Sensory SystemsSensory SystemsСенсорные системы0235-00923034-5936The Russian Academy of Sciences67577910.31857/S0235009224030057BRXSEDMODELING OF SENSORY PROCESSESМОДЕЛИРОВАНИЕ СЕНСОРНЫХ ПРОЦЕССОВResearch ArticleMethodological Recommendations for the Creation of Sensor Measurement Systems for Respiratory Rate Monitoring Based on Photoplethysmographic Signal ProcessingМетодические рекомендации по созданию сенсорных измерительных систем мониторинга частоты дыхания на основе обработки фотоплетизмографических сигналовPetrenkoP. B.ПетренкоП. Б.
Russian Federation
prof.petrenko54@gmail.comSynergy Design BureauКБ “Синергия”08092024383829428022025Copyright ©; 2024, Russian Academy of SciencesCopyright ©; 2024, Российская академия наук2024Russian Academy of SciencesРоссийская академия наукhttps://journals.eco-vector.com/0235-0092/article/view/675779

A methodical apparatus for creating sensor measurement systems for monitoring human respiration rate is proposed. It includes a method for estimating respiratory rate based on statistical analysis of photoplethysmographic signals (human pulse wave), a method for selecting priority regions for estimating respiratory rate, and a criterion for determining the required bracelet tension during measurements. The application of the respiratory rate estimation method involves calculating the Correntropy spectral density of the pulse wave signal. A distinctive feature of the method is the use of an algorithm for selecting the priority empirical mode of the Hilbert-Huang decomposition, which is most closely related to the respiratory rate. Experimental verification of the method showed that the mean value of the absolute error for 58.8% of the sample of calculated respiratory rate values did not exceed 1 breath/min, and the 95% confidence interval for the mean absolute error of the entire sample was [0.72–2.2] breaths/min.

Предложен методический аппарат для создания сенсорных измерительных систем мониторинга частоты дыхания человека. Он включает метод оценки частоты дыхания на основе статистического анализа фотоплетизмографических сигналов (пульсовой волны человека), методику выбора приоритетных регионов для оценки частоты дыхания и критерий определения требуемого натяжения браслета при измерениях. Применение методики оценки частоты дыхания предполагает вычисление коррентропной спектральной плотности сигнала пульсовой волны. Отличительной особенностью методики является применение алгоритма выбора приоритетной эмпирической моды разложения Гильберта–Хуанга, в наибольшей степени связанной с частотой дыхания. Экспериментальная проверка методики показала, что среднее значение абсолютной погрешности для 58.8% выборки вычисленных значений частоты дыхания не превысило 1 вдох/мин, а 95% доверительный интервал для средней абсолютной погрешности всей выборки составил [0.72–2.2] вдохов/мин.

photoplethysmogram pulse waverespiratory motion frequencyoptimal kernel Correntropy functionempirical Hilbert-Huang distributioninstantaneous Hilbert frequencydiscrete Fourier transformпульсовая волна фотоплетизмограммычастота дыхательных движенийфункция коррентропии с оптимальным ядромэмпирическое распределение Гильберта–Хуангамгновенная частота Гильбертадискретное преобразование ФурьеAificher E. S., Dzhervis B. U. Tsifrovaya obrabotka signalov: prakticheskii podkhod: per. s angl. [Digital Signal Processing: A Practical Approach]. Moscow. Williams Publishers, 2008. 992 p. (In Russian).Айфичер Э. С., Джервис Б. У. Цифровая обработка сигналов: практический подход, 2 изд.: пер. с англ. М., Вильямс, 2008. 992 с.Garanin A. A., Shipunov I. D., Rubanenko A. O., Sannikova N. O. Beskontaktnye metody izmereniya chastoty dykhaniya: (obzor literatury). Vestnik novykh meditsinskikh tekhnologii. [Non-contact methods of respiratory rate measurement: (literature review). Bulletin of new medical technologies]. Electronic edition. 2023. № 5. P. 64–72. http://doi.org/ 10.24412/2075-4094-2023-5-1-9 (In Russian).Гаранин А. А., Шипунов И. Д., Рубаненко А. О., Санникова Н. О. Бесконтактные методы измерения частоты дыхания (обзор литературы). Вестник новых медицинских технологий. Электронное издание. 2023. № 5. C. 64–72. http://doi.org/10.24412/2075-4094-2023-5-1-9.Gutsol L. O., Nepomnyashchikh S. F., Korytov L. I., Gubina M. I., Tsybikov N. N., Vitkovskii Yu.A. Fiziologicheskie i patofiziologicheskie aspekty vneshnego dykhaniya. [Physiologic and pathophysiologic aspects of external respiration]. State Budgetary Educational Institution of Higher Professional Education of State Medical University of Russia, Department of Pathologic Physiology with a Course of Clinical Immunology, Department of Normal Physiology. Irkutsk, IGMU, 2014. 116 p. (In Russian).Гуцол Л. О., Непомнящих С. Ф., Корытов Л. И., Губина М. И., Цыбиков Н. Н., Витковский Ю. А. Физиологические и патофизиологические аспекты внешнего дыхания. ГБОУ ВПО ИГМУ Минздрава России, Кафедра патологической физиологии с курсом клинической иммунологии, кафедра нормальной физиологии. Иркутск, ИГМУ, 2014. 116 с.Kan S. C., Mikulovich A. V., Mikulovich V. I. Analiz nestatsionarnykh signalov na osnove preobrazovaniya Gil’berta-Khuanga [Analysis of non-stationary signals on the basis of Hilbert-Huang transform. Informatics]. Informatics [Informatika]. 2010. № 2. P. 25–35. (In Russian).Кан Ш. Ч., Микулович А. В., Микулович В. И. Анализ нестационарных сигналов на основе преобразования Гильберта–Хуанга. Информатика. 2010. № 2. C. 25–35.Kublanov V. S., Dolganov A. Yu., Kostousov V. B., Nemirko A. P. , Manilo L. A., Petrenko T. S., Gamboa H., Rodriges J. Biomeditsinskie signaly i izobrazheniya v tsifrovom zdravookhranenii: khranenie, obrabotka i analiz. [Biomedical signals and images in digital health care: storage, processing and analysis: textbook]. Yekaterinburg. Publ. of the Ural Univ. 2020. 240 p. (In Russian).Кубланов В. С., Долганов А. Ю., Костоусов В. Б. Немирко А. П., Манило Л. А., Петренко Т. С., Gamboa H., Rodriges J. Биомедицинские сигналы и изображения в цифровом здравоохранении: хранение, обработка и анализ: учебное пособие / Екатеринбург: Изд-во Урал. ун-та, 2020. 240 с.Marple Jr. S. L. Digital spectral analysis and its applications. Moscow. Mir Pabl. 1980. 584 p. (In Russian).Марпл.-мл. С. Л. Цифровой спектральный анализ и его приложения. Пер. с англ. М.: Мир, 1980. 584 с.Rangaian R. M. Biomedical Signal Analysis. A Case-Study Approach. Edited by A.P. Nemirko. Moscow. FIZMATLIT, 2007. 44 p. (In Russian).Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход. Пер. с англ. под ред. А. П. Немирко. М., ФИЗМАТЛИТ, 2007. 440 с.Chang H-H. Hsu C. C., Chen C-Y., Lee W-K., Hsu H-T., Shyu K-K, Yeh J-R., Lin P.-J., Lee P-L. A Method for Respiration Rate Detection in Wrist PPG Signal Using Holo-Hilbert Spectrum. IEEE Sensors Journal. 2018. V. 18(18), September 15. P. 11. http://doi.org/10.1109/JSEN.2018.2855974Chang H-H. Hsu C. C., Chen C-Y., Lee W-K., Hsu H-T.,. Shyu K-K, Yeh J-R., Lin P.-J., Lee P-L. A Method for Respiration Rate Detection in Wrist PPG Signal Using Holo-Hilbert Spectrum. IEEE Sensors Journal. 2018. V.18(18), September 15. P. 11. http://doi.org/10.1109/JSEN.2018.2855974Dehkordi P., A. , Molavi B., J. M Extracting Instantaneous Respiratory Rate from Multiple Photoplethysmogram Respiratory-Induced Variations. Front. in Physiol. 2018. V. 9. P. 10. http://doi.org /10.3389/fphys.2018.00948Dehkordi P., A. , Molavi B., J. M. Extracting Instantaneous Respiratory Rate from Multiple Photoplethysmogram Respiratory-Induced Variations. Front. in Physiol. 2018. V. 9. P. 10. http://doi.org /10.3389/fphys.2018.00948Elgendi M Menon Dataset of Psychological Scales and Physiological Signals Collected for Anxiety Assessment Using a Portable Device. Data Descriptor. 2022. V. 7. № 132.P. 12. https://doi.org/10.3390/data7090132Elgendi M Menon Dataset of Psychological Scales and Physiological Signals Collected for Anxiety Assessment Using a Portable Device. Data Descriptor. 2022. V. 7(9). № 132.P. 12. https://doi.org/10.3390/data7090132Garde A., Karlen W., Ansermino J. M., Dumont G. A. Estimating Respiratory and Heart Rates from the Correntropy Spectral Density of the Photoplethysmogram. PLOS ONE. 2014. V. 9(1). P. 11. https://doi.org /10.1371/journal.pone.0086427Garde A., Karlen W., Ansermino J. M., Dumont G. A. Estimating Respiratory and Heart Rates from the Correntropy Spectral Density of the Photoplethysmogram. PLOS ONE. 2014. V. 9(1). P. 11. https://doi.org/10.1371/ journal.pone.0086427Herawati N. E., Nisa K., Setiawan E. The Optimal Bandwidth for Kernel Density Estimation of Skewed. Distributional: A Case Study on Survival Time Data of Cancer Patients. Presiding Seminar Nasional Metode Quantitative. 2017. P. 380–388.Huang N. E., Hu K., Yang A. C., Chang H.-C., Jia D., Liang W.-K., Yeh J. R., Kao C.-L., Juan C.-H., Peng C.K., Meijer J. H., Wang Y.-H., Long S. R., Wu Z. On Holo-Hilbert spectral analysis: a full informational spectral representation for nonlinear and non-stationary data. Philosophical Transactions Series A, Mathematical, physical, and engineering sciences 374 (2065): 201502062016. 2016. P. 21. http://dx.doi.org/10.1098/rsta.2015.0206Huang N. E., Hu K., Yang A. C., Chang H.-C., Jia D., Liang W.-K., Yeh J. R., Kao C.-L., Juan C.-H., Peng C.K., Meijer J. H., Wang Y.-H., Long S. R., Wu Z. On Holo-Hilbert spectral analysis: a full informational spectral representation for nonlinear and non-stationary data. Philosophical Transactions Series A. Mathematical, physical, and engineering sciences. 374 (2065): 201502062016. 2016. P. 21. http://dx.doi.org/10.1098/rsta.2015.0206Huang N. E., Shen Z., Long S. R., . Wu M.L.C. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proc. Ro. Soc. Lond. A.1998. V. 454. P. 903–995. http://dx.doi.org/10.1098/rspa.1998.0193Huang N. E., Wu M-C., Long S. R., Shen S. S.P., Qu W., Gloersen P., Fan K. L. A confidence limit for empirical mode decomposition and Hilbert spectral analysis. Proc. R. Soс.: Mathematical, Physical and Engineering Sciences. 2003. V. 459. P. 2317–23425. http://dx.doi.org/10.1098/rspa.2003.1123Huang N. E., Wu M-C., Long S. R., Shen S. S.P. , Qu W., Gloersen P., Fan K. L. A confidence limit for empirical mode decomposition and Hilbert spectral analysis. Proc. R. Soс.: Mathematical, Physical and Engineering Sciences. 2003. V. 459. P. 2317–23425. http://dx.doi.org/10.1098/rspa.2003.1123Huang, N. E., Wu, Z., Long, S. R., Arnold K. C., Chen, X., Blank, K. On instantaneous frequency. Advances in Adaptive Data Analysis. 2009. V. 1(2). P. 177–229. http://dx.doi.org/10.1142/S1793536909000096Huang N. E., Wu Z., Long S. R., Arnold K. C., Chen X., Blank K. On instantaneous frequency. Advances in Adaptive Data Analysis. 2009. V. 1(2). P. 177–229. http://dx.doi.org/10.1142/S1793536909000096Huang N. E , Z. A review on Hilbert-Huang transform: Method and its applications to geophysical studies. 2008. V. 46(2): RG2008. P. 23. http://dx.doi.org/10.1029/2007RG000228Johansson A. Neural network for photoplethysmographic respiratory rate monitoring. Med. Biol. Eng. Computing 2003. V. 41(3). P. 242–248. http://dx.doi.org/10.1007/BF02348427Lázaro J., Gil E., Bailón R., Laguna P. Deriving Respiration from the pulse photoplethysmographic signal. Computing in Cardiology. 2011. V. 38. P. 713–716. https://www.researchgate.net/publication/254019768Nita G. M., Gary D. E., Liu Z., Hurford G. J., White S. M. Radio Frequency Interference Excision Using Spectral-Domain Statistics. The Astronomical Society of the Pacific. 2007. V. 119. P. 805–827. http://dx.doi.org/10.1086/520938PPG-BP Database. 2022. https://figshare.com/articles/dataset/PPG-BP_Database_zip/5459299?file=9441097Real-World PPG dataset. 2019. https://data.mendeley.com/datasets/yynb8t9x3d/1Santamaria I., Pokharel P. P., Principe J. C. Generalized correlation function: definition, properties, and application to blind equalization. IEEE Transactions on Signal Processing. 2006. V. 54(6). P. 2187–2197. http://dx.doi.org/10.1109/TSP.2006.872524Santamaria I., Pokharel P. P., Principe J. C. Generalized correlation function: definition, properties, and application to blind equalization. IEEE Transactions on Signal Processing. 2006, V. 54(6). P. 2187–2197. http://dx.doi.org/10.1109/TSP.2006.872524Shelley K. H., A. A R. G. The use of joint time frequency analysis to quantify the effect of ventilation on the pulse oximeter waveform. J. Clin. Monit. Compute. 2006. № 20(2). P. 81–87. http://dx.doi.org/10.1007/s10877-006-9010-7Silverman B. W. Density Estimation for Statistics and Data Analysis. London. Chapman & Hall/CRC, 1998. P. 176. https://doi.org/10.1201/9781315140919Silverman B. W. Density Estimation for Statistics and Data Analysis. London. Chapman & Hall/CRC. 1998. P. 176. https://doi.org/10.1201/9781315140919Tiara Medical. Kernel KN-601M. 2013. http://www.kernel-medical.ru/monitor/kn-601mVrabie V. D., Granjon P., Serviere C. Spectral Kurtosis: from Definition to Application. 6th IEEE International Workshop on Nonlinear Signal and Image Processing (NSIP 2003). 2003. P. 5. Grado-Trieste, Italy. hal-00021302. http//Hal. Science/ hal-00021302Vrabie V. D., Granjon P., Serviere C. Spectral Kurtosis: from Definition to Application. 6th IEEE International Workshop on Nonlinear Signal and Image Processing (NSIP 2003). 2003. P. 5. Grado-Trieste, Italy. hal-00021302. http//Hal. Science/ hal-00021302.Weifeng L., Pokharel P. P., Principe J. C. Correntropy: Properties and Applications in Non-Gaussian Signal Processing. IEEE Transactions on Signal Processing. 2007. V. 55(11). P. 5286–5298. https://doi.org/10.1109/TSP.2007.896065