文摘
移动的心电图监测是一个新兴领域,近年来受到越来越多的关注,但仍现实验证对老年人居住在低收入和中等收入国家稀缺。我们开发了一个可穿戴的心电图监测,结合自行设计的无线传感器采集心电信号。它是使用一个本地故意设计的智能手机应用程序,基于机器学习技术,从老年人对捕获的心电图自动分类的节拍。测试100老年人时,监测系统识别正常和异常心电图信号具有高精确度(97%)、敏感性(100%)和特异性(96.6%)。进一步验证,该系统可以用于检测心脏异常的家庭环境,为预防、早期诊断和有效治疗心血管疾病,同时保持降低成本和增加访问为老年人医疗保健服务。
1。介绍
心血管疾病(CVD)一直是全球死亡的主要原因在过去15年。2015年估计有1770万人死于心血管疾病,占全球死亡率的31%。在这些死亡中,约690万人在60岁以上,和75%以上发生在低收入和中等收入国家(LMIC) [1,2]。LMIC比高收入国家(极大地影响3- - - - - -5),很大程度上是因为人们社会经济地位较低的卫生条件恶劣对心血管疾病的早期诊断和治疗5]。越来越紧迫解决心血管疾病存在于LMIC通过有效的策略,引导和监控的鲁棒估计患病率和负担6]。因此,技术创新,包括移动和无线技术,现在正在开发改善心血管疾病的预防和控制,和其他方面的医疗保健,尤其是对于老年人居住在LMIC [7- - - - - -9]。
日益增长的智能手机技术的应用,降低成本和提高易用性,结合并行传感技术的进步,导致从传统的诊断医疗实时监控。这种转变是由移动个人健康监测的发展(榜单)系统,个性化,聪明、可靠和非侵入性(10,11]。物理加工系统可以改善医疗服务的质量,同时降低成本通过及时发现12- - - - - -14]。
移动物理加工系统通常由一组身体区域网络的可穿戴传感器和无线数据传输和能量储存capability-integrated通过智能手机作为中央处理单元(图1)。生理信号实时处理应用机器学习技术,为用户提供即时反馈。数据也可以为医疗卫生保健提供者提供反馈和临床支持(15- - - - - -17]。
物理加工系统提供移动的心电图监测近年来受到越来越多的关注(18- - - - - -20.]。心电图记录用于筛查、诊断和监测的几个心脏疾病从轻微到危及生命。因此,心电图监测是一个重要的和必不可少的一部分老年人保健交付(17]。因此,物理加工系统,结合心电图数据将提供移动生理、诊断、预后、治疗,监测,和档案功能(18,19)在广泛的情况下,包括农村地区,地区缺乏心脏病专家,和孤独的老年人口,其中许多人独自生活在自己的家里和身体被限制21]。
然而,尽管许多榜单收集ECG数据的系统被开发出来,其中一些不包括分类方法自动检测心律失常或其他异常。在验证当中,Kwon等人提出了一个伺机smartphone-integrated心电图监测系统工作在自然智能手机使用[22]。系统捕获心电图在目标情况下可靠地与一个合理的数据率下降。Depari等人开发了一个单一铅心电图跟踪采集系统基于智能手机,故意设计应用程序音频信号并提取解调,情节,和存储心电图跟踪(23]。Dinh设计了一个可穿戴的单元检测和发送心电图信号无线智能手机(24]。玉等人开发了一种无线两家牵头心电图传感器通过蓝牙传输数据和处理并显示心电波形在智能手机上,所有长期监测的低功耗(25]。
其他物理加工系统使用商业显示器或不提供一个内在ECG信号进行分类的方法。李等人设计了一种无线系统采集和分类的心电节拍与智能手机集成。异常的跳动和其他症状的心脏病专家诊断结果显示在屏幕上。击败分类精度为97.25% (26]。苗族等人开发了一个可穿戴的心电图监测系统使用智能手机,通过决策树与异常模式的自动识别在WEKA环境(27]。系统实现了2.6%的歧视能力(28]。Oresko分享服务等人开发了一个应用程序实时心血管疾病检测、使用商业心电图心脏监测和自适应人工神经网络(NN)信号预处理算法和分类29日]。系统被训练使用MIT-BIH心律失常数据库(30.)和重新训练基于真实心电图记录,最终展示分类精度为93.32%。上述研究[22- - - - - -26,28,29日)报道,考虑在软件设计来解决终端用户可用性和接受老年人移动物理加工系统。
改善之前的系统,它将需要提高捕获以及心电信号的自动分类。我们开发了一个完整的移动物理加工系统,结合心电图信号采集的自行设计无线传感器,和本地故意设计的智能手机应用程序是用户友好的老年人,基于机器学习技术,捕获的心电节拍的自动分类。信号传感和转移过程使用一个两家牵头心电图传感器与蓝牙技术和人工神经网络方法识别心电图异常模式。
本文的其余部分组织如下。该榜单的方法论系统详细介绍了部分2;实验结果对心电图信号采集、无线传输、识别精度的评估部分所示3;我们总结我们的研究部分4和5,讨论的局限性,并为进一步的研究视角。
2。材料和方法
在这个报告中描述的物理加工系统在五个阶段:传感、传输、分类、即时反馈和临床支持(图2)。捕获的心电图轮廓并显示在智能手机屏幕上的实时传输。心律失常的存在与否,决定使用机器学习分析,包括与卫生保健专业人士通过电子邮件共享验证的心电图异常模式。
2.1。心电图传感器
传感器设计包括采集、放大、过滤、数字化,使检测到的心电信号传输。三个相同大小的电极和低频放大器用于捕获信号的耦合阻抗。信号通过低通和高通滤波器过滤来提高信号/噪声比。处理过的信号数字化,通过一个模拟-数字转换器和蓝牙模块嵌入到一个微控制器单元。9 v主要与1200 mAh锂电池容量心电图传感器。
获得可靠的心电图信号,两个电极连接到胸部的心窝的领导V1和V2定位在第四肋间隙胸骨左和右,分别,因为不正确的定位的心窝的心电图电极变化显著(31日),和一个参考电极放置远离这些在右腿(图3)。参考电极的角色推动用户的身体来减弱外部电磁干扰引起的共模噪声(32]。模拟输入信号从两个铅电极最初通过微分仪表放大器AD620[放大33]。下一个放大级之前,我们使用TL082运算放大器耦合阻抗,配置为一个电压跟随器(34]。
当前配置使用一个仪器放大器,基于一个封装四个LM324运算放大器(35),与一个noninverter放大器放大信号,然后过滤,加电压(图4)。一个低功率OP97E运算放大器(36关闭电路,保护用户免受静电荷,抑制电压瞬变。两个LM324运算放大器作为巴特沃斯滤波器,来生成一个适当的低噪声信号,适合模拟-数字转换器的输入范围内(37]。低通有源滤波器角落40赫兹的频率和二阶高通滤波器截止频率为0.5赫兹删除不必要的ECG信号的频率成分。因为获得的信号包括积极的和消极的部分,有必要添加一个积极的载波信号。重组信号,我们操作LM324放大器用作noninverter蛇的两个输入,美联储通过心电图信号和一个变量0 - 9伏的电源。这增加或减少载波信号,是适当的。添加一对相等的电阻,一个模拟信号的输入,另一个从逆变器输入运算放大器的电路。因此,输出信号具有相同的频率,但只有积极的电压值,并可以由任何单片机读取。
的混合微阅读贝尔实验室(38],它结合了Atmega32U4单片机与蓝牙低能量(bie)模块单元(39,40),用于单片机处理的信号。通用访问配置文件(GAP)控制连接和广告BLE标准决定了两个设备相互作用通过分配角色。心电图传感器和智能手机被定义为外围和中心设备,分别。差距发送广告作为广告数据有效载荷,可以包含多达31个字节的数据,并不断地从传感器传送到智能手机。建立一个专门的连接后,广告过程停止,,使用通用的属性配置文件(关贸总协定)服务和特点在两个方向上进行通信。这个连接是独家,因为祝福外围只能连接到一个中心设备。
沟通是建立一个通用数据协议,协议属性,用于存储服务,特点,在一个简单的查找表和相关数据。关贸总协定交易BLE操作服务器/客户关系。关贸总协定服务器的外围属性协议,和关贸总协定客户机(智能手机)向服务器发送请求。所有事务由主设备,智能手机,从奴隶设备接收响应,心电图传感器。一个简单的通用异步接收发送器类型接口(41)定义了一个包含两个具体特点的自定义服务渠道的ECG信号的发射和接受。
2.2。神经网络方法
我们使用一个三层前馈神经网络方法,建立了通过Matlab神经网络工具箱(42),获得心电图轮廓的自动分类。一个按比例缩小的共轭梯度反向传播算法和随机权重/偏见初始化用于训练阶段。转移函数反曲的夸张,对数切向和世袭的。神经网络系统的性能测试与叉使用均方误差函数误差参数,计算实际输出与输出之间的差异得到每个训练步骤。培训结束后如果平方误差的总和是< 0.01或3000时代被达到。正常和异常心电图模式的目标输出(0,1)和(1,0),分别。
2.3。数据处理
心电图数据训练得到的公开来源、报道的Bundesanstalt诊断心电图数据库(43]。这个基准测试数据库包含549两分钟的数字化心电图记录290例(平均年龄57.2 y;27.9%的女性)提供的德国的国家计量院。心电图数据包括15同时测量信号:传统的12领先,+ 3弗兰克ECG。每个信号数字化以每秒1000个样本,与16位分辨率在一系列±16 mV和1千赫采样频率。
我们选择268例临床总结的数据可用。其中包括各种诊断类:52健康对照组,心肌梗死,148和68与其他心脏畸形。心电节拍被分类在正常和不正常的心跳模式从心电图记录报告为规则和不规则的心脏节律。铅V1被选为分析,因为它有最高比率的心房心室信号振幅,因此,提供了更多的代表特征识别常见的心脏疾病(44,45]。为了避免过度拟合,提高神经网络的泛化能力的方法,我们添加了与人工模拟心电图数据腐败,使用高斯白噪音模型(46),生成110正常和72虚拟心电图异常的轮廓。全球训练数据集包含450条记录,8000次心电图特征提取的模式。
经过训练的神经网络系统测试的参与者马拉开波老化研究[47),2500例≥55 y的年龄。一百年自愿受试者(平均年龄73.5±11.8 y;74%女性)在生物研究所招募的苏利亚大学在马拉开波,委内瑞拉。所有100名受试者之前的心电图诊断由心脏病专家,和13个被诊断出患有某种类型的心律失常。这些心电图记录被归类为异常,其余正常心电图模式。招募的参与者有合理的智能手机的技能和自信的关于使用新技术。每个志愿者都指示如何使用智能手机应用程序和接受都不及这16秒的心电图监测使用物理加工系统。心电图收购被医务人员和监督执行。伦理审查委员会心血管疾病研究所的苏利亚大学的批准了这项协议。知情同意是获得每个主题或亲密的家庭成员。
2.4。软件开发
我们用Matlab编译器SDK保存训练神经网络Matlab函数到一个共享库用于外部框架(48]。智能手机应用程序绘制在屏幕上获得心电图跟踪和回归神经网络输出是在一个Android开发工作室开发环境。Android蓝牙串口配置库(49)与心电图可穿戴传感器建立了联系。Android多线程(50)允许维持正常操作的智能手机,而接收实时心电图信号。Android应用程序的用户友好的与减少老年人视觉和手工灵巧,我们使用一个简化的图形用户界面和一个明亮的屏幕,大型文本和数字,和简单的输入按钮,触摸屏技术,所有这些已被证明是有效的老年人(51]。提供准确的诊断和医疗支持,应用程序设置包括ECG信号的选择发送截图和分类结果通过电子邮件之前指定的医疗专业人员。确保隐私,报告转发给选定的接受者缺乏个人识别,已与源相关的电子邮件地址。系统可以配置为自动发送心电图资料每个监测期间或结束时只有在检测到异常心电图模式时。
3所示。结果
3.1。心电信号的采集
物理加工系统的原型图所示5,心电图传感器设备的性能特点给出了表1。心电图的处理跟踪,从放大显示在智能手机的第一阶段,包括(a)放大AD620, (b)通过TL082耦合阻抗,通过LM324 (c)放大,(d)通过低通滤波器滤波,(e)和高通滤波器滤波,和(f)积极的ECG信号的数字化和传输(图6)。分析过程显示在智能手机(图7)。
(一)
(b)
(c)
(d)
(e)
(f)
3.2。心电图分类
当神经网络方法是训练在训练数据集的450条记录,均方误差收敛目标(0.0052)在802年达到了时代。最佳的性能获得了使用10隐层神经元的神经网络系统(图8)。训练阶段的总体分类精度为97.3%。正确分类为92.6%,正常为100%,心电图异常模式。
当训练神经网络方法的性能测试在真正的心电图轮廓从测试数据集,分类精度为97%。结果所示一个混淆矩阵,每个单元格包含相应的心电图记录的数量分类组合的估计和真正的正常和异常心电图模式(表的输出2)。
总测试性能是由评价指标(表3):精度(正确分类ECG信号的数量比ECG信号分类)的总数,灵敏度(正确分类率异常心电图信号在所有异常心电图信号),特异性(正确分类率正常心电图信号在所有正常的心电图信号),和精度(正确分类率异常ECG信号在所有检测到的异常心电图信号)。这些指标相关性能对于医学诊断应用程序(52]。最后,后一项调查表明,大多数参与者发现智能手机应用程序易于使用和考虑花费的时间学习如何使用移动心电监测系统是合理的。
4所示。讨论
最近物理传感器集成和小型化技术进步和提高智能手机的计算能力使移动物理加工系统的开发是一种具有成本效益的战略来支持医疗专注于消费者,透明度,便利,和预防53]。临床研究报道高敏感性和特异性检测心房纤颤(54)和其他心脏畸形使用无线移动心电设备(55- - - - - -58]。能够提供普遍的心脏监视任何人在任何时候,通过自然智能手机和用户之间的相互作用,克服了约束的地方,时间,人物,并提供个性化的信息透明的形式。用户可以配置移动物理加工系统,他们的个人需求和偏好,考虑到年龄、性别和种族。即时反馈提醒用户异常情况或突然接近实时的变化,有可能改善的结果。最后一点,临床医生可以得到自动更新,提供结构化的心血管疾病管理同时最小化临床访问。
另一方面,2014年的消费者调查的结果,由普华永道健康研究所显示,几乎一半的受访者准备有一个心电图设备连接到智能手机,结果无线发送到他们的医生59]。LMIC最新证据表明,移动物理加工系统可以改善生活行为和医疗管理与心血管疾病有关,尤其是老年人和虚弱的用户(60]。
老年人应该移动心电监测系统的主要目标有几个原因。主要,因为年龄在65岁及以上的人口预计在2050年约8370万(61年],在世界范围内流行的慢性疾病密切相关,人口老龄化,老年人和疾病负担的主要贡献者是心血管疾病(6]。然而,移动物理加工系统仍处于新兴阶段相关行为健康和老年人9]。
虽然物理加工系统的研究已经证明了可行性和有效性在各种人群和健康问题,研究一般排除老年人或不报告显著的年龄差异对干预措施的反应(9]。一个可能的解释是刻板印象的持久性,老年人害怕,不愿,不称职的使用现代技术。此外,老年人可能认为自己无法学习使用新技术使这些刻板印象(62年- - - - - -64年]。因此,可用性和接受移动榜单老年人不仅是基于他们的医疗保健需求,而且在他们的技术。因为一般认知能力随年龄增长而下降,最小化智能手机应用程序和用户交互的复杂性可以采用移动物理加工系统的关键应考虑老年人用户和在设计和开发阶段65年]。
在这个意义上,我们开发了一个移动物理加工系统心电图监测和自动分类的心跳模式来识别潜在的老年心律失常。系统结合了嵌入式无线传感器、移动技术和机器学习技术。软件设计包括特定的特点旨在提高可用性和接受老年人。用户界面显示和ECG信号进行分类简化为一个专门的按钮来最小化需要记住的步骤(图的数量7)。此外,用户标识和密码等安全机制省略访问智能手机应用程序。
我们的系统有许多优点超过以前开发的移动物理加工系统监测心电图信号,不报告软件设计概念以解决老年人用户可接受性和验收问题[22- - - - - -26,28,29日),不包括自动分类(22- - - - - -25),经营与商业传感器(29日),或没有提供内部心律失常分类方法(26,28]。原型检测正常与异常心电图模式的一群老年人居住在LMIC高精确度(97%)、敏感性(100%)和特异性(96.6%)。因此,我们的移动心电图监测方法可以用于检测心脏异常的家庭环境,为预防、早期诊断和有效治疗心血管疾病,同时保持降低成本和增加访问为老年人医疗保健服务。
然而,所述心电图监测和分类系统有几个潜在的局限性。首先,我们的系统和大多数其他移动心电图监视器记录单通道心电图信号,它提供了比12导心电图设备有限的信息。然而,最近的一项研究发现智能手机心电图12导心电图数据之间的相关性好,之前和之后的抗心律失常的药物治疗(66年]。第二,尽管高整体识别,神经网络分类器的精度仅为81.3%,尽管假阳性信号会被医生评估。第三,系统提供及时发现异常心电图模式进一步诊断医疗专家但不识别特定类型的心脏疾病。最后,系统测试使用一个相对比较小的样本(n = 100)在一个单一的中心和主要包括委内瑞拉的女性;因此,系统性能可能并不适用于其他用户群体特征。因此,进一步的研究是必要的延长使用的移动心电图监测到其他地域多样化的老年人口以及提供更好的表征心脏节律异常。
5。结论
在这个报告中描述的移动心电监护系统提供接近实时的数据,从老年人使检测到的心电信号自动分类。机器学习分类器之间的歧视与高精度正常和异常心脏节律。进一步发展和验证,系统可以提供一个具有成本效益的战略主要潜在的心律失常的诊断和改善预防保健,特别是在孤独的老年人口。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
本研究为赠款资助DSA / 103.5 / 15/11115和PFCE / 1585/17 Secretaria de Educacion Publica墨西哥和资助1 r01ag036469-01a1 R03AG054186国家老龄问题研究所和Fogarty国际中心。