PPGFeat: MATLAB工具箱中提取分基准的点
萨阿德·阿卜杜拉
Abdelakram Hafid,
玛丽亚·林登
Annica Kristoffersson- 学院的创新、设计和工程、来自Malardalen大学,瑞典韦斯特罗斯
Photoplethysmography是一种非侵入性技术用于测量生命体征和个人增加疾病风险的识别。其工作原理是基于检测血容量的变化在皮肤的微脉管系统通过光的吸收。photoplethysmography信号的相关特性的提取估计某些生理参数是一项非常具有挑战性的任务,提出了各种特征提取方法在文学。在这项工作中,我们目前的PPGFeat,小说MATLAB工具箱支持原始photoplethysmography波形数据的分析。PPGFeat允许各种预处理技术的应用,如过滤、平滑,去除基线漂移;photoplethysmography衍生品的计算;和实现的算法检测和高亮photoplethysmography置信点。PPGFeat包括一个图形用户界面允许用户执行各种操作photoplethysmography信号和识别,如果还需要调整,基准的点。评估PPGFeat在确定基准分的表现出现在公开PPG-BP数据集,导致整体精度99%和3038/3066置信点被正确识别。PPGFeat显著减少错误的风险识别不准确的基准分。 Thereby, it is providing a valuable new resource for researchers for the analysis of photoplethysmography signals.
1介绍
Photoplethysmography (PPG)检测血容量的变化在皮肤的微脉管系统通过光的吸收。非侵入性技术是用来测量生命体征(艾伦,2007),并在研究中被描述作为一个工具来监控心率、血压和呼吸速率(福岛et al ., 2012;Karlen et al ., 2013;他et al ., 2014年;伊斯兰教et al ., 2017),确定人与疾病的风险(Mahri et al ., 2017;Chakraborty et al ., 2020;查尔顿et al ., 2022 b;李et al ., 2022)。然而,从PPG信号中提取相关特性是一项具有挑战性的任务(Elgendi et al ., 2018;Chakraborty et al ., 2019;Ab哈米德Nayan, 2020)。
PPG波形被广泛研究了很长一段时间。提出了各种特征提取方法在文献中(Elgendi et al ., 2018;Chakraborty et al ., 2019;Ab哈米德Nayan, 2020)。分包含在几个可穿戴设备由于其非复杂的设置和有用性的收集许多不同的和有价值的生理参数(Almarshad et al ., 2022)。尽管这一事实,不存在约定或标准化预处理框架允许使用PPG信号的可穿戴应用程序没有限制(Prieto-Avalos et al ., 2022)。从PPG信号采集的站点选择可以从PPG信号中提取特征,研究人员使用的各种组合传感器接口、数据记录、分割、过滤、平滑技术(陈et al ., 2019)。
有几种方法提取分特性来估计不同的生理参数和生命体征(哈立德et al ., 2018;陈et al ., 2019;Priyadarshini et al ., 2021)。一种方法是使用时间,和/或频域分析(高田et al ., 1996;门敏et al ., 2010;吉尔et al ., 2010)。Jaafar et al。(Jaafar Rozali, 2018;Jaafar涌西安,2021年)只用PPG信号的时域估计心率和呼吸率参数。在另一项研究中,如田口方法(频域方法铃木和Ryu, 2014年)除了用于时域分析,以识别功能相关估计收缩压(铃木和Ryu, 2014年)。
进行时域分析,速度photoplethysmography (VPG)、加速度photoplethysmography (APG)和混蛋photoplethysmography (JPG)。VPG、APG和JPG对应于第一、第二和第三分导数,分别。
除了上述的特征提取方法,机器学习技术的应用程序显示准确和有前景的结果,因此似乎是一个有效的方法从PPG信号中提取相关特性(El-Hajj Kyriacou, 2020)。先进的信号处理技术也被用于提取相关特征估计的血压等生命体征。这种方法的一个例子是经验模态分解(EMD)方法(Vadrevu Manikandan, 2017),它被用来PPG信号分解成一组固有模式函数(货币)。使用离散小波变换(DWT)也被提出时,取得了可接受的结果用于分析PPG信号(Paradkar Chowdhury, 2015;里卡多铁et al ., 2015;却普拉达和Serna Maldonado, 2018年)。
Elgendi et al。(Elgendi et al ., 2018)试图标准化的术语分,VPG和APG置信点。然而,目前缺乏一个被广泛接受的标准的自动检测分置信点及其衍生物。表1提供了一个通用的描述主要基准点分,VPG APG。
表1。PPG信号的特征点及其衍生品。
PPG波形(图1一个)由四个主要的参考点:发病(O)、收缩期峰值(S)的重搏切迹(N),舒张期峰值(D)。这些点代表心动周期的特定阶段,如脉冲在收缩阶段的开始(发作)和最大峰值在收缩期喷射(收缩期峰值)。重搏切迹(N)标志着从收缩舒张,而舒张期峰值(D)代表了最低压力在动脉系统。作为个人年龄、重搏切迹和舒张期峰值可能变得不那么明显的分波形(Mejia-Mejia et al ., 2022),APG波形的e和f点对应于N和D。
图1。说明基准分,蓝线的地方(一)代表了PPG波形,(B)代表VPG中波形,(C)代表了APG波形(阿卜杜拉et al ., 2023)。
VPG中波形(图1 b)代表的速度幅值会随着时间而改变。它有两个著名的山峰在收缩阶段(w和y)和一个峰值在舒张期阶段(z)。这些峰值对应点的最大和最小斜率收缩期和舒张期阶段,分别。此外,有一个局部最小值(x)的收缩阶段对应于PPG的收缩期峰值。APG波形(图1 c)提供额外的信息,包括四个著名的山峰在收缩阶段(a, b, c, d)和两个在舒张期阶段(e和f)。这些峰值对应点的最大加速度波形在收缩期和舒张期阶段,分别提供额外信息的动态血流在心动周期的这些阶段(查尔顿et al ., 2018)。Suboh et al。(Suboh et al ., 2022)报道了第三和第四的使用衍生品的PPG波形检测基准分患者缺血性心脏病。然而,Suboh等人没有发现c和d点的波形进行了分析,从而他们的特性表是不完整的。
相比之下,阿卜杜拉et al。(阿卜杜拉et al ., 2023)提出了一种精确的方法分类并找到APG的c和d点。这是重大进展,因为APG置信点的统计分析可以提供洞察动脉硬化,老化和原发性高血压(高田et al ., 1996;灿烂的et al ., 2008;吉尔et al ., 2010;Mok安,2017;Elgendi et al ., 2019;Sarhaddi et al ., 2022)。
为了便于研究,开源工具箱分开发和评估。这些工具箱PPG-beats的例子,PPGI PPGTempStitch,生理网是心血管信号工具箱和HRV的工具包。
PPG-beats (查尔顿et al ., 2022 a)是一个MATLAB库提供了检测算法从PPG-signals心跳。它还提供了一个框架来评估分心跳探测器的性能在八公开数据集包含分和心电图(ECG)数据。这是进一步在2.1节描述。
PPGI (Pilz et al ., 2019)是一个MATLAB工具箱对PPG成像将面临视频作为输入分和结合了计算机视觉算法来估计心率。
PPGTempStitch (唐et al ., 2021)是一个MATLAB工具箱,注释PPG波形作为输入,并生成再分波形模拟常规,不规则,快节奏,嘈杂的PPG波形。两种方法,即基于收缩期峰值和发病分别用于缝合的波形。
生理网心血管信号工具箱(Goldberger et al ., 2000;背心et al ., 2018)是一个工具箱计算心率变异性,而生理网HRV工具包(Niskanen et al ., 2004)允许可视化NN间隔时间序列,自动删除离群值和计算常用的心率变异性的统计数据。
然而,我们没有发现一个工具箱旨在识别基准分。在本文中,我们目前PPGFeat,一个健壮的、准确的和自动基于MATLAB的PPG特征提取工具。PPGFeat开发和评估使用公开的数据集,其中包含分波形收集从一个多样化的人口包括健康个体和个体与心血管疾病或其他病理障碍。使用手指探测器收集到的数据。PPGFeat工具箱过滤器和检查分波形及其衍生品,提供了可能性识别基准分的分,VPG APG、生成功能表可进一步用于统计和基于人工智能的预测分析。
2材料和方法
2.1数据集选择
PPG-beats (查尔顿et al ., 2022 a)包括以下八个公开数据集的性能框架:CapnoBase IEEE TBME RR基准数据集,BIDMC,模拟执行训练数据集,模拟数据集进行测试,模拟数据集执行房颤,模拟数据集执行种族,WESAD, PPG-DaLiA。
CapnoBase (CapnoBase IEEE TBME呼吸速率基准——哥伦比亚大学图书馆开放的集合;Karlen et al ., 2013)和BICMC (Goldberger et al ., 2000;皮门特尔et al ., 2017)在医院监控期间,包含高质量的数据收集。病人在CapnoBase 29儿童和13个成年人接受麻醉而53名患者在BICMC病危。模拟执行培训、测试和房颤数据集(查尔顿et al ., 2022 a),这是生理网第二模拟数据集的子集,也包含数据从危重和住院病人,但低质量的数据被收集在常规临床护理。模拟执行培训和测试数据集包含分,心电图,从100名成年人和100名新生儿呼吸信号而模拟执行房颤数据集包含类似的信号来自19个心房纤颤患者和16正常窦性心律的患者。模拟执行种族的数据集(查尔顿et al ., 2022 a),这是生理网模拟II匹配波形数据集的一个子集,包含数据从100年白人和100年黑人患者病危。
其他三个数据集包含的数据来自昆士兰大学的患者生命体征数据集(赛义德et al ., 2011;刘et al ., 2012),它是另一种生理网第二模拟数据集的子集和PPG-BP数据集(梁et al ., 2018 a)。广泛的收集的数据来自32个患者手术麻醉是昆士兰大学的数据集(包括刘et al ., 2012),而第二模拟数据集(赛义德et al ., 2011)包含心电、呼吸率、动脉血压,和PPG信号从90例患者承认一个重症监护病房。模仿II中的某些记录的数据集(赛义德et al ., 2011)包括收缩期峰值注释。PPG-BP数据集(梁et al ., 2018 a)包含数据从219名病人平等的性别分布在桂林,桂林人民医院。患者的年龄21岁- 86岁,平均年龄58和他们有几个不同的疾病。PPG-BP集成识别和全面的临床数据,允许研究人员探索和了解心血管疾病和PPG信号之间的关系,使用手指调查收集。
最后的两个数据集包含在PPG-beats (查尔顿et al ., 2022 a可穿戴Empatica E4收集)。WESAD (施密特et al ., 2018)包含数据从表15成年人放松而阅读中性材料,看一些有趣的视频剪辑,进行压力测试,并执行介导复苏。PPG-DaLiA (Reiss et al ., 2019)包含数据从15个成人执行以下日常活动根据协议:坐着,升序和降序楼梯,玩桌上足球,骑自行车,驾驶一辆车,午餐休息,散步,和工作的书桌上。
分析PPG信号,数据来自健康和病人是必需的。以上数据符合这个要求。在这部作品中,PPG-BP数据集(梁et al ., 2018 a)被选中,因为它包含最多的成人患者,和每个病人的疾病信息。此外,它包含数据从两性的年轻和年老的成年人。PPG-BP数据集包含三个长2.1年代分段为每个病人。分部门,收集1 kHz的采样频率,包含2100个采样点。每个分部门信息的偏态SQI (Ssqi)报告的数据集。仅包括记录与积极Ssqi减少噪音和运动引起的工件(Elgendi 2016)。
2.2系统设计
发达MATLAB工具箱PPGFeat可以自动识别基准分。PPGFeat工具箱允许各种预处理技术的应用,如使用滤波器,平滑,消除基线漂移,计算分衍生品的可能性,和实现算法检测和突出PPG基准分。统计数据结果可以用于生成更精确的PPG信号的特性进行进一步分析。的框图图2概述了分析的过程分,VPG使用PPGFeat工具箱和APG信号。与数据准备过程开始,原始分信号分割基于Ssqi。然后信号进行预处理,过滤去除任何噪音或工件。下一阶段需要使用一种新颖的算法提取基准分预处理信号。提取的置信点视觉检查,以确保准确性,最后,他们是用于生成一个特征表,总结了PPG信号的关键特性,可以用于进一步的分析和解释。
图2。完整的基准点检测系统的框图。
2.2.1数据准备
数据准备是一个重要的步骤在分析可用的网络数据集。它解释了数据处理的数学基础和分段数据为原始分部分进行进一步分析。
2.2.1.1数学基础
应用移动平均滤波器使用MATLAB函数movmean为了减少随机噪声,提高信号的质量。管理移动平均线的数学方程(1)可以写成:
在哪里x是原始分信号,y表示过滤PPG信号N表示点的平均数量。分的第三个层次的导数计算使用管理方程式2- - - - - -4,
在哪里y (t)是过滤PPG信号,y (t + 1)和y (t - 1)分别代表下一个和前面的示例y (t + 2)代表了2nd下一个示例。VPG中、APG和JPG去噪PPG信号使用MATLAB的计算diff函数。
2.2.1.2数据分割
图3说明了选择原始分部分的过程中每一个主题PPG-BP数据库(梁et al ., 2018 a使用Ssqi阈值为0.41)。记录分部分包含2100期间收集的数据点2.1 s。这个过程允许选择一个高Ssqi为每个主体段。选定部分的原始值存储在一个矩阵的最右面的框所示图3,而第二个矩阵存储相应的Ssqi值和对象id。该方法适用于所有科目。建议来生成一个输入矩阵的维度rxw,在那里r代表对象的数量,w代表了每个主题分数据。此外,PPGFeat的用户可以选择上传一个可选的第二个矩阵。这个矩阵应该维度rx 2,第一列包含id,和第2列包含Ssqi计算值。然后生成的分部分矩阵作为输入提供的基准点提取工艺PPGFeat工具箱。
图3。数据选择和准备过程(阿卜杜拉et al ., 2023)。
2.3 PPGFeat工具箱
本节概述的PPGFeat GUI工具箱和所涉及的各个步骤分数据分析。PPGFeat工具箱提供了一组全面的功能,包括预处理、基准点提取和目视检查基准的点。此外,它使分功能表的生成,可以用于以后分析。
2.3.1预处理
先前的研究讨论的重要性,选择合适的过滤和PPG信号分析频率范围(Karlen et al ., 2012;彭et al ., 2015;Zhang et al ., 2017;梁et al ., 2018 c;黄et al ., 2022;Wan et al ., 2022)。梁等。梁et al ., 2018 c)发现,切比雪夫II型4日订单,20 db滤波器频率范围为0.4 8赫兹是最有效的改善PPG信号的质量。PPGFeat工具箱使用相同的滤波器设计中提取分,VPG APG置信点和消除高低频噪声其次是移动平均滤波器来进一步减少随机噪声,提高信号质量。此外,PPGFeat预处理设置中提供了灵活性,允许用户选择不同的截止频率的切比雪夫II型4日订单,20 dB过滤器。这是部分2.3.3.1进一步解释。
2.3.2基准点提取算法
的流程图图4提出了一种综合方法确定置信点使用过滤分,VPG, APG波形。用户首先选择过滤高Ssqi原始分段2.2.1.2部分中解释,然后通过过滤阶段处理2.3.1节解释说。第二,选择使用matlab函数段处理islocalmax和islocalmin识别和强调O和S点分的一个组成部分,O点将用于提取单分部分进行进一步的处理。第三,单分段分化,应用移动平均使用MATLAB函数diff和movmean分别获得VPG中,APG波形。一旦所有的衍生品的一个分部门,该算法开始定位基准的点分。O点是第一个分而年代的极小值点是第一个全球PPG的最大值。流程所示图4流程图和图5(我一个,例2和例3)。N和D点的提取是2.3.2.1部分中解释)。
图4。分基准点提取算法的流程图,红色部分的流程图描述了CnD APG分类的算法,c和d的提取和描述阿卜杜拉et al。(2023))。
图5。通过我分基准点提取,II和III,(一)PPG波形,(B)VPG中波形,(C)APG波形,该算法检查b和e点之间为了分类成我,II或III,然后呢(D)JPG波形,用于提取基准分APG和PPG波形。
MATLAB函数islocalmax和islocalmin也应用于VPG中波形以识别四个额外的基准分,也就是说,w这是第一个VPG的最大值,x这是相应的收缩期PPG的波形,y的第一个最小值VPG中,z这是第二maxima VPG中或之后的APG的零交点点吗e点。提取过程中基准的点所示图4流程图和图5(我B 2 B和个案3 B)。
2.3.2.1 CnD算法
使用CnD APG波形的分析算法(阿卜杜拉et al ., 2023)的红色部分的顶部开始图4流程图。一个点是第一个全球最大收缩压地区。这是紧随其后的是第一全局最小值,即b所示图5(C,案件II C和C III)。然而,识别APG的C和d峰波形挑战由于可变性的特征引起的平稳和非平稳效果和心率的变化。应对这一挑战,算法分析了地区之间的位置b和e峰的APG波形和相应的位置分波形的三阶导数,使用三种不同的算法:例I, II, III和案例。
CnD算法(阿卜杜拉et al ., 2023)是用于分析APG波形以识别突出点在收缩阶段(a, b, c, d)和舒张期阶段(e和f)。该算法采用不同的方法取决于突出APG的c和d点波形。
我:当没有突出APG c和d点,如图所示图5(我C), CnD算法检查JPG波形(图5:我D)。这涉及到定位的讨论二阶导数过零分,第一个最大值JPG波形发生后第二个零交点。所示图5(我C和D)中的第一个最大值JPG波形对应C APG的波形,而APG波形的第二个零交点对应于D点。e点APG波形对应的第三个零交点JPG波形或第二maxima APG波形,和f点对应的第四零交点JPG波形或APG第二最小值的波形。PPG的N和D点波形对应的e和f点APG波形(图5:我,C和D)。
案例二:当c和d点是无法觉察的APG波形,如图所示图5(2 C)情况下,JPG波形(图5:例2 D)进行了分析。在这种情况下,第二个最小的JPG波形位于c和d的中间点。所示(图5:例2 C和D), CnD算法计算相应的C和D的APG JPG波形的波形通过第二个最小值,减去2.5%总波长(T)的APG C点的波形,并添加2.5% T D点,分别。e点APG波形对应的第三个零交点JPG波形或第二maxima APG波形,和f点对应的第四零交点JPG波形或APG第二最小值的波形。PPG的N和D点波形对应的e和f点APG波形(图5:例2,C和D)。
案例三:当c和d点是突出APG波形,如图所示图5(3 C)情况下,CnD算法可以准确地找到他们直接从APG波形的分析。在这种情况下,c点第二maxima APG波形,和d点是第二个最小的APG波形(图5:3 C)。e点APG波形对应的第三个零交点JPG波形或第二maxima APG波形,和f点对应于第四零交点的JPG波形或APG第二最小值的波形。的N和D点分波形对应的e和f点APG波形(图5:例III, C和D)。
2.3.3基于GUI的目视检查基准的点
PPGFeat工具箱GUI (图6)提供了一个机会来选择数据预处理参数可视化基准分,执行手动提取的置信点检查和调整。
图6。PPGFeat工具箱的图形用户界面。
2.3.3.1 GUI
PPGFeat工具箱GUI中显示图6旨在支持用户在执行各种操作PPG信号,包括过滤、自动提取基准分,可视化的置信点分,VPG APG和生成功能表。PPGFeat GUI的关键特性。
1。滤波器频率:允许用户指定采样频率(Fs)和带通滤波器频率的低通和高通FH (FL)切比雪夫II型4阶滤波器20分贝衰减(图7)。这个过滤器应用于原始PPG信号为了获得过滤PPG信号。
2。数据加载:用户可以加载的原始分数据主题以逗号分隔值(csv)文件使用中所示的“负载分”按钮图7 b。在这项研究中,原始分部分是通过数据分割过程2.2.1.2部分中解释)。此外,GUI允许用户加载Ssqi和数据分数据的索引值使用“负载Ssqi”按钮,如图所示图7 c。如果数据索引和Ssqi值并不可用,用户可以选择“跳过Ssqi”选项。在开发PPGFeat时,219名受试者的原始分数据由2100数据点为每个主题,导致一个矩阵维度219 x 2100。
3所示。基准点提取工艺:加载数据后,原始和过滤分波形显示,明白了图8 a, B。使用过滤分,PPGFeat工具箱找到每段的起点从分(图8 b),它显示为“Min1”和“Min2”GUI。用户可以更改选择的分部分通过改变值在“Min1”和“Min2”,然后情节单一分段及其对应的VPG APG段通过单击“阴谋”按钮(图8 c)。所示的情节图8D-F,突出每个波形的基准的点。如果一个基准点错误识别,用户可以点击“更新”按钮图8 c自动纠正价值和再生的情节。检查分波形的下一个主题,用户可以按下“下一步”按钮图8 c。提取的基准分当前的主题会自动存储时,单击“下一步”按钮。
4所示。数据存储:基准点提取过程完成后,用户可以生成输出文件,点击“生成输出”按钮图9。这些文件包括分和APG的过滤和在数据段,分部分位置(ID_min1_min2), c和d的点,分功能表清单分,VPG,和APG置信点、过滤PPG波形和MATLAB。垫文件包含所有生成的输出文件。表2总结了PPGFeat工具箱生成的输出文件的详细信息。
图7。滤波器的频率选择(一)分和Ssqi数据加载(B, C)。
图8。基准点提取过程,(A, B)显示原始和过滤分波形,(C)GUI控制面板,(D-F)显示分段及其衍生物以及提取基准分,和(G)显示每个过滤的单一分部门分波形。
图9。数据存储,(一)包括“生成输出”和“退出”按钮(B)显示生成的输出文件。
表2。输出文件从PPGFeat工具箱,其中n是所使用的样本数量数据集(n = 219)。
2.3.3.2目视检查基准的点
视觉检查基准分PPG信号的分析是至关重要的一步。这一步可以让用户确认的准确性提取基准分,做出任何必要的调整。PPGFeat工具箱GUI允许用户检查分,VPG, APG情节,视觉检查提取的置信点所示数字10 a - c。PPGFeat工具箱凸显了情节上的置信点并显示相应的时域值使得用户很容易识别并在必要时调整基准的点。进行目视检查,用户可以确保准确提取的基准分代表PPG信号的特性。这将导致统计数据更加可靠和精确的结果。
图10。目视检查基准的点(两者)显示分,VPG和APG波形(左)和基准标准波形(右)。
2.4特性表
生成的功能表PPGFeat工具箱提供了基准分大小和时间域值的分,VPG APG。总共30生成特性,包括级特性O S、N、D、Min2 w, x, y, z, a, b, c, D, e, f,和时域特性O_t, S_t、N_t D_t、Min2_t w_t, x_t, y_t, z_t, a_t, b_t, c_t, D_t, e_t,和f_t。这些特性可以用来计算额外的统计特性包括,例如,脉冲区(王et al ., 2009)、脉冲间隔(Poon et al ., 2004),增强指数(Takazawa et al ., 1998),比例不同的置信点(Takazawa et al ., 1998;Ushiroyama 2005;Hyun et al ., 2007)。
提取的特征可以用于确定各种生理参数如心率(傅et al ., 2008),心率变异性(吉尔et al ., 2010)、收缩压(铃木和Ryu, 2014年)和其他心血管参数(查尔顿et al ., 2022 b)。功能可以进一步用于机器学习,更深的学习开发各种心血管疾病(预测模型梁et al ., 2018 b;哈立德et al ., 2018;Subashini et al ., 2020;艾伦et al ., 2021)。
3的结果
评估基准的点的识别和检测,四个性能参数计算方程式5- - - - - -8,其中包括精度(Acc),错误率(犯错)、敏感性(年代),和积极的predictivity (页)。表3总结了完整的性能评价结果。
表3。绩效评估的基准分。
在那里,
TP= True积极(正确地检测到分)
《外交政策》=假阳性(错误检测到分)
FN=假阴性(缺失点)
N=数量的科目
TFP=总基准分
219分通过PPGFeat工具箱波形处理,和手动执行基准标记点与一个使用该算法的自动化过程。总共有3066个基准评估基准3038点准确确定的基准点提取算法包含在PPGFeat工具箱,因此在提取基准分精密度和准确度高,99.08%的整体精度。这反映在准确性分数的三个案例,案例I, II, III和情况,分别进行了分析。
我,占140波形,显示基准点检测精度为99.29%。1960基准点的情况下,算法准确地确定1946年,导致99.90%的敏感性和积极predictivity 99.39%。整个我的错误率为0.71%。关于案例二,占54波形,明显存在c和d点了。该算法实现了基准点检测精度为98.15%。总数的756年基准分二世,该算法准确地确定742年,导致98.93%的敏感性和积极predictivity 99.20%。总体情况二世的错误率为1.85%。最后,第三,它由25个波形与著名的c和d点,显示一个完美的检测精度100%置信点。总数的350年基准分三世,都准确地识别,导致100%的敏感性和积极predictivity 100%。例III的错误率为0%。
4讨论
本文提供了信息基础PPGFeat MATLAB工具箱的设计和开发。PPGFeat工具箱的开发是出于对使用PPG信号越来越浓的兴趣和他们的各种医学应用特性,包括心血管疾病的诊断和估计的收缩压。然而,准确识别基准分的分,VPG, APG波形以执行这些任务是至关重要的精密度和准确度高。尽管基准点标识的重要性,我们没有发现任何工具箱是专门为这个目的设计的。
PPGFeat工具箱开发了使用公开数据集PPG-BP数据集(梁et al ., 2018 a)包含分波形收集从一个多样化的人口包括健康个体和个体与心血管疾病或其他病理障碍(Elgendi et al ., 2019;Welykholowa et al ., 2020)。PPG-BP包含一个好的表示各种不同年龄的患者和健康状况记录,包括相关疾病患者和健康人。此外,Ssqi报道PPG-BP数据集可以降低工件的影响控制。
交互式PPGFeat工具箱功能,用户友好的和全面的解决方案,有助于分析使用小说CnD的基准点提取算法(阿卜杜拉et al ., 2023)分,VPG, APG波形。这个工具箱的主要优点是能够在实时评估基准分,它允许用户单独验证每个波形。因此,错误的风险识别不准确的基准分减少。工具箱还促进一致性在现有数据集评估分基准分,成为一个有价值的工具,用于研究人员和卫生保健专业人士。
PPGFeat工具箱提供了一系列的信号处理步骤,包括选择一个切比雪夫带通滤波器频率的II型4日订单,20 dB过滤器,和不同的采样率。带通滤波器去除高低频噪声,而移动平均滤波器进一步提高信号质量,降低随机噪声。工具箱生成一个表包括时域特性的波形和幅度参数可用于统计分析和确定各种生理参数如心率(傅et al ., 2008),心率变异性(吉尔et al ., 2010)、收缩压(铃木和Ryu, 2014年)和其他心血管参数(查尔顿et al ., 2022 b)。这宝贵的资源可以节省研究人员的时间和精力在PPG信号的预处理和分析。
PPGFeat工具箱的性能评估通过处理219分波形。结果显示,提取一个高性能基准分,总体精度为99.08%。算法的准确性也分析之间的三种不同情况下,不同c和d的突出点。情况下我有一个基准点检测精度99.29%和0.71%的错误率,案例二世有98.15%和1.85%的错误率,精度和案例三世完美的准确度为100%。这些结果表明PPGFeat工具箱的有效性和准确性在从分波形中提取基准的点。
5的结论
PPGFeat工具箱在MATLAB是一种强大的工具开发提供一个交互式用户界面能够实时准确地评估基准分,随着出口综合特性表的能力。这使得PPGFeat一个有吸引力的选择研究人员和卫生保健专业人士寻求PPG信号分析中节省时间和精力。所提供的数据的可视化表示PPGFeat工具箱,以及存储数据进行进一步的分析处理能力,使其成为一个独特的分析工具。此外,生成的特性PPGFeat工具箱有潜力用于基于ai预测分析,和未来的工作可能包括应用在其他数据集进行进一步的评估和比较。
数据可用性声明
在这个研究公开PPG-BP数据集进行分析。这些数据可以在这里找到:https://doi.org/10.6084/m9.figshare.5459299。PPGFeat工具箱以及文档、演示视频和预处理数据是可用的https://github.com/saadsur/PPGFeat。
作者的贡献
SA设计研究。SA算法开发,设计了MATLAB工具箱,执行验证和性能分析与SA和AK起草了手稿。所有作者提供方向,反馈,和/或修订后的手稿。所有作者的文章和批准提交的版本。
资金
这项研究是由来自Malardalen大学。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
补充材料
本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/fbioe.2023.1199604/full补充材料
引用
Ab哈米德,H。,和Nayan, N. A. (2020). Methods of extracting feature from photoplethysmogram waveform for non-invasive diagnostic applications.Int。j .在线生物医学。Eng。16日,39 - 62。doi: 10.3991 / ijoe.v16i09.13577
阿卜杜拉。Hafid,。Folke, M。,Lindén, M., and Kristoffersson, A. (2023). A novel fiducial point extraction algorithm to detect C and D points from the acceleration photoplethysmogram (CnD).电子产品12日,1174年。doi: 10.3390 / ELECTRONICS12051174
艾伦,J。刘,H。,Iqbal, S., Zheng, D., and Stansby, G. (2021). Deep learning-based photoplethysmography classification for peripheral arterial disease detection: A proof-of-concept study.杂志。量。42岁,054002年。1361 - 6579 . doi: 10.1088 / / ABF9F3
艾伦,j . (2007)。Photoplethysmography生理测量及其在临床中的应用。杂志。量。28日,R1-R39。doi: 10.1088 / 0967 - 3334/28/3 / R01基金
Almarshad, m·A。伊斯兰教,m . S。,一个l-Ahmadi, S., and Bahammam, A. S. (2022). Diagnostic features and potential applications of PPG signal in healthcare: A systematic review.Healthc。(巴塞尔)10日,547年。doi: 10.3390 / HEALTHCARE10030547
却普拉达、e·J。,和年代erna Maldonado, R. D. (2018). A novel and low-complexity peak detection algorithm for heart rate estimation from low-amplitude photoplethysmographic (PPG) signals.j .地中海,Eng。抛光工艺。42岁,569 - 577。doi: 10.1080 / 03091902.2019.1572237
门敏,h·J。,Kim, K. K., Kim, J. S., Lee, B., and Park, K. S. (2010). Enhancing the estimation of blood pressure using pulse arrival time and two confounding factors.杂志。量。31日,145 - 157。0967 - 3334/31/2/002 doi: 10.1088 /
灿烂的,d G。,O’sullivan, A. J., and Howes, L. G. (2008). Arterial stiffness indices in healthy volunteers using non-invasive digital photoplethysmography.血液的新闻17日,116 - 123。doi: 10.1080 / 08037050802059225
CapnoBase IEEE TBME呼吸速率基准——哥伦比亚大学图书馆开放的集合CapnoBase IEEE TBME呼吸速率基准——哥伦比亚大学图书馆开放的集合。可以在:https://open.library.ubc.ca/collections/researchdata/items/1.0395424(2023年2月6日通过)。
Chakraborty,。Sadhukhan D。,和Mitra, M. (2019). An automated algorithm to extract time plane features from the PPG signal and its derivatives for personal health monitoring application.IETE j . Res。68年,379 - 391。doi: 10.1080 / 03772063.2019.1604178
Chakraborty,。Sadhukhan D。朋友,。,和Mitra, M. (2020). Automated myocardial infarction identification based on interbeat variability analysis of the photoplethysmographic data.生物医学。信号过程控制57岁的101747人。doi: 10.1016 / j.bspc.2019.101747
Chan G。,Cooper, R., Hosanee, M., Welykholowa, K., Kyriacou, P. A., Zheng, D., et al. (2019). Multi-site photoplethysmography technology for blood pressure assessment: Challenges and recommendations.j .中国。地中海。8,1827。doi: 10.3390 / JCM8111827
查尔顿,p . H。Celka, P。,Farukh, B., Chowienczyk, P., and Alastruey, J. (2018). Assessing mental stress from the photoplethysmogram: A numerical study.杂志。量。054001年39岁。1361 - 6579 . doi: 10.1088 / / AABE6A
查尔顿,p . H。Kotzen, K。,Mejia-Mejia E。阿斯顿,p . J。Budidha, K。Mant, J。,etal. (2022a). Detecting beats in the photoplethysmogram: Benchmarking open-source algorithms.杂志。量。43岁,085007年。1361 - 6579 . doi: 10.1088 / / AC826D
查尔顿,p . H。,Kyriaco, P. A., Mant, J., Marozas, V., Chowienczyk, P., and Alastruey, J. (2022b). Wearable photoplethysmography for cardiovascular monitoring.Proc。IEEE本月,电工实习。电子Eng。110年,355 - 381。doi: 10.1109 / JPROC.2022.3149785
陈,S。霁,Z。吴,H。,和Xu, Y. (2019). A non-invasive continuous blood pressure estimation approach based on machine learning.传感器19日,2585年。doi: 10.3390 / s19112585
Elgendi, M。梁,Y。,和Ward, R. (2018). Toward generating more diagnostic features from photoplethysmogram waveforms.疾病6日,20。doi: 10.3390 / DISEASES6010020
Elgendi, M。,Fletcher, R., Liang, Y., Howard, N., Lovell, N. H., Abbott, D., et al. (2019). The use of photoplethysmography for assessing hypertension.NPJ数字。地中海。2,60。doi: 10.1038 / s41746 - 019 - 0136 - 7
El-Hajj C。,和Kyriacou, P. A. (2020). A review of machine learning techniques in photoplethysmographyfor the non-invasive cuff-less measurement of blood pressure.生物医学。信号过程控制58岁的101870人。doi: 10.1016 / j.bspc.2020.101870
傅,T。,Liu, S.-H., and Tang, K. (2008). Heart rate extraction from photoplethysmogram waveform using wavelet multi-resolution analysis.j .地中海,杂志。Eng。28日,229 - 232。
福岛,H。,Kawanaka, H., Bhuiyan, M. S., and Oguri, K. (2012). “Estimating heart rate using wrist-type Photoplethysmography and acceleration sensor while running,” in程序的年度国际会议IEEE,生物医学工程学会的磨床,Augustr 2012(IEEE),2901 - 2904。doi: 10.1109 / EMBC.2012.6346570
吉尔·E。,Orini, M., Bailón, R., Vergara, J. M., Mainardi, L., and Laguna, P. (2010). Photoplethysmography pulse rate variability as a surrogate measurement of heart rate variability during non-stationary conditions.杂志。量。31日,1271 - 1290。0967 - 3334/31/9/015 doi: 10.1088 /
不,a . L。阿马拉尔,洛杉矶。、玻璃、L。,Hausdorff, J. M., Ivanov, P. C., Mark, R. G., et al. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals.循环101年,E215-E220。cir.101.23.e215 doi: 10.1161/01.
他,X。,Goubran, R. A., and Liu, X. P. (2014). Secondary peak detection of PPG signal for continuous cuffless arterial blood pressure measurement.IEEE反式。Instrum。量。63年,1431 - 1439。doi: 10.1109 / TIM.2014.2299524
黄R。,Qing, K., Yang, D., and Hong, K. S. (2022). Real-time motion artifact removal using a dual-stage median filter.生物医学。信号过程控制72年,103301年。doi: 10.1016 / j.bspc.2021.103301
Hyun, j·B。,Jung, S. K., Yun, S. K., Haet, B. L., and Kwang, S. P. (2007). “Second derivative of photoplethysmography for estimating vascular aging,” in《IEEE /磨床地区8国际会议信息技术在生物医学中的应用,ITAB,日本东京,2007年11月(IEEE),70 - 72。doi: 10.1109 / ITAB.2007.4407346
伊斯兰教,m . T。Zabir,我。,一个hamed, S. T., Yasar, M. T., Shahnaz, C., and Fattah, S. A. (2017). A time-frequency domain approach of heart rate estimation from photoplethysmographic (PPG) signal.生物医学。信号过程控制36岁,146 - 154。doi: 10.1016 / J.BSPC.2017.03.020
Jaafar, R。,和Chung Xian, O. (2021). Analysis of heart rate variability using wearable device.收。电工实习。Eng。724年,453 - 461。doi: 10.1007 / 978 - 981 - 33 - 4069 - 5 - _37
Jaafar, R。,和Rozali, M. A. A. (2018). “Estimation of breathing rate and heart rate from photoplethysmogram,” in学报2017年6日电气工程和信息学国际会议:通过数字可持续社会创新,ICEEI,兰卡威岛、马来西亚,2017年11月(IEEE),1 - 4。doi: 10.1109 / ICEEI.2017.8312414
Karlen, W。,Kobayashi, K., Ansermino, J. M., and Dumont, G. A. (2012). Photoplethysmogram signal quality estimation using repeated Gaussian filters and cross-correlation.杂志。量。33岁,1617 - 1629。0967 - 3334/33/10/1617 doi: 10.1088 /
Karlen, W。,Raman, S., Ansermino, J. M., and Dumont, G. A. (2013). Multiparameter respiratory rate estimation from the photoplethysmogram.IEEE反式。生物医学。Eng。1946 - 1953。doi: 10.1109 / TBME.2013.2246160
哈立德,s G。张,J。陈,F。,和Zheng, D. (2018). Blood pressure estimation using photoplethysmography only: Comparison between different machine learning approaches.j . Healthc。Eng。2018年,1-13。doi: 10.1155 / 2018/1548647
李,S。,Chu, Y., Ryu, J., Park, Y. J., Yang, S., and Koh, S. B. (2022). Artificial intelligence for detection of cardiovascular-related diseases from wearable devices: A systematic review and meta-analysis.延世医疗。J。63年,S93-S107。doi: 10.3349 / YMJ.2022.63.S93
梁,Y。,Chen, Z., Liu, G., and Elgendi, M. (2018a). A new, short-recorded photoplethysmogram dataset for blood pressure monitoring in China.科学。数据5,180020。doi: 10.1038 / sdata.2018.20
梁,Y。,Chen, Z., Ward, R., and Elgendi, M. (2018b). Photoplethysmography and deep learning: Enhancing hypertension risk stratification.Biosens。(巴塞尔)8,101。doi: 10.3390 / bios8040101
梁,Y。,Elgendi, M。陈,Z。,和Ward, R. (2018c). Analysis: An optimal filter for short photoplethysmogram signals.科学。数据5,180076。doi: 10.1038 / SDATA.2018.76
刘,D。,Görges, M., and Jenkins, S. A. (2012). University of Queensland vital signs dataset: Development of an accessible repository of anesthesia patient monitoring data for research.Anesth。Analg。114年,584 - 589。doi: 10.1213 / ANE.0B013E318241F7C0
Mahri, N。,Gan, K. B., Meswari, R., Jaafar, M. H., and MohdAli, M. A. (2017). Utilization of second derivative photoplethysmographic features for myocardial infarction classification.j .地中海,Eng。抛光工艺。41岁,298 - 308。doi: 10.1080 / 03091902.2017.1299229
Mejia-Mejia E。艾伦,J。,Budidha, K., El-Hajj, C., Kyriacou, P. A., and Charlton, P. H. (2022).4 - Photoplethysmography信号处理和合成。编辑j·艾伦和p . Kyriacou(剑桥,麻州:学术出版社),69 - 146。
Mok安,j . (2017)。新老化指数使用信号特性photoplethysmograms和加速度体积描记图。Healthc。正,Res。53至59 23日。doi: 10.4258 / HIR.2017.23.1.53
Niskanen, j。,Tarvainen, M. P., Ranta-aho, P. O., and Karjalainen, P. A. (2004). Software for advanced HRV analysis.第一版。生物医学方法程序。76年,73 - 81。doi: 10.1016 / J.CMPB.2004.03.004
Paradkar, N。,和Chowdhury, S. R. (2015). “Primary study for detection of arterial blood pressure waveform components,” in程序的年度国际会议IEEE,生物医学工程学会的磨床,米兰,意大利,2015年11月(IEEE),1959 - 1962。doi: 10.1109 / EMBC.2015.7318768
彭,F。,Liu, H., and Wang, W. (2015). A comb filter based signal processing method to effectively reduce motion artifacts from photoplethysmographic signals.杂志。量。36岁,2159 - 2170。0967 - 3334/36/10/2159 doi: 10.1088 /
Pilz c。,ben Makhlouf, I., Blazek, V., and Leonhardt, S. (2019). “On the vector space in photoplethysmography imaging,” in学报2019年IEEE CVF计算机视觉国际会议/研讨会(ICCVW),汉城,韩国(南),2019年10月(IEEE),1580 - 1588。doi: 10.1109 / ICCVW.2019.00197
皮门特尔,m·a·F。,Johnson, A. E. W., Charlton, P. H., Birrenkott, D., Watkinson, P. J., Tarassenko, L., et al. (2017). Toward a robust estimation of respiratory rate from pulse oximeters.IEEE反式。生物医学。Eng。64年,1914 - 1923。doi: 10.1109 / TBME.2016.2613124
Poon c . c . Y。腾,x F。、黄、y . M。张,C。,和Zhang, Y. T. (2004). “Changes in the photoplethysmogram waveform after exercise,” in学报》2004年第2 IEEE /磨床国际暑期学校医疗设备和生物传感器,中国香港,2006年9月(IEEE),115 - 118。doi: 10.1109 / ISSMD.2004.1689576
Prieto-Avalos G。,Cruz-Ramos, N. A., Alor-Hernández, G., Sánchez-Cervantes, J. L., Rodríguez-Mazahua, L., and Guarneros-Nolasco, L. R. (2022). Wearable devices for physical monitoring of heart: A review.Biosens。(巴塞尔)12日,292年。doi: 10.3390 / bios12050292
Priyadarshini, r G。Kalimuthu, M。、Nikesh年代。,和Bhuvaneshwari, M. (2021). Review of PPG signal using machine learning algorithms for blood pressure and glucose estimation.IOP相依,爵士。Sci的事宜。Eng。1084年,012031年。doi: 10.1088 / 1757 - 899 x / 1084/1/012031
Reiss。,Indlekofer, I., Schmidt, P., and van Laerhoven, K. (2019). Deep PPG: Large-scale heart rate estimation with convolutional neural networks.传感器19日,3079年。doi: 10.3390 / S19143079
里卡多铁,b . T。,Ramírez Aguilera, A., and Fernández De La Vara Prieto, R. R. (2015). Automated detection of the onset and systolic peak in the pulse wave using Hilbert transform.生物医学。信号过程控制20岁,78 - 84。doi: 10.1016 / J.BSPC.2015.04.009
赛义德,M。,V我llarroel, M., Reisner, A. T., Clifford, G., Lehman, L. W., Moody, G., et al. (2011). Multiparameter intelligent monitoring in intensive care II: A public-access intensive care unit database.暴击。保健医疗。39岁,952 - 960。doi: 10.1097 / CCM.0B013E31820A92C6
Sarhaddi F。齐米,K。阿,我。曹,R。,N我ela-Vilén, H., Axelin, A., et al. (2022). A comprehensive accuracy assessment of Samsung smartwatch heart rate and heart rate variability.《公共科学图书馆•综合》17日,e0268361。doi: 10.1371 / journal.pone.0268361
施密特,P。赖斯,。,Duerichen, R., and van Laerhoven, K. (2018). “Introducing WESAD, a multimodal dataset for wearable stress and affect detection,” in会议在美国博尔德有限公司举行。(纽约:ACM),400 - 408。doi: 10.1145/3242969.3242985
Subashini, V。Janaki, R。,Valarmathi, G., Suganthi, S., Prabha, R., Sivasankari, K., et al. (2020). Survey on regression analysis of photoplethysmography using machine learning.今天Proc母校呢。46岁,3743 - 3748。doi: 10.1016 / j.matpr.2021.02.013
Suboh, m Z。Jaafar, R。,Nayan, N. A., Harun, N. H., and Mohamad, M. S. F. (2022). Analysis on four derivative waveforms of photoplethysmogram (PPG) for fiducial point detection.前面。公共卫生10日,920946年。doi: 10.3389 / FPUBH.2022.920946
铃木。,和Ryu, K. (2014). Feature selection method for estimating systolic blood pressure using the taguchi method.IEEE反式。印第安纳州,正无穷。10日,1077 - 1085。doi: 10.1109 / TII.2013.2288498
高田,H。,Washino, K., Harreil, J. S., and Iwata, H. (1996). Acceleration plethysmography to evaluate aging effect in cardiovascular system Using new criteria of four wave patterns.地中海,掠夺。抛光工艺。21日,205 - 210。doi: 10.1023 /: 1016936206694
Takazawa, K。田中,N。藤田,M。,Matsuoka, O., Saiki, T., Aikawa, M., et al. (1998). Assessment of vasoactive agents and vascular aging by the second derivative of photoplethysmogram waveform.高血压32岁,365 - 370。hyp.32.2.365 doi: 10.1161/01.
唐,Q。,Chen, Z., Menon, C., Ward, R., and Elgendi, M. (2021). Ppgtempstitch: A matlab toolbox for augmenting annotated photoplethsmogram signals.传感器21日,4007年。doi: 10.3390 / S21124007
Vadrevu, S。,和Manikandan, M. S. (2017). “Effective systolic peak detection algorithm using variational mode decomposition and center of gravity,” in《IEEE地区10年度国际会议,程序/ TENCON,新加坡,2016年11月(IEEE),2711 - 2715。doi: 10.1109 / TENCON.2016.7848532
背心,a . N。,da Poian, G., Li, Q., Liu, C., Nemati, S., Shah, A. J., et al. (2018). An open source benchmarked toolbox for cardiovascular waveform and interval analysis.杂志。量。105004年39岁。1361 - 6579 . doi: 10.1088 / / AAE021
湾,C。,Chen, D., and Yang, J. (2022). Pulse rate estimation from forehead photoplethysmograph signal using RLS adaptive filtering with dynamical reference signal.生物医学。信号过程控制71年,103189年。doi: 10.1016 / j.bspc.2021.103189
王,L。,P我ckwell-MacPherson, E., Liang, Y. P., and Zhang, Y. T. (2009). Noninvasive cardiac output estimation using a novel photoplethysmogram index.为基础。Int, IEEE Eng相依。地中海,杂志。Soc。2009年,1746 - 1749。doi: 10.1109 / IEMBS.2009.5333091
Welykholowa, K。Hosanee, M。陈,G。,Cooper, R., Kyriacou, P. A., Zheng, D., et al. (2020). Multimodal photoplethysmography-based approaches for improved detection of hypertension.j .中国。地中海。9日,1203年。doi: 10.3390 / jcm9041203
关键词:photoplethysmography,分功能,置信点、MATLAB工具箱,信号处理、加速度photoplethysmography photoplethysmography速度
引用:阿卜杜拉年代,Hafid,林登Folke M M和Kristoffersson (2023) PPGFeat:小说MATLAB工具箱中提取分基准的点。前面。Bioeng。Biotechnol。11:1199604。doi: 10.3389 / fbioe.2023.1199604
收到:2023年4月3日;接受:2023年5月26日;
发表:2023年6月09年。
编辑:
马里奥Birkholz,创新对于高性能微电子(LG),德国版权©2023阿卜杜拉,Hafid Folke,林登和Kristoffersson。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:萨阿德·阿卜杜拉,saad.abdullah@mdu.se