Estimating respiration rate using photoplethysmography : wearable hardware integration and algorithm development

Abstract

Photoplethysmography is a widely used non-invasive technique used to measure and estimate clinical parameters by measuring arterial blood pulse wave with light. Respiration rate is a clinically important parameter used in prognosis and diagnosis of various health conditions. Respiration rate affects the photoplethysmography waveform in three different ways, and respiration rate can be estimated by analyzing these variations.

A wearable device was developed that integrates a third-party photoplethysmography sensor into GE HealthCare’s wearable patient monitoring system. A real-time respiration rate estimation algorithm was developed. The respiration rate algorithm measures all three respiration-induced variations simultaneously and uses Kalman filtering to fuse the measurements into final respiration rate estimate.

The algorithm performance was evaluated using open-source dataset obtained from a clinical setting and by measuring respiration rate from volunteer subjects in real time using an impedance pneumography device as a reference. The results show that the proposed method was able to estimate the respiration rate with mean absolute error of 2.0 breaths per minute (BRPM) in comparison to the reference device with the open-source data (51 subjects, 8-minute recordings) and mean absolute error of 2.49 BRPM when measured from one healthy volunteer subject in real-time. The results show that the proposed Kalman filtering method was able to estimate respiration rate more accurately than the estimates derived from any of the individual variations alone. The results are comparable to the state-of-the-art published studies using comparable techniques.

Fotopletysmografia on laajasti käytetty ei-invasiivinen mittausmenetelmä, jonka avulla voidaan arvioida kliinisiä parametrejä mittaamalla valon avulla valtimoveren pulssiaaltoa. Hengitystaajuus on kliinisesti merkittävä parametri, jota käytetään lukuisten potilaan tilaan vaikuttavien sairauksien diagnostiikassa ja ennusteen arvioinnissa. Hengitys aiheuttaa fotopletysmografiasignaaliin kolmenlaista vaihtelua, joita analysoimalla hengitystaajuus voidaan arvioida.

Tässä diplomityössä kehitettiin puettava laitteisto, joka integroi kolmannen osapuolen kehittämän fotopletysmografia anturin GE HealthCaren puettavaan potilasvalvontajärjestelmään, sekä reaaliaikainen hengitystaajuuden estimointialgoritmi. Algoritmi arvioi samanaikaisesti kaikkia kolmea hengityksen aiheuttamaa vaihtelua fotopletysmografiasignaalista ja yhdistää eri variaatioista saadut arviot lopulliseksi hengitystaajuusarvioksi Kalman suodattimen avulla.

Algoritmin suorituskykyä arvioitiin kliinisessä ympäristössä kerätyllä avoimesti saatavilla olevalla aineistolla, sekä mittaamalla hengitystaajuutta vapaaehtoiselta koehenkilöltä käyttäen impedenssipneumografiaa vertailukohtana. Tulokset osoittavat, että ehdotettu menetelmä kykenee mittaamaan hengitystaajuutta keski-itseisvirhe tarkkuudella 2,0 hengitystä minuutissa verrattuna vertailumenetelmään avoimen lähteen aineistolla (51 potilasta, 8 minuutin mittaukset per henkilö). Reaaliaikaiset mittaukset mitattuna yhdeltä vapaaehtoiselta henkilöltä osoittivat keski-itseisvirheeksi 2,49 hengitystä minuutissa verrattuna vertailumenetelmään. Tulokset osoittivat, että ehdotettu Kalman suodatusmenetelmä parantaa mittaustarkkuutta verrattuna tuloksiin, jotka saatiin mittaamalla yksittäistä hengityksen aiheuttamaa vaihtelua fotopletysmografiasignaalista. Tulokset ovat vertailukelpoisia julkaistujen menetelmien kanssa, joissa on hyödynnetty vastaavanlaista tekniikkaa.