étude, questions ouvertes et travaux futurs

Il y a quelques limites dans cette étude. Premièrement, la population des participants était limitée en termes de tranche d'âge, de teint de peau et la taille de l'échantillon était relativement petite. L'âge pourrait être important car il est bien connu que la peau devient plus rigide et moins souple avec l'âge [37]. Néanmoins, dans certaines études d'artefacts de mouvement PPG précédemment publiées, les populations de participants étaient exclusivement limitées aux jeunes hommes [21], [22], [25]. De plus, les différences de teinte de peau ainsi que de longueur d'onde pourraient également affecter la profondeur de pénétration des tissus, elle peut être plus faible chez les individus pigmentés [23]. Ainsi, la généralisabilité des résultats de la présente étude pourrait être intéressante. Deuxièmement, l'artefact de mouvement utilisé dans cette étude était strictement contrôlé et limité à une orientation spatiale et à une fréquence plutôt limitées. Contrairement à l'approche utilisée dans la présente étude, des expériences ajoutant du bruit blanc ayant un spectre de puissance plat pourraient être utiles. En effet, dans les situations ambulatoires réelles telles que pendant l'exercice et la course, il existe de nombreux autres types d'artefacts de mouvement en termes d'orientation et de fréquence. Troisièmement, étant donné que HR et NPV étaient les mesures cibles dans cette étude, chaque période expérimentale a été fixée à 20 secondes afin de donner suffisamment de temps pour les calculer. Cependant, des périodes d'enregistrement aussi courtes rendent impossibles les calculs standard de variabilité de la fréquence cardiaque, des périodes plus longues pour permettre le calcul de ces mesures seraient donc préférables dans les études futures. Quatrièmement, nous n'avons utilisé qu'un seul modèle de smartphone, à savoir l'iPhone 4s, dans la présente étude. Ainsi, la réplication d'études à l'aide d'autres smartphones pourrait être utile. Dans l'ensemble, d'autres études portant sur ces points sont nécessaires.


Test standardisé

Les fabricants d'appareils portables sont clairement conscients du problème et des efforts sont déployés pour y remédier. Cependant, il existe un autre moyen de comprendre quels capteurs fournissent les résultats les plus précis, potentiellement avant même que l'appareil ne soit publié. Cela passerait par des tests spécialisés.

Des tests pour la technologie médicale sont déjà en place. Aux États-Unis, la Food and Drug Administration (FDA) teste et approuve les appareils médicaux, mais pas les appareils grand public comme les montres intelligentes, sauf s'ils sont destinés à des fins médicales. En mai 2020, l'Union européenne a introduit des règlements sur les dispositifs médicaux, qui incluent des tests de capteur de fréquence cardiaque PPG pour aider à établir la cohérence et la précision des appareils dotés d'un capteur de fréquence cardiaque PPG. Aujourd'hui, un consortium d'universités, avec Huawei Technologies Finland, sous le nom d'Interlive Network, a proposé une série de protocoles de test standardisés pour la surveillance de la fréquence cardiaque et le comptage de pas sur les appareils portables grand public.

Le protocole tiendrait compte de l'âge, du sexe, de la taille, du poids, de la masse corporelle et du teint de la peau, la proposition indiquant que "le teint de la peau semble affecter la précision des lectures de fréquence cardiaque basées sur le PPG et devrait également être pris en compte lors des tests de validité". Les tests examineraient également le type d'activité, la pression de contact et même la lumière et la température ambiantes pour établir la précision.

Obtenir des capteurs de fréquence cardiaque pour fournir un résultat précis, tout le temps, sur différents types de peau est un problème complexe qui implique non seulement le capteur lui-même, mais aussi où il se trouve sur votre corps et comment il entre en contact avec lui. Les premières recherches semblent avoir encouragé diverses entreprises fabriquant ces appareils à prendre le problème au sérieux et pourraient également pousser l'industrie elle-même à adopter de nouvelles méthodes pour nous aider à mieux reconnaître les meilleurs capteurs avant d'en mettre un à notre poignet.


  1. Comment l'activité cardiaque est-elle mesurée?
    Les capteurs ECG utilisent directement les signaux électriques produits par l'activité cardiaque. Le PPG utilise des signaux électriques dérivés de la lumière réfléchie en raison des modifications du flux sanguin pendant l'activité cardiaque.
  2. Lequel est le plus précis ?
    L' ECG est un signal standard de référence utilisé pour surveiller la santé et le bien - être cardio par les prestataires de soins de santé . D'autre part, les capteurs PPG utilisent généralement les signaux ECG comme référence pour la comparaison statique de la FC (fréquence cardiaque).
  3. La fréquence cardiaque (FC) peut-elle être mesurée ?
    Avec l'ECG, la FC peut être mesurée avec précision. La FC peut être mesurée avec PPG, mais elle ne convient que pour les mesures de moyenne ou de moyenne mobile.
  4. La variabilité de la fréquence cardiaque (VFC) peut-elle être mesurée ?
    La VFC peut être dérivée de manière fiable des données ECG car les intervalles R-Peak peuvent être extraits avec une précision de la milliseconde, de sorte que des données VRC significatives peuvent être obtenues avec des mesures de courte durée. Avec les capteurs PPG, la précision de l'intervalle de crête est limitée par le taux d'échantillonnage utilisable en raison de la consommation d'énergie élevée des LED. Avec PPG, la variation de la fréquence du pouls est en corrélation avec la VRC pour des périodes de mesure plus longues (> 5 minutes), mais pas pour une mesure de courte durée.
  5. Combien de temps faut-il pour faire une lecture ?
    Les capteurs ECG ne nécessitent pas de longs temps de stabilisation, de sorte que des lectures significatives peuvent être obtenues très peu de temps après le démarrage. Les capteurs PPG nécessitent un temps de stabilisation relativement long en raison de la nécessité de mesurer la quantité de lumière ambiante et de calculer la compensation nécessaire pour annuler son effet. Les capteurs PPG peuvent également nécessiter une compensation des artefacts de mouvement pour produire une lecture.
  6. Lequel a la plus faible consommation électrique ?
    Le capteur ECG BMD101 de NeuroSky présente une consommation d'énergie extrêmement faible, fonctionnant à 2,5 mW. La plupart des capteurs PPG nécessitent environ 30 mW de puissance de fonctionnement.
  7. Lequel a le plus petit encombrement ?
    L'ECG BMD101 est le plus petit capteur ECG au monde avec seulement 3 mm x 3 mm, aucun composant supplémentaire n'est requis. Les capteurs PPG présentent une empreinte PCB relativement importante, généralement de 6 mm x 6 mm, ainsi qu'une zone PCB supplémentaire pour une unité de microcontrôleur (MCU), la gestion de la batterie, le cristal et les circuits LED.
  8. Un équipement externe est-il nécessaire pour produire une lecture ?
    Le capteur ECG BMD101 dispose d'une mesure de fréquence cardiaque sur puce, aucun équipement externe n'est donc requis. En revanche, le capteur PPG nécessite une unité de microcontrôleur externe pour le calcul HR.
  9. Est-il facile d'intégrer un appareil ?
    Le capteur ECG BMD101 est doté d'un SDK (Android/iOS) pour un développement et une intégration faciles des applications. Les capteurs PPG nécessitent le développement et l'intégration du micrologiciel MCU en plus du développement et de l'intégration de l'application de la plate-forme hôte

SOMMAIRE

Lorsqu'il s'agit de considérations clés telles que la taille, la consommation d'énergie, la précision, la facilité d'intégration et la richesse des données, les biocapteurs ECG présentent un net avantage par rapport à leurs homologues PPG pour la surveillance de la fréquence cardiaque.

Les biocapteurs ECG sont capables de fournir la plus large gamme de mesures de santé cardiaque, car ils sont capables de capturer des signaux plus complets de la performance cardiaque globale, y compris la fréquence cardiaque (FC) et la variabilité de la fréquence cardiaque (VFC).

En revanche, les capteurs PPG ne sont capables que de mesurer la fréquence cardiaque, et de manière moins fiable qu'avec les biocapteurs ECG. Les principaux défis de la technologie PPG sont d'annuler les effets de la lumière ambiante, de s'adapter à différentes conditions et couleurs de peau et de gérer les artefacts de mouvement physique. De plus, le PPG ne peut être utilisé que sur les parties du corps qui ont une concentration élevée de vaisseaux sanguins (par exemple, il peut être difficile d'obtenir un bon signal PPG du poignet).

Chercheur de Seorang dari Massachusetts Institute of Technology, Ming-zher Poh telah melakukan riset awal menggunakan PPG Sinyal untuk surveillant la fréquence cardiaque. Baca post selanjutnya.


TOUTE ACTIVITÉ,TOUT ENVIRONNEMENT

Évolutif à plusieurs facteurs de forme tels que les écouteurs, les montres intelligentes, les brassards et les appareils de poignet.

Les capteurs PPG de Valencell peuvent être utilisés dans les appareils portables et les appareils auditifs pour pratiquement n'importe qui, n'importe où, faisant n'importe quoi.

PerformTek® PPG sensor technology is the only continuous heart rate sensor technology proven accurate during virtually any exercise and in virtually any environment. Read more about our testing methods here.

We’ve been innovating in optical heart rate sensor technology for over 10 years, before wearables even existed. Our PPG sensor accuracy has been proven by independent scientific validation and by users of Valencell-powered products every day.

Partnering with Sonion, the global leader in micro acoustic and micro mechanical technologies and solutions for hearing instruments and specialty earphones, expands the boundaries for the use of biometric sensors in the ear. In the partnership, Valencell provides the industry’s most advanced biometric sensor modules for hearables and wearables, which Sonion will optimize for size, power consumption and cost for in-ear and on-ear applications.

PPG Sensor Design

Our PPG sensor technology gives wearable devices the ability to continuously and accurately measure weak blood flow signals even during extreme physical activity. Valencell achieves this with a state-of-the-art, ultra-miniaturized PPG sensor module small enough to fit within an audio earbud, smartwatch, hearing aid or other wearable device. The PPG sensor module includes an optical emitter, an optical detector, specialized optomechanics and an accelerometer.

How it Works

HOW VALENCELL IS DIFFERENT

Photoplethysmography (PPG) is not new. It’s been used for decades to measure blood flow changes and translate these changes to pulse rate. However, PPG sensors are extremely sensitive to motion, particularly in a wearable device, and have significant challenges measuring biometrics accurately during daily activities and exercise. Our patented PerformTek® biometric technology has solved many of these problems.

Like the traditional PPG approach, PerformTek® heart rate sensor technology measures weak blood flow signals by shining light at the skin with an optical emitter and sensing the scattered light with a photodetector. The key differences are Valencell’s patented optomechanics and signal extraction methodologies, which employ active signal characterization to actively remove optical signals associated with motion artifacts (such as skin motion and footsteps) and environmental exposure (such as sunlight) from the photodetector.

It’s like active noise cancellation for biometric wearables. The result is a clean signal that contains more accurate information about blood flow. Because blood flow modulates with heart rate and respiration rate, PerformTek-powered algorithms can accurately extract heart rate, RR-interval, respiration rate, and other blood flow parameters even during intense exercise. To gauge user activity level and to generate activity context, the PerformTek earbud sensor module leverages the accelerometer that is built in to the sensor module. The PerformTek signal extraction method applies a proprietary algorithm to the accelerometer signal to measure running, cycling and activity cadence and to estimate speed and distance traveled. Valencell also estimates VO2 and calories burned by processing both the accelerometer signal and blood flow signal.


Results: CMS 50D+ vs Pulse Sensor Amped

Once several synchronized datasets were collected, analysis of the three selected pulmonary parameters was done using established statistical techniques in Python. Note the major features of the time domain plot of the IBI are nearly a match between the two devices used simultaneously on the same subject. Although some variation between the datasets is present, the frequency domain analysis shows great similarity indicating that smoothing over the time interval may help to remove the role of synchronization issues. More sophisticated digital signal processing would likely yield a less noisy IBI. This analysis is meant to show the proof-of-concept idea that an open source system can provide comparable results to a closed system. Without detailed knowledge of the proprietary techniques used in digital signal processing algorithms implemented in the CMS 50D+ base code, only the coarse similarities between the two systems are displayed here.

The time-series plot and frequency domain plot of heart beats per minute (BPM) shows how similar the two system perform for the heart rate (HR) parameter. The performance is near exact match when used simultaneously on a single subject.

Looking of a numerical analysis of the IBI and HR shows that the two systems provide, at least at the coarse level, identical results. This is encouraging that the seen synchronization issues can be removed and the high-resolution data shown above would likely also show nearly identical results for larger datasets rather than the small set used here.


References and Citations

Journal Articles

  • Alian, Aymen A., and Kirk H. Shelley. “Photoplethysmography.” Best Practice & Research Clinical Anaesthesiology 28, non. 4 (December 2014): 395–406. https://doi.org/10.1016/j.bpa.2014.08.006.
  • Allen, John. “Photoplethysmography and Its Application in Clinical Physiological Measurement.” Mesure physiologique 28, non. 3 (March 1, 2007): R1–39. https://doi.org/10.1088/0967-3334/28/3/R01.
  • Fischer, Christoph, Benno Domer, Thomas Wibmer, and Thomas Penzel. “An Algorithm for Real-Time Pulse Waveform Segmentation and Artifact Detection in Photoplethysmograms.” Journal IEEE de l'informatique biomédicale et de la santé 21, non. 2 (March 2017): 372–81. https://doi.org/10.1109/JBHI.2016.2518202.
  • Kamshilin, Alexei A., and Nikita B. Margaryants. “Origin of Photoplethysmographic Waveform at Green Light.” Physics Procedia 86 (2017): 72–80. https://doi.org/10.1016/j.phpro.2017.01.024.
  • Kumar, Mayank, James Suliburk, Ashok Veeraraghavan, and Ashutosh Sabharwal. “PulseCam: High-Resolution Blood Perfusion Imaging Using a Camera and a Pulse Oximeter.” Dans 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 3904–9. Orlando, FL, USA: IEEE, 2016. https://doi.org/10.1109/EMBC.2016.7591581.
  • Kumar, Mayank, Ashok Veeraraghavan, and Ashutosh Sabharwal. “DistancePPG: Robust Non-Contact Vital Signs Monitoring Using a Camera.” Biomedical Optics Express 6, non. 5 (May 1, 2015): 1565. https://doi.org/10.1364/BOE.6.001565.
  • Pai, Amruta, Ashok Veeraraghavan, and Ashutosh Sabharwal. “CameraHRV: Robust Measurement of Heart Rate Variability Using a Camera.” Dans Optical Diagnostics and Sensing XVIII: Toward Point-of-Care Diagnostics, edited by Gerard L. Coté, 27. San Francisco, United States: SPIE, 2018. https://doi.org/10.1117/12.2289205.

Websites & Blogs

  • Luke Campagnola, “PyQtGraph Documentation”, (July 2019), http://www.pyqtgraph.org/documentation/index.html
  • Joel Murphy & Yury Gitman, “Getting Advanced”, (July 2018), https://pulsesensor.com/pages/getting-advanced
  • Jimmy Newland, “DIY PPG”, (July 2019), https://www.jimmynewland.com/wp/about-jimmy/presentations/comparing-ppg-signals-open-vs-closed/
  • OpenCV Documentation, “OpenCV-Python Tutorials”, (July 2019), https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_tutorials.html
  • PythonProgramming.net, “OpenCV Tutorial”, (June 2019), https://pythonprogramming.net/loading-images-python-opencv-tutorial/
  • Paul van Gent, “Analyzing a Discrete Heart Rate Signal Using Python”, (March 2016), http://www.paulvangent.com/2016/03/15/analyzing-a-discrete-heart-rate-signal-using-python-part-1/
  • Gaël Varoquaux, Adrien Chauve, Andre Espaze, Emmanuelle Gouillart, Ralf Gommers, “SciPy FFT Lecture Notes”, (July 2019), https://scipy-lectures.org/intro/scipy/auto_examples/plot_fftpack.html

Code Repositories

  • Justin Johnson, “Python Numpy Tutorial”, (June 2019), http://cs231n.github.io/python-numpy-tutorial/
  • Udayan Kumar, “Heart Beat sensor using Raspberry Pi and Pulse Sensor”, (June 2016), GitHub repository, https://github.com/udayankumar/heart-rate-raspberry-pi/
  • Joel Murphy & Yury Gitman, “Pulse Sensor Projects Repository”, (July 2018), GitHub repository, https://github.com/WorldFamousElectronics
  • Jimmy Newland, “PATHS-UP RET 2018”, (July 2019), https://github.com/PATHS-UP-RET/paths-up-expeditions-in-computing-ret201
  • Alex Riss, “Read heart rate data (using the pulse sensor) and compute heart rate variability parameters.”, (March 2015), GitHub repository, https://github.com/alexriss/heartex
  • Utilisateur tobac, “Python client for Contec CMS50EW pulse oximeter”, (April, 2017), GitHub repository, https://github.com/tobac/cms50ew
  • François-Xavier Thomas, “PyQtGraph Examples”, (June 2019), https://github.com/fxthomas/pg-examples/blob/master/linked_rois.py
  • Paul van Gent, “Python Heart Rate Analysis Toolkit”, (July 2018), GitHub repository, https://github.com/paulvangentcom/heartrate_analysis_pytho


Voir la vidéo: Photoplethysmogram - Pulse Meter (Mai 2022).


Commentaires:

  1. Morris

    Doublement, il est compris comme ça

  2. Gillecriosd

    La phrase est supprimée

  3. Trumen

    Excellente idée, je suis d'accord.



Écrire un message