دانلود رایگان ترجمه مقاله روش EEMD-PCA برای استخراج ضربان قلب و فعالیت تنفسی سیگنال PPG – آی تریپل ای 2016

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی مقاله:

چکیده

سیگنال های فوتوپلتیسموگرافی پالس اکسی متر ها(PPG) تغییرات موضعی حجم خون در بافت ها را اندازه گیری کرده و پالس های محیطی تنظیم شده توسط فعالیت های قلب، تاثیرات تنفسی و دیگر پارامتر های فیزیولوژیک را نشان میدهد. ازین رو، PPG را میتوان برای استخراج سیگنال های حیاتی قلبی عروقی تنفسی مانند ضربان قلب(HR)، نرخ تنفس (RR) و فعالیت های تنفسی (RA) استفاده کرد و با این روش میتوانیم تعداد سنسور هایی که به بدن بیمار برای ثبت سیگنال های حیاتی متصل شود را کاهش دهیم. در این مقاله ما میخواهیم یک الگوریتم مبتنی بر تجزیه ی گروهی حالت تجربی با تحلیل اجزای اصلی(EEMD-PCA) را به عنوان روش جدید برای تخمین HR، RR و RA به صورت همزمان از سیگنال PPG، ارائه دهیم. سپس برای بررسی الگوریتم پیشنهاد شده، ما از 45 دوره از سیگنال های PPG، الکتروکاردیوگرام(ECG) و سیگنال های تنفسی استخراج شده از دیتابیس MIMIC استفاده کردیم. سیگنال های ECG و سیگنال های تنفسی مبتنی بر کاپنوگراف ها به عنوان مرجع مقایسه انتخاب شده و پارامتر های مختلف مانند قدر مربع انسجام (MSC)، ضریب های همبستگی (CC)، و خطای مربع میانگین ریشه(EMS) برای مقایسه ی عملکرد الگوریتم EEMD-PCA با بیشتر روش های موجود در مقالات، استفاده شده است. نتایج برررسی ها به صورت کلی نشان داد که EEMD-PCA پیشنهاد شده در تخمین HR،RR و RA نسبت به روش های موجود صحت بیشتری دارد.
1-مقدمه
نظارت بر روی سیگنال های قلبی تنفسی مانند ضربان قلب، نرخ تنفس، میزان اکسیژن در خون و صحت و اعتماد پذیری این اندازه گیری ها بدون این که فعالیت طبیعی بیمار مختلف شود، یکی از حوزه های مورد علاقه ی تحقیقات برای ارزیابی های سلامتی در شرایط مختلف، میباشد. یکی از سیگنال های بسیار مفید در زمینه ی نظارت بر بیماران قلبی تنفسی استفاده از سیگنال های PPG است که با استفاده از پالس اکسی متر ها به دست می آید. اکنون در صورتی که بتوانیم دیگر پارامتر ها مانند ضربان قلب(HR)، نرخ تنفسی(RR) و فعالیت تنفسی (RA) را از این سیگنال به دست بیاوریم، میتوانیم اطلاعات بسیار زیادی را با استفاده از دستگاه های ارزان پالس اکسی متر ها به دست بیاوریم که این موضوع موجب شده توجه محققان به آن جلب شود.
معمولا ثبت فعالیت های تنفسی به صورت مستقیم تنها در بیمارستان مقدور است و روش های اندازه گیری فعالیت های تنفسی به صور مستقیم مثلا با استفاده از روش های امپدانس سنجی و یا کاپنوگراف، به گونه ای هستند که موجب ناراحتی بیمار میشود. به همین دلیل استفاده از سیگنال های PPG برای به دست آوردن سیگنال های تنفسی از PPG توجهات بسیاری را به خودش جلب کرده است.
برای به دست آوردن سیگنال RR از PPG از روش هایی مانند استفاده از فیلتر میان گذر، استفاده از تبدیل موجک و فیلتر های دیجیتال، مدل سازی های خود بازگشتی دو متغیره و تحلیل های زمانی – فرکانسی پیشنهاد شده است. البته تمام این روش ها برای تخمین RR پیشنهاد شده است اما هیچ روشی برای تخمین RA پیشنهاد نشده است.
در این مقاله ما یک روش جدید مبتنی بر تجزیه ی گروهی حالت تجربی همراه با تحلیل بخش اصلی (EEMD-PCA) برای تخمین همزمان پارامتر های HR، RR، و RA از سیگنال های PPG استفاده میکنیم.

بخشی از مقاله انگلیسی:

Abstract

The pulse oximeter’s photoplethysmographic (PPG) signals, measure the local variations of blood volume in tissues, reflecting the peripheral pulse modulated by cardiac activity, respiration and other physiological effects. Therefore, PPG can be used to extract the vital cardiorespiratory signals like heart rate (HR), respiratory rate (RR) and respiratory activity (RA) and this will reduce the number of sensors connected to the patient’s body for recording vital signs. In this paper, we propose an algorithm based on ensemble empirical mode decomposition with principal component analysis (EEMD-PCA) as a novel approach to estimate HR, RR and RA simultaneously from PPG signal. To examine the performance of the proposed algorithm, we used 45 epochs of PPG, electrocardiogram (ECG) and respiratory signal extracted from the MIMIC database (Physionet ATM data bank). The ECG and capnograph based respiratory signal were used as the ground truth and several metrics such as magnitude squared coherence ((MSC), correlation coefficients (?? ) and root mean square (RMS) error were used to compare the performance of EEMD-PCA algorithm with most of the existing methods in the literature. Results of EEMD-PCA based extraction of HR, RR and RA from PPG signal showed that the median RMS error (quartiles) obtained for RR was 0 (0, 0.89) breaths/min, for HR was 0.62 (0.56, 0.66) beats/min and for RA the average value of MSC and ?? was 0.95 and 0.89 respectively. These results illustrated that the proposed EEMD-PCA approach is more accurate in estimating HR, RR and RA than other existing methods.

I. INTRODUCTION

Monitoring of cardiorespiratory signal like heart rate (HR), respiratory rate (RR), respiratory activity (RA), blood oxygen saturation and blood pressure accurately and reliably without disturbing the normal activities of patients is a task of interest for ubiquitous healthcare (u-health). It is also important for patients having long term cardiorespiratory diseases in the intensive care environment. Pulse oximeter based photoplethysmogram (PPG) signal is one of the strongest candidates for promoting the opportunities of ambulatory and tele-monitoring by monitoring the oxygen saturation (SpO2) reliably and noninvasively. Extraction of HR, RR and RA from this simple, low cost and portable device attracts the researcher, which will be helpful not only for monitoring primary health care but also for detecting cardiorespiratory diseases.

Respiratory signal can be monitored via direct (spirometric measurements) and indirect (capnograph, impedance pneumograph, nasal thermistor, abdomen belts, inductive photoplethysmograph, magnetometer and physiological signal derived) measurement techniques [1]. The direct measurement of respiratory signal is operable only at hospital settings and it is highly inconvenient for the patient [2]. Although most of the indirect measurement approaches reduce the patient discomfort for short term monitoring, they mostly suffer from requirement of additional devices, affects patient’s natural breathing and unsuitable for ambulatory monitoring [2]. To overcome these limitations, researchers pay more attention on physiological signal (electrocardiogram (ECG) and photoplethysmographic (PPG) signal) derived respiratory activity monitoring. However, in the case of pervasive and tele-monitoring, PPG signal is more attractive than ECG signal for its simplicity, portability and small number of sensors. PPG derived RR was first suggested by Nakajima et al. [3, 4] in the early 1990s using simple band pass filter. An automated algorithm based on wavelet transform was proposed by Leonard et al. [5, 6]. In addition to digital filtering [3, 4, 7] and wavelet transform [8], time domain methods [9-11], bivariate auto-regressive modeling [12-14] and time-frequency analysis [15, 16] were proposed to extract RR from the PPG signal. Though, all of these methods were proposed for estimating RR, there were none for estimating RA. Madhav et al. [17] first proposed the modified multi scale principal component analysis (MMSPCA) technique for extracting RA from PPG signal. In this paper, we propose a novel approach based on ensemble empirical mode decomposition with principal component analysis (EEMD-PCA) for simultaneous estimation of HR, RR and RA from PPG signal.