TU Darmstadt / ULB / TUprints

Photoplethysmography-Based Biomedical Signal Processing

Schäck, Tim (2019)
Photoplethysmography-Based Biomedical Signal Processing.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
2019-01-24_Schäck_Tim.pdf
Copyright Information: CC BY-NC-SA 4.0 International - Creative Commons, Attribution NonCommercial, ShareAlike.

Download (3MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Photoplethysmography-Based Biomedical Signal Processing
Language: English
Referees: Zoubir, Prof. Dr. Abdelhak M. ; Iskander, Prof. Dr. D. Robert ; Muma, Dr. Michael
Date: 24 January 2019
Place of Publication: Darmstadt
Date of oral examination: 21 January 2019
Abstract:

In this dissertation, photoplethysmography-based biomedical signal processing methods are developed and analyzed. The developed methods solve problems concerning the estimation of the heart rate during physical activity and the monitoring of cardiovascular health. For the estimation of heart rate during physical activity, two methods are presented that are very accurate in estimating the instantaneous heart rate at the wrist and, at the same time, are computationally efficient so that they can easily be integrated into wearables. In the context of cardiovascular health monitoring, a method for the detection of atrial fibrillation using the video camera of a smartphone is proposed that achieves a high detection rate of atrial fibrillation (AF) on a clinical pre-study data set. Further monitoring of cardiovascular parameters includes the estimation of blood pressure (BP), pulse wave velocity (PWV), and vascular age index (VAI), for which an approach is presented that requires only a single photoplethysmographic (PPG) signal.

Heart rate estimation during physical activity using PPG signals constitutes an important research focus of this thesis. In this work, two computationally efficient algorithms are presented that estimate the heart rate from two PPG signals using a three axis accelerometer. In the first approach, adaptive filters are applied to estimate motion artifacts that severely deteriorate the signal quality. The non-stationary relationship between the measured acceleration signals and the artifacts is modeled as a linear system. The outputs of the adaptive filters are combined to further enhance the signal quality and a constrained heart rate tracker follows the most probable high energy continuous line in the spectral domain. The second approach is modest in computational complexity and very fast in execution compared to existing approaches. It combines correlation-based fundamental frequency indicating functions and spectral combination to enhance the correlated useful signal and suppress uncorrelated noise. Additional harmonic noise damping further reduces the impact of strong motion artifacts and a spectral tracking procedure uses a linear least squares prediction. Both approaches are modest in computational complexity and especially the second approach is very fast in execution, as it is shown on a widely used benchmark data set and compared to state-of-the-art methods.

The second research focus and a further major contribution of this thesis lies in the monitoring of the cardiovascular health with a single PPG signal. Two methods are presented, one for detection of AF and one for the estimation of BP, PWV, and VAI. The first method is able to detect AF based on a smartphone filming the finger placed on the video camera. The algorithm transforms the video into a PPG signal and extracts features which are then used to discriminate between AF and normal sinus rhythm (NSR). Perfect detection of AF is already achieved on a data set of 326 measurements (including 20 with AF) that were taken at a clinical pre-study using an appropriate pair of features whereby a decision is formed through a simple linear decision equation. The second method aims at estimating cardiovascular parameters from a single PPG signal without the conventional use of an additional electrocardiogram (ECG). The proposed method extracts a large number of features from the PPG signal and its first and second order difference series, and reconstructs missing features by the use of matrix completion. The estimation of cardiovascular parameters is based on a nonlinear support vector regression (SVR) estimator and compared to single channel PPG based estimators using a linear regression model and a pulse arrival time (PAT) based method. If the training data set contains the person for whom the cardiovascular parameters are to be determined, the proposed method can provide an accurate estimate without further calibration.

All proposed algorithms are applied to real data that we have either recorded ourselves in our biomedical laboratory, that have been recorded by a clinical research partner, or that are freely available as benchmark data sets.

Alternative Abstract:
Alternative AbstractLanguage

In dieser Dissertation werden biomedizinische Signalverarbeitungsverfahren auf Basis der Photoplethysmografie entwickelt und analysiert. Die entwickelten Methoden lösen Probleme der Herzratenschätzung bei körperlicher Betätigung und der Beobachtung der kardiovaskulären Gesundheit. Für die Schätzung der Herzrate während körperlicher Betätigung werden zwei verschiedene Methoden vorgestellt, die die momentane Herzrate am Handgelenk sehr genau schätzen können und gleichzeitig rechnerisch effizient in Wearables integriert werden könnten. Im Rahmen der Beobachtung der kardiovaskulären Gesundheit wird eine Methode für die Erkennung von Vorhofflimmern mit der Videokamera eines Smartphones vorgeschlagen, die eine hohe Erkennungsrate von Vorhofflimmern auf einem klinischen Vorstudien-Datensatz erzielt. Die weitere Beobachtung der kardiovaskulären Parameter beinhaltet die Schätzung von Blutdruck, Pulswellengeschwindigkeit und vaskulären Altersindex, für die ein Verfahren vorgestellt wird, das nur ein einziges photoplethysmografisches Signal benötigt.

Die Schätzung der Herzrate während einer körperlichen Betätigung mit Hilfe von photoplethysmografischen Signalen stellt einen wichtigen Forschungsschwerpunkt dieser Dissertation dar. In dieser Arbeit werden zwei effizient rechnende Algorithmen vorgestellt, die die Herzrate aus zwei photoplethysmografischen Signalen mit einem dreiachsigen Beschleunigungssensorsignal schätzen. Im ersten Algorithmus werden adaptive Filter benutzt, um die Artefakte zu schätzen, die durch die Bewegung verursacht wurden und die die Signalqualität stark beeinträchtigen. Hierzu wird der nichtstationäre Zusammenhang zwischen den gemessenen Beschleunigungen und den Artefakten als lineares System modelliert. Die Ausgänge der adaptiven Filter werden kombiniert, um die Signalqualität weiter zu verbessern. Die Herzrate wird im Spektralbereich so verfolgt, dass sie entlang der wahrscheinlichsten kontinuierlichen Linie mit hoher Energie verläuft. Der zweite Algorithmus weist eine geringe Berechnungskomplexität auf und ist im Vergleich zu anderen Ansätzen sehr schnell in der Ausführung. Er nutzt korrelationsbasierte Indikatorfunktionen und Kombinationen der Signalspektren, um das korrelierte Nutzsignal zu verbessern und unkorrelierte Störungen zu unterdrücken. Durch die zusätzliche Dämpfung harmonischer Rauschanteile werden die Auswirkungen starker Bewegungsartefakte auf die Herzratenschätzung reduziert. Das spektrale Schätzverfahren verwendet eine lineare Vorhersage mithilfe der Methode der kleinsten Quadrate. Beide Algorithmen sind sehr genügsam in der benötigten Rechenleistung. Insbesondere der zweite Algorithmus ist sehr schnell in seiner Ausführung, was an einem weitverbreiteten Vergleichsdatensatz gezeigt wird, an dem beide Algorithmen mit anderen aktuellen Methoden verglichen werden.

Der zweite Forschungsschwerpunkt und ein weiterer wichtiger Beitrag dieser Dissertation liegt in der Beobachtung der kardiovaskulären Gesundheit mittels eines einzelnen photoplethysmografischen Signals. Es werden zwei Methoden vorgestellt, von der die eine zur Erkennung von Vorhofflimmern und die andere zur Schätzung des Blutdrucks, der Pulswellengeschwindigkeit und des vaskulären Alters dient.

Die erste Methode ist in der Lage, Vorhofflimmern anhand eines Smartphones zu erkennen, das einen auf der Videokamera aufgelegten Finger filmt. Der Algorithmus wandelt das Video in ein photoplethysmografisches Signal um und extrahiert Signalmerkmale, die dann zur Unterscheidung zwischen Vorhofflimmern und einem normalen, regelmäßigen Herzschlag verwendet werden. Eine fehlerfreie Erkennung von Vorhofflimmern kann für einen klinischen Datensatz, der 326 Messungen (davon 20 mit Vorhofflimmern) enthält, bereits durch zwei Merkmale und anhand einer einfachen linearen Entscheidungsgleichung erreicht werden.

Die zweite Methode zielt darauf ab, kardiovaskuläre Parameter aus einem einzigen photoplethysmografischen Signal ohne die sonst übliche Verwendung eines zusätzlichen Elektrokardiogramms zu schätzen. Das vorgeschlagene Verfahren extrahiert eine große Anzahl von Merkmalen aus dem photoplethysmografischen Signal und seiner Differenzenreihe erster und zweiter Ordnung und rekonstruiert fehlende Merkmale durch Anwendung eines "Matrix Completion"-Ansatzes. Die Schätzung kardiovaskulärer Parameter basiert auf einer nichtlinearen Erweiterung der "Support Vector Regression" und wird mit einkanaligen photoplethysmografisch-basierten Schätzern, die lineare Regressionsmodelle nutzen, sowie einer auf der Pulsankunftszeit basierten Methode verglichen. Wenn der Trainingsdatensatz bereits die Person enthält, für die die kardiovaskulären Parameter bestimmt werden sollen, kann mit der vorgeschlagenen Methode eine akkurate Schätzung ohne weitere Kalibrierung erfolgen.

Alle vorgeschlagenen Algorithmen werden auf reale Daten angewendet, die wir entweder selbst in unserem biomedizinischen Labor erfasst haben, die von einem klinischen Forschungspartner erfasst wurden oder die als Benchmark-Datensatz frei verfügbar sind.

German
URN: urn:nbn:de:tuda-tuprints-84111
Classification DDC: 600 Technology, medicine, applied sciences > 610 Medicine and health
600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute for Telecommunications > Signal Processing
Date Deposited: 25 Jan 2019 13:56
Last Modified: 09 Jul 2020 02:29
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/8411
PPN: 441513565
Export:
Actions (login required)
View Item View Item