Concurrent data acquisition of electrocardiogram and respiration rate using predictive filtering

• Autorzy: Rymarczyk Tomasz , Vejar Andres , Kassymov Timur

Identyfikatory

DOI

10.15199/48.2022.03.25

Warianty tytułu

PL

Jednoczesna akwizycja danych elektrokardiogramu i częstości oddechów z wykorzystaniem filtrowania predykcyjnego

• Języki publikacji: EN

Abstrakty

EN

For e-health monitoring, concurrent data acquisition and processing of electrocardiogram and respiratory rate biosignals is needed to provide clean input signals for the detection algorithms. Given that cardiac and respiration rhythms are correlated, but they have different characteristic rates, we explored a sensor fusion approach to model the filtered future state of both signals. Therefore, a time-delayed structure with raw and filtered data fusion was used to improve the quality of the model. We apply Lasso and Ridge regression to the time-delayed data structure and study the approach using low and high sample rates for the data processing. At low sample rates, the validation for respiratory rate is high, while for electrocardiogram is comparatively low. With higher sample rates, the results are improved for both cases.

PL

W przypadku monitorowania e-zdrowia, jednoczesne pozyskiwanie i przetwarzanie danych z elektrokardiogramu i biosygnałów oddechowych jest konieczne, aby zapewnić czyste sygnały wejściowe dla algorytmów detekcji. Biorąc pod uwagę, że rytmy serca i oddychania są skorelowane, ale mają różne charakterystyczne prędkości, zbadaliśmy podejście do fuzji czujników, aby modelować przefiltrowany przyszły stan obu sygnałów. Dlatego też, w celu poprawy jakości modelu, zastosowano strukturę czasowo-opóźnioną z fuzją danych surowych i przefiltrowanych. Zastosowaliśmy regresję Lasso i Ridge do struktury danych opóźnionych w czasie i zbadaliśmy podejście wykorzystując niskie i wysokie częstotliwości próbkowania do przetwarzania danych. Przy niskich częstotliwościach próbkowania, walidacja dla częstości oddechów jest wysoka, podczas gdy dla elektrokardiogramu jest porównywalnie niska. Przy wyższych częstotliwościach próbkowania, wyniki są lepsze dla obu przypadków.

Słowa kluczowe

EN

predictive filtering; biosignals; sensor

PL

filtrowanie predykcyjne; biosygnały; czujnik

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 3
• Strony: 110--113
• Opis fizyczny: Bibliogr. 22 poz., rys.

Twórcy

autor

Rymarczyk Tomasz

• Research and Development Center Netrix S.A., Wojciechowska 31, Lublin, Poland
• University of Economics and Innovation, Projektowa 4, Lublin, Poland

• https://orcid.org/0000-0002-3524-9151

autor

Vejar Andres

• Research and Development Center Netrix S.A., Wojciechowska 31, Lublin, Poland
• University of Economics and Innovation, Projektowa 4, Lublin, Poland

• https://orcid.org/0000-0002-2041-0387

autor

Kassymov Timur

• Research and Development Center Netrix S.A., Wojciechowska 31, Lublin, Poland

• https://orcid.org/0000-0002-1171-7467

Bibliografia

• [1] Philip K. E., Pack E., Cambiano V., Rollmann H., Weil S. and O’Beirne J., The accuracy of respiratory rate assessment by doctors in a london teaching hospital: a cross-sectional study, Journal of clinical monitoring and computing, 29 (2015), No. 4, 455–460
• [2] Serhani M. A., Kassabi H. T. El, Ismail H., Navaz A. N., Ecg monitoring systems: Review, architecture, processes, and key challenges, Sensors, 20 (2020), No. 6, 1796
• [3] Bansal D., Khan M., and Salhan A. K., A computer based wireless system for online acquisition, monitoring and digital processing of ecg waveforms, Computers in biology and medicine, 39 (2009), No. 4, 361–367
• [4] Kassymov T., Concurrent data acquisition and computer analysis of electrocardiogram and respiratory rate signals, March 2021
• [5] Hall D. L. and Llinas J., An introduction to multisensor data fusion, Proceedings of the IEEE, 85 (1997), No. 1, 6–23
• [6] Mitchell H. B., Multi-sensor data fusion: an introduction. Springer Science & Business Media, 2007
• [7] RymarczykT.,VejarA.,NitaP.,and P.Tchórzewski, Advanced tomographic platform for real-time image reconstruction and biomedical signal analysis, in 2018 International Interdisciplinary PhD Workshop (IIPhDW), May 2018, 186–190
• [8] Rymarczyk T., Nita P., Vejar A., Stefaniak B., Sikora J., Electrical tomography system for innovative imaging and signal analysis, Przegląd Elektrotechniczny, 95 (2019), No. 6, 135–138
• [9] Rymarczyk T., Vejar A., Multi frequency electrical tomography with re-configurable excitation waveforms, in 2019 Applications of Electromagnetics in Modern Engineering and Medicine (PTZE), June 2019, 198–202
• [10] Vejar A., Rymarczyk T., Paprzycki P., Mutual information and delay embeddings in polysomnography studies, in 2019 International Interdisciplinary PhD Workshop (IIPhDW), May 2019, 89–94
• [11] Orphanidou C., Fleming S., Shah S. A., and Tarassenko L., Data fusion for estimating respiratory rate from a single-lead ecg, Biomedical Signal Processing and Control, 8 (2013), No. 1, 98–105.
• [12] Qaraqe M., Ismail M., Serpedin E., and Zulfi H., Epileptic seizure onset detection based on eeg and ecg data fusion, Epilepsy & Behavior, 58 (2016), 48–60
• [13] Correa A. G., Orosco L. L., Diez P., and Leber E. L., Adaptive filtering for epileptic event detection in the eeg, Journal of Medical and Biological Engineering, 39 (2019), No. 6, 912–918
• [14] Aboy M., Crespo C., McNames J., Bassale J., and Goldstein B., Automatic detection algorithm for physiologic pressure signal components, in Proceedings of the Second Joint 24th Annual Conference and the Annual Fall Meeting of the Biomedical Engineering Society, Engineering in Medicine and Biology, 1 (2002), 196–197
• [15] Pawlowski, S; Plewako, J; Korzeniewska, E , Influence of Structural Defects on the Resistivity and Current Flow Field in Conductive Thin Layers, Electronics, 9 (2020), No.12, 2164
• [16] Rymarczyk T., Kłosowski G., Tchórzewski P., Cieplak T., Kozłowski E.: Area monitoring using the ERT method with multisensor electrodes, Przegląd Elektrotechniczny, 95 (2019), No.1, 153-156
• [17] Koulountzios P., Rymarczyk T., Soleimani M., A quantitative ultrasonic travel-time tomography system for investigation of liquid compounds elaborations in industrial processes, Sensors, 19 (2019), No.23, 5117
• [18] Kłosowski G., Rymarczyk T., Kania K., Świć A., Cieplak T., Maintenance of industrial reactors based on deep learning driven ultrasound tomography, Eksploatacja i Niezawodnosc – Maintenance and Reliability, 22 (2020), No.1, 138–147
• [19] Kłosowski G., Rymarczyk T., Cieplak T., Niderla K., Skowron Ł., Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography, Sensors, 20 (2020), No.11, 3324
• [20] Rymarczyk T.: Characterization of the shape of unknown objects by inverse numerical methods, Przeglad Elektrotechniczny, 88 (2012), No.7B, 138-140
• [21] Rymarczyk T., Using electrical impedance tomography to monitoring flood banks, 16th International Symposium on Applied Electromagnetics and Mechanics (ISEM) International journal of applied electromagnetics and mechanics, 45 (2014), 489-494
• [22] Roy S. S., Mittal D., Basu A., and Abraham A., Stock market forecasting using lasso linear regression model, in AfroEuropean Conference for Industrial Advancement, Springer, (2015), 371–381