No

Scientific Reports volumen 13, número de artículo: 11787 (2023) Citar este artículo

739 Accesos

3 altmétrico

Detalles de métricas

La sismocardiografía (SCG) es la medición no invasiva de las vibraciones locales de la pared torácica producidas por la actividad mecánica del corazón y se ha mostrado prometedora a la hora de proporcionar información clínica para determinadas enfermedades cardiovasculares, incluidas la insuficiencia cardíaca y la isquemia. Convencionalmente, las señales SCG se registran colocando un acelerómetro en el pecho. En este artículo, proponemos un novedoso método de medición de SCG sin contacto para extraerlos de videos de tórax grabados por un teléfono inteligente. Nuestro proceso consta de métodos de visión por computadora que incluyen el seguimiento de la plantilla de Lucas-Kanade para rastrear un objetivo artificial adherido al cofre y luego estimar las señales SCG a partir de los desplazamientos rastreados. Evaluamos nuestro proceso en 14 sujetos sanos comparando las estimaciones de SCG\(^\mathrm{{v}}\) basadas en la visión con el estándar de oro SCG\(^\mathrm{{g}}\) medido simultáneamente usando acelerómetros. pegado al pecho. La similitud entre SCG\(^\mathrm{{g}}\) y SCG\(^\mathrm{{v}}\) se midió en los dominios de tiempo y frecuencia utilizando el coeficiente de correlación de Pearson, un índice de similitud basado en dinámica deformación del tiempo (DTW) y coherencia de ondas. El índice de similitud promedio basado en DTW entre las señales fue de 0,94 y 0,95 en las direcciones de derecha a izquierda y de cabeza a pie, respectivamente. Además, se utilizaron señales SCG\(^\mathrm{{v}}\) para estimar la frecuencia cardíaca y estos resultados se compararon con la frecuencia cardíaca estándar obtenida a partir de señales de ECG. Los hallazgos indicaron una buena concordancia entre los valores estimados de la frecuencia cardíaca y las mediciones estándar (sesgo = 0,649 latidos/min). En conclusión, este trabajo es prometedor en el desarrollo de un método de bajo costo y ampliamente disponible para el monitoreo remoto de la actividad cardiovascular mediante videos de teléfonos inteligentes.

En los Estados Unidos, las enfermedades cardiovasculares (ECV) son la principal causa de muerte y siguieron siendo la principal causa de muerte durante la pandemia de COVID-19, representando el 20,1 % de todas las muertes entre marzo de 2020 y octubre de 20211. Según Según la Asociación Estadounidense del Corazón, las ECV imponen una enorme carga sanitaria y económica en los Estados Unidos y en todo el mundo2. Esta tasa de mortalidad y carga económica se pueden reducir mejorando los métodos de diagnóstico y haciéndolos más accesibles para lograr una detección más temprana de anomalías cardíacas. En ese sentido, la monitorización rutinaria de la actividad cardíaca puede aumentar la posibilidad de un diagnóstico temprano de las ECV. Los métodos actuales de monitorización de la actividad cardíaca incluyen técnicas tanto invasivas (como el cateterismo de la arteria pulmonar3) como no invasivas. Las técnicas invasivas generalmente se realizan en instalaciones clínicas, lo que limita su utilidad para la monitorización remota de rutina de los pacientes. Por otro lado, los métodos no invasivos como la electrocardiografía (ECG) se han utilizado ampliamente para desarrollar sistemas de monitorización remota que puedan utilizarse fuera de los centros sanitarios. Estudios recientes sobre sismocardiografía (SCG), otra técnica no invasiva que registra las vibraciones cardiovasculares en la superficie del tórax, sugirieron su potencial para estimar con precisión parámetros clínicamente significativos4. Estas vibraciones se pueden medir en direcciones dorsoventral, de derecha a izquierda y de cabeza a pie, y son causadas por actividades mecánicas del corazón, como la apertura y el cierre de las válvulas mitral y aórtica, la contracción isovolumétrica, la eyección y el llenado rápido de la válvula izquierda. ventrículo4,5,6. Dado que el SCG mide la actividad mecánica del corazón, puede proporcionar información diagnóstica complementaria a otras modalidades como el ECG y la oximetría de pulso que evalúan la actividad eléctrica del corazón y el nivel de oxígeno en sangre4,7,8. Como resultado, varios estudios demostraron que las señales del SCG contienen información que puede utilizarse para investigar con precisión la actividad cardíaca, como el momento de apertura y cierre de las válvulas aórtica y mitral9,10. Además, las señales SCG se han mostrado prometedoras en la detección y seguimiento de una variedad de enfermedades cardiovasculares, como enfermedades coronarias, infarto de miocardio, isquemia y hemorragia11,12,13,14,15,16,17.

Las señales SCG se miden convencionalmente usando acelerómetros colocados en la superficie del tórax. Con el avance de los sensores y la tecnología, el concepto de monitorización sin contacto de la actividad cardíaca ha recibido cada vez más atención debido a sus numerosas ventajas sobre las técnicas tradicionales. Estudios anteriores utilizaron diversas tecnologías, incluidos sensores infrarrojos18, radares19 o incluso dispositivos WiFi20,21 para la monitorización de signos vitales sin contacto. Si bien estos métodos han demostrado ser exitosos en entornos de laboratorio, su implementación práctica para la monitorización cardíaca fuera de laboratorios o instalaciones clínicas se ve obstaculizada por su hardware voluminoso o costoso. En los últimos años, con la proliferación de dispositivos de comunicación digitales, como teléfonos inteligentes y computadoras portátiles, la comunidad investigadora se ha interesado cada vez más en la monitorización remota de la actividad cardíaca basada en visión por computadora22,23. La evaluación de la salud basada en la visión ofrece distintos beneficios, como ser sin contacto, no invasiva y fácil de usar. Estos métodos se han utilizado en diferentes aplicaciones, incluida la monitorización de la frecuencia cardíaca y respiratoria, la evaluación de la variabilidad de la frecuencia cardíaca y la evaluación de la saturación de oxígeno en sangre24,25,26,27,28. Sin embargo, hasta donde sabemos, la mayoría de los estudios de monitorización cardíaca basados ​​en visión por computadora se centraron principalmente en medir la frecuencia cardíaca y no extrajeron eventos de alta frecuencia de baja amplitud de latidos cardíacos individuales relevantes para SCG29,30,31.

El objetivo de este estudio es determinar la viabilidad de utilizar la cámara de un teléfono inteligente y visión por computadora para adquirir un sismocardiograma. Por lo tanto, nuestro objetivo principal es estimar las señales SCG en las direcciones de derecha a izquierda y de cabeza a pie a partir de video utilizando técnicas de visión por computadora, lo que podría proporcionar un método novedoso para investigar las vibraciones inducidas por el corazón en el pecho y, eventualmente, sentar las bases para desarrollar un monitor cardíaco accesible y de bajo costo. De manera similar a capturar datos de múltiples acelerómetros en la superficie del pecho, utilizamos la cámara de un teléfono inteligente para rastrear múltiples regiones objetivo en la superficie del pecho para medir las señales de aceleración inducidas por la actividad cardíaca. La principal ventaja del método propuesto en este estudio es que utiliza la cámara de un teléfono inteligente para adquirir datos, que es relativamente fácil de configurar y puede implementarse inmediatamente en situaciones de emergencia. Los enfoques basados ​​en la visión también ofrecen la capacidad de monitorear mediciones multipunto con un solo sensor de cámara.

El protocolo del estudio fue aprobado por la junta de revisión institucional (IRB) de la Universidad Estatal de Mississippi y toda la investigación se realizó de acuerdo con las pautas y regulaciones descritas en el protocolo del IRB. Se reclutó un total de 14 sujetos sin antecedentes de ECV y de diversos orígenes (50 % blancos, 21,5 % negros, 21,5 % asiáticos y 7 % mestizos). La tabla 1 muestra la edad, la altura, el peso y el índice de masa corporal (IMC) de la población de estudio. Los sujetos firmaron un formulario de consentimiento informado y completaron una breve encuesta sobre sus condiciones de salud antes del estudio.

A todos los sujetos se les indicó que se tumbaran en decúbito supino en una cama sin movimientos corporales adicionales (Fig. 1a). Para minimizar el ruido de la respiración, los datos se adquirieron durante una retención de la respiración de 15 segundos al final de la inhalación seguida de otra retención de la respiración de 15 segundos al final de la exhalación.

Configuración experimental: (a) se pidió a los sujetos que se tumbaran en posición supina. Se sostuvo un teléfono inteligente por un soporte para teléfono para grabar en video el pecho del sujeto. b) La disposición de los sistemas de adquisición de señal y vídeo.

Se utilizó un teléfono inteligente (iPhone 13 Pro, Apple Inc, Cupertino, CA) para grabar en video la parte superior del pecho de los sujetos con una velocidad de adquisición de 60 fotogramas por segundo (fps) y una resolución de (3840 x 2160). Se utilizó un soporte para teléfono para mantener el teléfono inteligente fijo con la cámara trasera orientada hacia el pecho del sujeto. Para minimizar las vibraciones del teléfono, se utilizó un control remoto Bluetooth para iniciar y detener la grabación. Colocamos tres códigos QR con patrones de textura en la superficie del pecho como una región de interés artificial de alto contraste para ser rastreada por nuestro algoritmo de visión por computadora, ya que la variación de intensidad suficiente en la región objetivo proporciona un reconocimiento y coincidencia confiables en el seguimiento del objetivo32.

Para validar las señales SCG basadas en visión, se colocó un acelerómetro triaxial (356A32, PCB Piezotronics, Depew, NY) debajo de cada código QR. Luego, los acelerómetros se colocaron en tres ubicaciones del esternón, incluido el manubrio, la cuarta muesca costal y la apófisis xifoides. Se usó un acondicionador de señal (482C, PCB Piezotronics, Depew, NY) para amplificar las salidas del acelerómetro con un factor de ganancia de 100. Luego se registraron las señales amplificadas (es decir, SCG\(^\mathrm{{g}}\)). utilizando un sistema de adquisición de datos, DAQ, (416, iWorx Systems, Inc., Dover, NH) con una frecuencia de muestreo de 5000 Hz.

Las salidas del acelerómetro y los vídeos del tórax se grabaron simultáneamente utilizando dos sistemas independientes (es decir, el DAQ y el teléfono) con diferentes frecuencias de muestreo. Por lo tanto, para sincronizar las señales SCG\(^\mathrm{{g}}\) y SCG\(^\mathrm{{v}}\) en las últimas etapas del análisis de datos, se conectó un micrófono a ambos. sistemas y fue aprovechado al principio y al final de cada grabación. Estos grifos luego se identificaron en el audio del video y la señal de sonido grabada por el DAQ para sincronizar las señales. Además, se registraron señales de ECG en cada experimento (iWire-B3G, iWorx Systems, Inc., Dover, NH) y se usaron para la segmentación de SCG como se describirá más adelante. La Figura 1b muestra las ubicaciones de los sensores y la dirección de los ejes x e y en este estudio.

Nuestra medición de la señal SCG basada en la visión se basa en el seguimiento de objetivos artificiales (es decir, códigos QR) en la superficie del pecho. Como se muestra en la Fig. 2, los videos se preprocesaron después de la adquisición del video. Luego empleamos un algoritmo de seguimiento de objetivos para medir el desplazamiento de las regiones objetivo. Luego se realizó la calibración de la cámara para convertir los desplazamientos de píxeles a milímetros. Finalmente, calculamos la señal de aceleración a partir de los desplazamientos. En general, el proceso consta de cuatro pasos: (1) preprocesamiento; (2) cálculo de desplazamiento y seguimiento basado en visión; (3) calibración de la cámara; y (4) cálculo de aceleración. Cada paso se describe a continuación.

Canal de estimación de SCG basado en visión. El proceso consta de cuatro pasos principales: preprocesamiento, seguimiento de objetivos, calibración de la cámara y cálculo de la aceleración.

Para calcular las señales SCG en las direcciones x e y como se muestra en la Fig. 1b, los videos se rotaron, si era necesario, caso por caso, de modo que los códigos QR estuvieran alineados con los ejes x e y de la cámara. . Este paso se realizó para cada código QR por separado para garantizar que los ejes x e y del video y los acelerómetros estén lo más alineados posible.

Los métodos de visión por computadora se utilizan ampliamente para el seguimiento de objetos y la medición del desplazamiento en videos. Los métodos de estimación de desplazamiento basados ​​en la visión, como las técnicas de seguimiento y el flujo óptico, calculan el desplazamiento relativo correlacionando fotogramas de imágenes sucesivos en un vídeo. La coincidencia de plantillas es la técnica de seguimiento más frecuente, que funciona buscando las regiones de la imagen que son más similares a una plantilla de referencia. En el presente estudio, empleamos un método de seguimiento de plantilla basado en flujo óptico para extraer la información de desplazamiento de las regiones objetivo en el tórax. Más específicamente, utilizamos el algoritmo de seguimiento de plantilla de Lucas-Kanade33 para medir el desplazamiento de los códigos QR adheridos al cofre. En este sentido, adaptamos el enfoque unificado propuesto en34 para el método Lucas-Kanade para el seguimiento de códigos QR, con el objetivo de minimizar la suma del error al cuadrado entre dos imágenes, es decir, el código QR en sí y un cuadro de video en el que se muestra el código QR. Se está buscando el código QR. La minimización se realiza basándose en deformar el fotograma del vídeo en el fotograma de coordenadas del código QR. Dado que esta optimización no es lineal, se realiza de forma iterativa resolviendo incrementos para actualizar los parámetros de deformación previamente conocidos.

Dada una secuencia de vídeo de cofre I(x), sea \(I_n({x})\) el \(n\)ésimo fotograma de vídeo en el que buscamos una región que coincida con la plantilla del código QR, donde \({x }=(x,y)^T\) es un vector de columna que contiene las coordenadas de píxeles y \(n=1,2,\dotsc ,N\) representa el número de fotograma. La plantilla QR(x) es la región de destino definida a partir del primer fotograma \(I_1({x})\) del vídeo del cofre. Luego se calculó el movimiento del código QR asignando el QR(x) a los fotogramas sucesivos \(I_n({x})\). El mapeo se realizó usando una función de deformación W(x; u), que fue parametrizada por el vector \({u}=(u_1,\dotsc ,u_k)^T\). La función de deformación W(x; u) transforma el píxel x en el marco de coordenadas del QR(x) a la posición del subpíxel W(x; u) en el marco de coordenadas del fotograma de video \(I_n({x} )\). Suponiendo que el código QR es plano, paralelo al plano de la cámara y no está girado, la función de deformación W(x; u) se puede calcular usando la siguiente transformación de imagen 2D, donde los parámetros \({u}=(u_1, u_2)^T\) es el vector de movimiento.

El objetivo del algoritmo de seguimiento ahora es encontrar parámetros óptimos u tales que la imagen deformada \(I_n({W(x;u)})\) y el QR(x) estén perfectamente alineados. La región que coincide con el código QR en un nuevo marco se determina optimizando los parámetros u para minimizar la suma del error de diferencia al cuadrado entre \(I_n({W(x;u)})\) y QR(x) como

donde se mide el error entre la intensidad de cada píxel x del código QR y su correspondiente píxel en el fotograma del vídeo \(I_n({W(x;u)})\). Para calcular \(I_n({W(x;u)})\), es necesario interpolar la imagen \(I_n\) en las posiciones de subpíxeles W(x; u). La minimización de la expresión en (2) es un problema de optimización no lineal, que se resuelve actualizando iterativamente los parámetros u usando los incrementos \({\Delta u}\) asumiendo que se conoce la estimación actual de u. En consecuencia, (2) puede reescribirse como

y los parámetros u se actualizan iterativamente como

El no lineal (3) se puede linealizar empleando la aproximación de Taylor de primer orden de \(I_n({W(x;u+\Delta u)})\) como

donde \({\nabla I_n} = \left( {\partial I_n}/{\partial x}, {\partial I_n}/{\partial y} \right)\) representa el gradiente del fotograma de vídeo \(I_n \) evaluado en la estimación actual de la deformación W(x; u), y \({\partial {W}}/{\partial {u}}\) es el jacobiano de la función de deformación W(x; u) . La aproximación de primer orden de \(I_n({W(x;u+\Delta u)})\) de (5) se puede sustituir en (3) como

La minimización de la función de error en (6) es un problema de mínimos cuadrados que se puede resolver tomando la derivada parcial de la función de error E con respecto a \({\Delta u}\) como

y luego establece \({\partial E}/{\partial {\Delta u}}=0\), lo que da como resultado

donde H representa la matriz de Hesse \(n\times n\) de la aproximación de Gauss-Newton y se define como

Los pasos en (8) y (4) se repiten hasta la convergencia de u (es decir, \(\Vert {\Delta u}\Vert \le \epsilon\), donde \(\epsilon\) es un umbral). También definimos un límite para el número máximo de iteraciones \(i^{max}\) para reducir el costo computacional. El pseudocódigo de nuestro seguimiento basado en visión se muestra en el Algoritmo 1.

Para convertir el desplazamiento obtenido por el algoritmo de seguimiento del objetivo de píxel a milímetro, es necesario establecer una relación geométrica entre el sistema de coordenadas de la imagen 2D y el sistema de coordenadas mundial. Esto se hizo mediante el proceso de calibración de la cámara. Al calibrar la cámara, intentamos alinear el sistema de coordenadas de la cámara con el sistema de coordenadas mundial. El factor de escala es una de las formas más comunes de calibrar una cámara para medir el desplazamiento. Cuando el eje óptico de la cámara es perpendicular al plano del objeto, se puede suponer que todos los puntos de ese plano tienen la misma profundidad de campo y se pueden reducir de manera similar al plano de la imagen. Generalmente, el factor de escala se puede calcular utilizando los dos métodos siguientes35. Primero, \(SF_1=D_{mm}/D_{pixel}\) calcula la relación entre la dimensión física de la superficie del objeto en milímetros o pulgadas en el sistema de coordenadas mundial y la dimensión correspondiente en píxeles en el marco de la imagen, donde \ (D_{mm}\) es la longitud física del objetivo artificial en milímetros, y \(D_{pixel}\) es la longitud de píxel correspondiente (Fig. 3a). En segundo lugar, \(SF_2=d\times p/f\) se basa en la relación entre la distancia entre la cámara y el objeto objetivo y la distancia focal de la cámara. Aquí, d es la distancia desde la cámara a la superficie del objeto, f es la distancia focal y p es la unidad de longitud del sensor de la cámara (\(\mu\)m/píxel). En este estudio, dado que el plano de la imagen era paralelo al movimiento de la región objetivo, empleamos el factor de escala \(SF_1\). Para la conversión de unidades de píxeles de la imagen a milímetros, primero medimos el tamaño físico real del código QR y luego calculamos la dimensión de píxeles del mismo código QR en la imagen, como se ilustra en la Fig. 3b. Usando estos dos valores, determinamos el factor de escala.

Calibración de cámara y cálculo del factor de escala. (a) Modelo de cámara estenopeica, (b) diagrama esquemático del cálculo del factor de escala para convertir la unidad de píxel a unidad de longitud (mm). \(D_{mm}\) y \(D_{pixel}\) son la distancia física de dos puntos en milímetros y la distancia de los mismos puntos en el píxel de la imagen, respectivamente.

Después de calcular la señal de desplazamiento y convertirla a milímetros, la señal de aceleración (es decir, SCG\(^\mathrm{{v}}\)) se derivó calculando la segunda derivada de la señal de desplazamiento.

Validamos nuestro proceso de visión por computadora comparando las estimaciones de SCG con las señales estándar en los dominios de tiempo y frecuencia.

Descripción general del preprocesamiento SCG\(^\mathrm{{g}}\) estándar de oro y SCG\(^\mathrm{{v}}\) basado en visión. La salida del micrófono fue grabada simultáneamente tanto por la cámara como por el DAQ para sincronizar las señales. El SCG\(^\mathrm{{g}}\) sin procesar se filtró de paso de banda y el SCG\(^\mathrm{{v}}\) se volvió a muestrear a 5000 Hz. Luego, ambas señales se segmentaron utilizando las ondas R del ECG y se calcularon los promedios conjuntos de sus segmentos. El análisis de similitud en el dominio del tiempo se realizó entre los promedios de conjunto de los segmentos SCG. Para el análisis tiempo-frecuencia se utilizaron todas las señales preprocesadas.

Para comparar las señales SCG registradas por los acelerómetros con las estimadas a partir del video del tórax, primero se preprocesaron las señales SCG\(^\mathrm{{g}}\) y SCG\(^\mathrm{{v}}\). La Figura 4 muestra una descripción general del proceso de procesamiento de señales en este estudio. Las salidas del acelerómetro se filtraron utilizando un filtro de paso de banda con frecuencias de corte de 1 y 30 Hz. Esto se hizo porque las estimaciones SCG del vídeo podían capturar vibraciones hasta la mitad de la velocidad de adquisición de la cámara (es decir, 60 fps). Además, las señales SCG basadas en visión se volvieron a muestrear mediante interpolación lineal a 5000 Hz (es decir, la frecuencia de muestreo de las señales estándar de oro). Al SCG\(^\mathrm{{v}}\) sin procesar con una frecuencia de muestreo de 60 Hz le faltaban algunas características de forma de onda, como la curvatura entre dos puntos de muestra consecutivos. El paso de remuestreo se realizó para obtener un SCG\(^\mathrm{{v}}\) más suave mediante la reconstrucción de las características perdidas y tuvo un efecto mínimo en el contenido de las señales en los dominios de tiempo y frecuencia. El paso de remuestreo también incluyó el empleo de un filtro de paso bajo antialiasing FIR y tuvo en cuenta el retraso introducido por el filtro. Luego, las señales del SCG se segmentaron en ciclos cardíacos utilizando las ondas R del ECG identificadas mediante el algoritmo de Pan-Tompkin36,37. Primero, se calculó la duración promedio del ciclo cardíaco en términos del número de puntos de muestra, \(n_c\), para cada sujeto utilizando los intervalos RR del ECG. Luego, los segmentos SCG se definieron como \(SCG(n_i-n_c/4:n_i+3 \times n_c/4)\), donde \(n_i\) denota el índice de tiempo de la i-ésima onda R del ECG.

Los promedios conjuntos de los segmentos SCG, \(\overline{\text {SCG}}^{g}\) y \(\overline{\text {SCG}}^{v}\), se calcularon y utilizaron para el Análisis de similitud en el dominio del tiempo. El promedio del conjunto ayudó a eliminar la variabilidad y el ruido entre latidos. El coeficiente de correlación de Pearson entre \(\overline{\text {SCG}}^{g}\) y \(\overline{\text {SCG}}^{v}\) se calculó para las señales registradas en las tres ubicaciones. . Este coeficiente representa qué tan estrechamente están correlacionadas las dos señales. Sin embargo, cualquier desfase temporal entre dos señales similares puede dar lugar a un coeficiente de correlación bajo. Por lo tanto, en este estudio, también utilizamos la distorsión dinámica del tiempo (DTW) para evaluar la similitud de las señales38. Para este propósito, se utilizan las distancias euclidianas entre el promedio conjunto de los segmentos SCG basado en visión y estándar de oro, \(D(\overline{SCG}\mathrm{^{g}},\overline{SCG}\mathrm{^{ v}})\), se calcularon primero usando DTW mientras que la ruta de deformación estaba restringida a estar dentro de un umbral de distancia del 5% desde el ajuste en línea recta. Luego se definió y calculó el índice de similitud, S, entre los promedios del conjunto como

donde \(M(\overline{SCG}\mathrm{^{g}})\) es el máximo del valor absoluto de los segmentos SCG\(^\mathrm{{g}}\) estándar de oro multiplicado por el longitud de un segmento, es decir, \(n_c\). Este índice de similitud normalizado siempre está en el rango de \(\left[ 0,1 \right]\).

La correlación entre las señales SCG estándar y basadas en visión en el plano tiempo-frecuencia se calculó utilizando la coherencia wavelet de magnitud cuadrada (\(C_{g,v}\)) como39

donde \(C_g(a,b)\) y \(C_v(a,b)\) son las transformadas wavelet continuas de las señales SCG\(^\mathrm{{g}}\) y SCG\(^\mathrm {{v}}\) en escalas a y posiciones b. \(\mathscr{S}(\cdot )\) es una función de suavizado en tiempo y escala, y el superíndice \(*\) es el operador conjugado complejo. La coherencia se calculó utilizando la wavelet analítica de Morlet, ya que trabajos anteriores mostraron que la wavelet de Morlet estima el contenido de frecuencia de las señales SCG con mayor precisión que otras funciones madre40. Las correlaciones se calcularon durante la duración de las grabaciones y en el rango de 0 a 30 Hz. \(C_{g,v}\) siempre está en el rango de \(\left[ 0,1 \right]\), donde \(C_{g,v}=1\) indica la correlación más alta entre los dos señales en el dominio de la frecuencia.

La frecuencia cardíaca (FC) de los sujetos se estimó utilizando SCG\(^\mathrm{{v}}\). Para evaluar la precisión de estas estimaciones, se compararon con los valores de FC estándar obtenidos de las señales de ECG (\(HR_{ECG}\)). \(HR_{ECG}\) se calculó en latidos por minuto (bpm) determinando los índices temporales de los picos R del ECG utilizando el algoritmo de Pan-Tompkin y luego sustituyéndolos en la ecuación. (12):

donde, \(n_i\) representa el índice de tiempo del iésimo pico R del ECG. Para estimar la FC de SCG\(^\mathrm{{v}}\) (\(HR_{SCG}\)), desarrollamos un algoritmo basado en el filtrado de paso de banda de las señales y encontrando los picos de las señales filtradas (Algoritmo 2).

Nuestro objetivo era comprender si las señales SCG se pueden extraer de los vídeos de tórax grabados por un teléfono inteligente. Estimamos las señales de SCG en las direcciones x e y utilizando nuestro canal de visión por computadora para las tres ubicaciones de los sensores. La Figura 5 muestra el SCG basado en la visión y los datos del acelerómetro estándar para uno de los sujetos masculinos (sujeto 9, durante la retención de la respiración al final de la inhalación). Luego, las señales de SCG se segmentaron en ciclos cardíacos utilizando ondas R de ECG como se describe en "Preprocesamiento de señales". Los segmentos de SCG y sus promedios de conjunto se muestran en el panel central de la Fig. 5. Comparación cualitativa del promedio de conjunto de SCG\(^\mathrm{{g}}\) y SCG\(^\mathrm{{v} }\) los segmentos indicaron que nuestro canal basado en visión pudo capturar las características principales de \(\mathrm{SCG_{x}}\) y \(\mathrm{SCG_{y}}\). Sin embargo, la variabilidad intragrupo de los segmentos SCG\(^\mathrm{{v}}\) fue mayor que la de los segmentos SCG\(^\mathrm{{g}}\), especialmente en la dirección x. Se obtuvieron resultados similares para otros sujetos.

Señales SCG\(^\mathrm{{g}}\) (negro) y basadas en visión SCG\(^\mathrm{{v}}\) (azul) estándar en x (de derecha a izquierda) y Direcciones y (cabeza a pie) (paneles superior e inferior, respectivamente) obtenidas de un participante masculino durante la retención de la respiración al final de la inhalación (sujeto 9, el acelerómetro medio y el código QR). Los segmentos SCG se muestran en el panel central. Las formas de onda en negrita en negro y azul representan el promedio del conjunto de los segmentos. A la derecha se muestran la matriz de distancia del análisis dinámico de deformación del tiempo, la trayectoria de deformación (línea negra), el ajuste en línea recta (línea discontinua verde) y el índice de similitud S usando (10).

Analizamos las estimaciones basadas en la visión de \(\mathrm{SCG_{x}}\) (dirección de derecha a izquierda) y \(\mathrm{SCG_{y}}\) (dirección de cabeza a pie) en dominios de tiempo y frecuencia para determinar cuantitativamente si son comparables a los obtenidos de los acelerómetros adheridos a la piel del pecho. Para ello, calculamos la similitud entre el \(\overline{\text {SCG}}^{g}\) y el \(\overline{\text {SCG}}^{v}\) de todos los sujetos reclutados. en este estudio. Uno de los vídeos de tórax de una mujer (sujeto 4, retención de la respiración al final de la exhalación) no se guardó correctamente durante el paso de adquisición de datos y, por lo tanto, se excluyó de un análisis posterior. Considerando que para cada sujeto, las señales \(\mathrm{SCG_{x}}\) y \(\mathrm{SCG_{y}}\) se midieron desde tres lugares en el pecho, y durante la retención de la respiración al final de inhalación y exhalación, hubo un total de 162 pares de \(\overline{\text {SCG}}^{g}\) y \(\overline{\text {SCG}}^{v}\) para el Validación del proceso de visión por computadora propuesto.

La similitud temporal de los promedios del conjunto de los segmentos SCG\(^\mathrm{{g}}\) y SCG\(^\mathrm{{v}}\) se evaluó calculando el coeficiente de correlación entre las señales (la izquierda panel de la Fig. 6). En este gráfico, la coordenada x de cada punto de datos representa el coeficiente de correlación entre \(\overline{\text {SCG}}^\text {g}_x\) y \(\overline{\text {SCG}}^ \texto{v}_x\). De manera similar, se muestra el coeficiente de correlación entre \(\overline{\text {SCG}}^\text {g}_y\) y \(\overline{\text {SCG}}^\text {v}_y\). en el eje y. Por lo tanto, cuando las señales \(\text {SCG}_x^\text {v}\) y \(\text {SCG}_y^\text {v}\) obtenidas de un código QR exhiben altas correlaciones con el oro- estándar \(\text {SCG}^\text {g}\), el punto correspondiente en el gráfico aparecerá en la esquina superior derecha. Por el contrario, si ambas señales \(\text {SCG}^\text {v}\) en las direcciones x e y demuestran una baja correlación con \(\text {SCG}^\text {g}\), el punto correspondiente caerá en la esquina inferior izquierda de la trama. Los resultados mostraron que la correlación entre los pares \(\mathrm{SCG_{y}}\) estándar de oro y los basados ​​en la visión era mayor que la correlación entre los pares \(\mathrm{SCG_{x}}\). En otras palabras, mientras que todos los pares \(\mathrm{SCG_{y}}\) tenían una correlación de 0,5 o mayor (la mitad superior del gráfico), los pares \(\mathrm{SCG_{x}}\) presentaron una correlación más baja con muchos pares que caen en la mitad izquierda del gráfico, es decir, un coeficiente de correlación de menos de 0,5 que incluía tres pares (todos del sujeto 11) que tenían una correlación negativa (no se muestra en la Fig. 6). Más específicamente, la correlación promedio entre pares \(SCG_{y}\) fue de 0,86 con un máximo de 0,99. Por otro lado, la correlación promedio entre los pares \(\mathrm{SCG_{x}}\) fue de 0,60 con un máximo de 0,88.

Índice de correlación y similitud entre el SCG\(^\mathrm{{g}}\) estándar y el SCG\(^\mathrm{{v}}\) basado en la visión. Cada punto de datos representa la comparación entre los datos de un acelerómetro y el SCG estimado a partir del código QR correspondiente. Tres \(\mathrm{SCG_{x}}\) pares del sujeto 11 tuvieron un coeficiente de correlación negativo y no se muestran en el gráfico de la izquierda.

También se investigó la similitud de las señales en el dominio del tiempo utilizando DTW. El panel derecho de la Fig. 5 muestra las matrices de distancia en las direcciones xey para el acelerómetro medio y el código QR del sujeto 9 (contención de la respiración al final de la inhalación). La distancia euclidiana entre las señales estándar y basadas en visión se calculó a partir de las matrices de distancia y se utilizó para calcular los índices de similitud \(S_x\) y \(S_y\). Los índices de similitud para otros sujetos se calcularon de manera similar y se informaron en el panel central de la Fig. 6). Las coordenadas xey de los puntos de datos en este gráfico representan \(S_x\) y \(S_y\), respectivamente. La alta similitud entre las señales \(\text {SCG}^\text {v}\) de un código QR y el estándar de oro \(\text {SCG}^\text {g}\) da como resultado puntos en la parte superior derecha rincón de la parcela. Por el contrario, las correlaciones bajas colocan los puntos correspondientes en la esquina inferior izquierda. Los resultados mostraron que la similitud de los promedios del conjunto en las direcciones x e y fue superior a 0,85. La similitud promedio, máxima y mínima entre los pares \(\mathrm{SCG_{x}}\) fueron 0,94, 0,98 y 0,89, respectivamente. También se obtuvieron valores altos de similitud para los pares \(\mathrm{SCG_{y}}\) (0,95, 0,99 y 0,88, respectivamente). No se observaron diferencias significativas entre los índices de similitud de diferentes grupos de datos (p. ej., hombres versus mujeres, o al final de la inhalación versus al final de la exhalación).

La Figura 7 muestra los gráficos de coherencia de ondas de magnitud cuadrada para la ubicación media de todos los sujetos durante la retención de la respiración al final de la exhalación. La línea discontinua blanca es el cono de influencia que distingue las áreas del escalograma que pueden verse afectadas por artefactos de efecto de borde (es decir, fuera de la línea discontinua) de aquellas que representan información precisa de tiempo y frecuencia (es decir, dentro de la línea discontinua). Los resultados mostraron que la correlación espectrotemporal de las señales \(\mathrm{SCG_{y}}\) era mayor que sus correspondientes pares \(\mathrm{SCG_{x}}\). La mayoría de los pares tuvieron una alta correlación en las bandas de frecuencia más bajas de 1 a 5 Hz. Los pares de señales de algunos sujetos también mostraron una alta correlación en las bandas de frecuencia media. Por ejemplo, la coherencia de las wavelets entre \(\text {SCG}_y^\text {g}\) y \(\text {SCG}_y^\text {v}\) del sujeto 6 estaba por encima de 0,9 en la banda de frecuencia. de 4 a 10 Hz. En las bandas de frecuencia más altas (es decir, 15 a 30 Hz), las correlaciones de la señal fueron más bajas que las de las bandas de frecuencia más bajas. Sin embargo, las señales tenían una correlación de 0,6 a 0,9 durante la sincronización de los ruidos cardíacos (es decir, SCG1 y SCG2 según la definición de un estudio anterior4).

Coherencia de ondículas entre las señales SCG\(^\mathrm{{g}}\) estándar y SCG\(^\mathrm{v}}\) basadas en la visión calculadas para el experimento de retención de la respiración al final de la exhalación. . La línea discontinua blanca muestra el cono de influencia. Los números de los sujetos se indican en la esquina superior derecha de cada gráfico. Los números rosados ​​corresponden a sujetos femeninos. Para este experimento, el vídeo del sujeto 4 (mujer) no se guardó correctamente y, por lo tanto, falta.

Se utilizó el gráfico de Bland-Altman para determinar el nivel de concordancia entre el estándar de oro \(\mathrm{HR_{ECG}}\) y \(\mathrm{HR_{SCG}}\) estimado a partir de las señales SCG basadas en la visión. (Figura 8). Debido a la menor similitud observada entre las señales SCG\(^\mathrm{{v}}\) del sujeto 11 y el estándar de oro SCG\(^\mathrm{{g}}\), excluimos este sujeto en particular de el análisis de recursos humanos. El sesgo o la diferencia media de las estimaciones de FC entre ECG y SCG\(^\mathrm{{v}}\) fue de 0,649 lpm. Los límites de concordancia inferior y superior oscilaron entre -4,637 y 5,937 bpm.

Gráfico de Bland-Altman para frecuencias cardíacas estimadas a partir de ECG (\(\mathrm{HR_{ECG}}\)) y SCG\(^\mathrm{{v}}\) (\(\mathrm{HR_{SCG}}\ )) derivados de los datos agregados de todos los sujetos (hombres, mujeres; contener la respiración al final de la exhalación y al final de la inhalación), excepto el sujeto 11. Sesgo medio (línea continua) y límites de concordancia superior e inferior, es decir , se muestra la media ± 1,96 DE (líneas discontinuas).

Este trabajo muestra que las vibraciones inducidas por el corazón se pueden extraer de los vídeos grabados del tórax. Validamos nuestro proceso basado en visión evaluando la similitud entre el SCG\(^\mathrm{{v}}\) y el estándar de oro SCG\(^\mathrm{{g}}\) registrado por los acelerómetros conectados a la piel del pecho. Los resultados en el dominio del tiempo demostraron un alto índice de similitud DTW, pero un coeficiente de correlación más bajo, especialmente entre \(\text {SCG}^\text {g}_x\) y \(\text {SCG}^\text {v}_x \). Esto podría deberse en parte a que las señales SCG\(^\mathrm{{g}}\) y SCG\(^\mathrm{{v}}\) se adquirieron simultáneamente utilizando dos sistemas independientes con diferentes frecuencias de muestreo. Aunque desarrollamos estrategias para sincronizar la salida de estos sistemas, todavía hubo un desfase de tiempo entre las señales basadas en visión y las señales estándar en cada experimento. El retraso promedio entre los pares \(\mathrm{SCG_{x}}\) y los pares \(\mathrm{SCG_{y}}\) fue \(52\pm 112\) ms y \(41\pm 104\) ms, respectivamente. El algoritmo DTW tuvo en cuenta este retraso estirando la señal SCG\(^\mathrm{{v}}\) sobre el SCG\(^\mathrm{{g}}\) de manera que las distancias euclidianas entre los puntos correspondientes sean las más pequeñas. . Por otro lado, la presencia de este desfase temporal resultó en coeficientes de correlación más bajos. Por lo tanto, los índices de similitud más altos basados ​​en DTW pueden proporcionar una evaluación más precisa de las similitudes de señales y el rendimiento de nuestro canal de visión por computadora.

Se emplearon señales SCG\(^\mathrm{{v}}\) para estimar la FC de los sujetos. En general, se observó una buena concordancia entre las mediciones de FC estándar y las estimaciones de FC derivadas de señales SCG\(^\mathrm{{v}}\). Sin embargo, es importante mencionar que se utilizó un algoritmo básico basado en filtrado de paso de banda de señales entre 0,7 y 1,5 Hz para la estimación de la FC a partir de las señales del SCG. Se eligió este enfoque simplificado porque el objetivo de este estudio no implicaba el desarrollo de un algoritmo avanzado de estimación de la FC. En consecuencia, es posible que los acuerdos relativamente más bajos entre algunas estimaciones de FC basadas en SCG\(^\mathrm{{v}}\) y el estándar de oro estuvieran influenciados, como lo ejemplifican los dos valores atípicos al final de la inhalación para sujetos masculinos. (mostrado por círculos azules encima y debajo de los límites de acuerdo en la Fig. 8). Más específicamente, los valores de FC inferiores a 60 lpm mostraron una dispersión más amplia en el gráfico de Bland-Altman. Además, nuestro algoritmo de estimación de SCG\(^\mathrm{{v}}\) y FC tendió a subestimar ligeramente la FC para los valores superiores a 81 lpm. El trabajo futuro puede centrarse en mejorar el algoritmo de estimación de la FC para obtener una comprensión más completa del potencial de las señales SCG\(^\mathrm{{v}}\) en la estimación de la FC y los intervalos de tiempo cardíacos.

Cuando se coloca un acelerómetro triaxial en el pecho, los componentes del SCG se miden en los tres ejes x (de derecha a izquierda), y (de cabeza a pie) y z (dorsoventral), cada uno de los cuales muestra un patrón específico. Sin embargo, nuestro proceso basado en visión solo pudo estimar las señales SCG a lo largo de las direcciones xey. En la literatura, la mayoría de los estudios de SCG, incluidos aquellos que utilizaron un método de medición sin contacto, se centraron en el componente dorsoventral del SCG7,10. Aunque nuestro método no puede estimar actualmente el componente dorsoventral, es posible que se pueda extraer información diagnóstica adicional y complementaria del análisis de los componentes SCG de derecha a izquierda y de cabeza a pie7. Por ejemplo, Shandhi et al. informaron que los cambios en la presión media de la arteria pulmonar y la presión de enclavamiento de los capilares pulmonares se pueden estimar mejor a partir de los cambios en las señales del SCG a lo largo del eje x14. Además, en este estudio, los videos fueron capturados con una velocidad de adquisición de 60 fps, lo que nos permitió estimar las características del SCG hasta 30 Hz, es decir, las características del SCG infrasónico41. Dado que las señales del SCG pueden contener información clínicamente relevante para ECV específicas en los rangos de frecuencia más altos42, desarrollaremos una configuración experimental y un proceso para estimar las características de frecuencia más alta, así como los componentes dorsoventrales del SCG en nuestros esfuerzos futuros.

Es bien sabido que las señales del SCG varían según sus ubicaciones de medición en el tórax4. Los métodos convencionales para investigar la variabilidad del SCG incluyen el empleo de una serie de acelerómetros colocados en el pecho. Por ejemplo, Azad et al. utilizaron 32 acelerómetros en su disposición entre la axila anterior derecha e izquierda y entre el segundo y quinto espacio intercostal43. Aunque aumentar la cantidad de sensores en dichos conjuntos puede proporcionar una mejor imagen de la distribución espacial de SCG, también hace que el proceso de instrumentación y adquisición de datos sea más costoso y requiera más mano de obra. Por otro lado, nuestra canalización basada en visión puede estimar simultáneamente señales SCG desde múltiples puntos del tórax sin afectar el costo computacional de la adquisición o análisis de datos. Por ejemplo, probamos nuestra tubería para obtener señales SCG desde tres ubicaciones en el esternón (Fig. 9). Esta característica abre la puerta a futuras investigaciones de las señales SCG y su variabilidad intrasujeto a un costo menor en comparación con los métodos convencionales.

Estimaciones simultáneas de SCG basadas en visión desde múltiples ubicaciones del tórax (resultados para el sujeto 9, retención de la respiración al final de la inhalación).

Además, durante la adquisición y el preprocesamiento de datos, intentamos alinear los ejes xey del vídeo con los de los acelerómetros. Sin embargo, dado que estimamos simultáneamente las señales SCG de tres ubicaciones a lo largo del esternón a partir del mismo video, es posible que el eje y de los acelerómetros colocados en el manubrio y la apófisis xifoides no siempre estén perfectamente alineados con el eje y de la cámara. Esto se debe en parte a que la superficie del pecho no es plana y, por lo tanto, la superficie superior de esos acelerómetros puede no ser paralela a la superficie del teléfono inteligente (es decir, no perpendicular al eje óptico de la cámara). En consecuencia, esto puede dar como resultado la estimación de los componentes del SCG\(^\mathrm{{v}}\) en direcciones ligeramente diferentes a las del SCG\(^\mathrm{{g}}\). Como resultado, la correlación entre las dos señales puede verse afectada por esta desalineación, especialmente en el dominio del tiempo.

En este trabajo, estimamos las señales SCG a partir de videos rastreando el movimiento de códigos QR adjuntos a los acelerómetros en el cofre. Sin embargo, es importante tener en cuenta que la precisión de este método depende de la calidad de la conexión del código QR al acelerómetro. Por ejemplo, un código QR mal adjunto puede comprometer los resultados de SCG\(^\mathrm{{v}}\). Además, cualquier limitación u obstrucción en la línea de visión de la cámara puede afectar negativamente el rendimiento de nuestra canalización basada en visión. Además, la premisa básica del método de seguimiento de plantilla es que la apariencia del objeto permanece sin cambios durante todo el vídeo. Pero en realidad, la apariencia de un objeto cambia con el tiempo, por ejemplo, debido a la rotación, la transformación geométrica o la alteración de la textura. Una opción para considerar estos cambios es actualizar la plantilla con el tiempo con una nueva plantilla a partir del fotograma actual del vídeo, lo que se puede hacer en cada fotograma o, alternativamente, cada m fotogramas. Sin embargo, un problema grave al construir un sistema de seguimiento adaptativo es que, con cada actualización de la plantilla, se agrega un pequeño error a la ubicación de la plantilla. La región rastreada eventualmente se aleja de la ubicación real de la plantilla como resultado de la acumulación de estos errores. Matthews et al.44 propusieron una solución a este problema corrigiendo y actualizando la plantilla utilizando una combinación de las plantillas de referencia recuperadas de los marcos inicial y más reciente. En este estudio de viabilidad, también utilizamos esta estrategia para corregir y actualizar la plantilla manteniendo la primera plantilla, es decir, la imagen del código QR extraída del primer cuadro QR(x) y utilizándola para corregir la deriva en \(QR_{ m+1}({x})\). Sin embargo, dado que las vibraciones del pecho causadas por la actividad mecánica del corazón tienen una amplitud pequeña, no encontramos ninguna diferencia significativa entre el uso del método de seguimiento de plantilla de Lucas-Kanade con y sin corrección de plantilla. Por lo tanto, sólo presentamos los resultados sin una corrección de plantilla.

Finalmente, la alta similitud de DTW y la buena concordancia entre los valores de FC \(HR_{SCG}\) y el estándar de oro informados en este estudio demostraron la viabilidad de nuestro método de medición de SCG sin contacto. Este estudio es el primer paso de nuestros esfuerzos para desarrollar un canal preciso y sólido para estimar las señales SCG de los videos de tórax en condiciones de la vida real, como capturar videos de tórax usando la cámara frontal mientras el usuario sostiene el teléfono inteligente (es decir, en presencia de ruido de vibración de la cámara). Teniendo en cuenta el creciente número de usuarios de teléfonos inteligentes y las investigaciones cada vez mayores sobre la utilidad de SCG para el seguimiento y diagnóstico de enfermedades cardiovasculares, esta novedosa técnica puede proporcionar un método asequible y ampliamente disponible para evaluar la salud cardiovascular y derivar a aquellos usuarios con alto riesgo a equipo médico para una evaluación adicional de sus condiciones.

En este trabajo, hemos desarrollado un canal basado en la visión para estimar las señales SCG en las direcciones de derecha a izquierda y de cabeza a pie a partir de videos de tórax grabados con un teléfono inteligente. Validamos nuestro proceso comparando las señales SCG basadas en visión con las señales estándar medidas por acelerómetros triaxiales. Hemos demostrado que existía una correlación relativamente alta entre las estimaciones de las señales SCG basadas en el estándar de oro y las basadas en la visión. En general, este trabajo demuestra la posibilidad de extraer vibraciones cardíacas de vídeos de teléfonos normales. Más estudios pueden conducir a un cambio de paradigma en el desarrollo de herramientas de monitorización cardíaca remota accesibles y asequibles.

Los datos generados y analizados durante el estudio actual no están disponibles públicamente debido a los requisitos del IRB, pero pueden estar disponibles a través del autor correspondiente previa solicitud razonable.

Shiels, MS, Haque, AT, de González, AB & Freedman, ND Principales causas de muerte en EE. UU. durante la pandemia de COVID-19, marzo de 2020 a octubre de 2021. Pasante de JAMA. Medicina. 182, 883–886 (2022).

Artículo PubMed PubMed Central Google Scholar

Tsao, CW y cols. Estadísticas de enfermedades cardíacas y accidentes cerebrovasculares: actualización de 2022: informe de la Asociación Estadounidense del Corazón. Circulación 145, e153 – e639 (2022).

Artículo PubMed Google Scholar

Muthurangu, V. et al. Medición de la distensibilidad arterial pulmonar total mediante monitorización de la presión invasiva y cuantificación del flujo por RM durante el cateterismo cardíaco guiado por RM. Soy. J. Physiol. Círculo del corazón. Fisiol. 289, H1301–H1306 (2005).

Artículo CAS PubMed Google Scholar

Taebi, A., Solar, BE, Bomar, AJ, Sandler, RH y Mansy, HA Avances recientes en sismocardiografía. Vibración 2, 64–86 (2019).

Artículo PubMed PubMed Central Google Scholar

Zanetti, JM & Salerno, DM Sismocardiografía: una técnica para registrar la aceleración precordial. En Sistemas médicos basados ​​en computadora: Actas del cuarto simposio anual del IEEE, 4–5 (IEEE Computer Society, 1991).

Taebi, A. & Mansy, HA Análisis de señales sismocardiográficas utilizando transformada chirplet polinómica y pseudodistribución suavizada de Wigner-Ville. En 2017, Simposio IEEE sobre procesamiento de señales en medicina y biología (SPMB), 1–6 (IEEE, 2017).

Inan, OT y cols. Balistocardiografía y sismocardiografía: una revisión de los avances recientes. IEEE J. Biomed. Informe de salud. 19, 1414-1427 (2014).

Artículo PubMed Google Scholar

Cook, J., Umar, M., Khalili, F. y Taebi, A. Acústica corporal para el diagnóstico no invasivo de afecciones médicas. Bioingeniería 9, 149 (2022).

Artículo PubMed PubMed Central Google Scholar

Sørensen, K., Schmidt, SE, Jensen, AS, Søgaard, P. & Struijk, JJ Definición de puntos fiduciales en el sismocardiograma normal. Ciencia. Reps. 8, 1-11 (2018).

Artículo de Google Scholar

Ha, U., Assana, S. & Adib, F. Sismocardiografía sin contacto mediante radares de aprendizaje profundo. En Actas de la 26.ª Conferencia Internacional Anual sobre Redes y Computación Móvil, 1–14 (2020).

Dehkordi, P. y col. Detección de enfermedad de las arterias coronarias mediante sismocardiografía en reposo y girocardiografía. Frente. Fisiol. 12, 758727 (2021).

Artículo PubMed PubMed Central Google Scholar

Salerno, DM & Zanetti, J. Sismocardiografía para monitorear los cambios en la función ventricular izquierda durante la isquemia. Cofre 100, 991–993 (1991).

Artículo CAS PubMed Google Scholar

Hurnanen, T. y col. Detección automatizada de fibrilación auricular basada en análisis tiempo-frecuencia de sismocardiogramas. IEEE J. Biomed. Informe de salud. 21, 1233-1241 (2016).

Artículo PubMed Google Scholar

Shandhi, MMH y cols. Estimación de cambios en la hemodinámica intracardíaca mediante sismocardiografía portátil y aprendizaje automático en pacientes con insuficiencia cardíaca: un estudio de viabilidad. Traducción IEEE. Biomédica. Ing. 69, 2443–2455 (2022).

Artículo PubMed Google Scholar

Koivisto, T. et al. Mecanocardiografía en la detección del infarto agudo de miocardio con elevación del ST: el estudio mecano-stemi. Sensores 22, 4384 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Zia, J., Kimball, J., Rolfes, C., Hahn, J.-O. & Inan, OT Permitir la evaluación de hemorragia inducida por traumatismos mediante sistemas portátiles inteligentes. Ciencia. Adv. 6, eabb1708 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

Khosrow-Khavar, F. Delineación automática y no invasiva de la señal del sismocardiograma para la estimación de intervalos de tiempo cardíaco con aplicaciones en vibración diastólica temporizada y detección de hemorragia en etapa temprana (Universidad Simon Fraser, 2016).

Google Académico

Boccanfuso, L., Perez, EJ, Robinson, M. & O'Kane, JM Recopilación de la frecuencia cardíaca mediante un sensor de temperatura infrarrojo de un solo punto, sin contacto y de alta precisión. En Conferencia Internacional sobre Robótica Social, 86–97 (Springer, 2012).

Nosrati, M. & Tavassolian, N. Monitoreo de la variabilidad de la frecuencia cardíaca de alta precisión mediante radar Doppler basado en modelado de tren de pulsos gaussianos y algoritmo ftpr. Traducción IEEE. Microondas. Teoría Tecnológica. 66, 556–567 (2018).

ADS del artículo Google Scholar

Gu, Y., Zhang, X., Liu, Z. & Ren, F. Monitorización de la frecuencia cardíaca y la respiración en tiempo real basada en Wifi durante el sueño. En la Conferencia de Comunicaciones Globales IEEE de 2019 (GLOBECOM), 1–6 (IEEE, 2019).

Adib, F., Mao, H., Kabelac, Z., Katabi, D. & Miller, RC Hogares inteligentes que monitorean la respiración y la frecuencia cardíaca. En Actas de la 33ª Conferencia Anual de ACM sobre Factores Humanos en Sistemas Informáticos, 837–846 (2015).

Wu, H.-Y. et al. Ampliación de vídeo euleriana para revelar cambios sutiles en el mundo. Transmisión ACM. Grafico. 31, 1–8 (2012).

Artículo de Google Scholar

Wadhwa, N., Rubinstein, M., Durand, F. y Freeman, WT Procesamiento de movimiento de vídeo basado en fases. Transmisión ACM. Grafico. 32, 1-10 (2013).

Artículo MATEMÁTICAS Google Scholar

Zhao, F., Li, M., Qian, Y. & Tsien, JZ Mediciones remotas de la frecuencia cardíaca y respiratoria para telemedicina. PLoS One 8, e71384 (2013).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Chang, C.-M., Hung, C.-C., Zhao, C., Lin, C.-L. y Hsu, B.-Y. Fotopletismografía remota basada en el aprendizaje para el control de la retroalimentación de señales fisiológicas en el entrenamiento físico. En Conferencia IEEE sobre aplicaciones y electrónica industrial (ICIEA), 1663–1668. https://doi.org/10.1109/ICIEA48937.2020.9248164 (2020).

Huang, P.-W., Wu, B.-J. y Wu, B.-F. Un marco de seguimiento de la frecuencia cardíaca para conductores del mundo real que utiliza fotopletismografía remota. IEEE J. Biomed. Informe de salud. 25, 1397-1408. https://doi.org/10.1109/JBHI.2020.3026481 (2021).

Artículo PubMed Google Scholar

Wu, B.-F., Chu, Y.-W., Huang, P.-W. y Chung, M.-L. Fotopletismografía remota resistente a la variación de luminancia basada en redes neuronales para la monitorización de la frecuencia cardíaca del conductor. Acceso IEEE 7, 57210–57225. https://doi.org/10.1109/ACCESS.2019.2913664 (2019).

Artículo de Google Scholar

Yu, X., Laurentius, T., Bollheimer, C., Leonhardt, S. y Antink, CH Monitoreo sin contacto de la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca en pacientes geriátricos mediante imágenes de fotopletismografía. IEEE J. Biomed. Informe de salud. 25, 1781-1792. https://doi.org/10.1109/JBHI.2020.3018394 (2021).

Artículo PubMed Google Scholar

Arppana, A. et al. Monitoreo de los latidos del corazón en tiempo real mediante visión por computadora. En 2021, Séptima Conferencia Internacional sobre Bioseñales, Imágenes e Instrumentación (ICBSII), 1–6 (IEEE, 2021).

Gibson, K. y col. Monitorización sin contacto de la frecuencia cardíaca y respiratoria de bebés prematuros basada en un sistema de visión por computadora: un estudio de comparación de métodos. Pediatra. Res. 86, 738–741 (2019).

Artículo PubMed Google Scholar

Sikdar, A., Behera, SK y Dogra, DP Estimación de la frecuencia del pulso humano guiada por visión por computadora: una revisión. IEEE Rev. Biomed. Ing. 9, 91-105 (2016).

Artículo PubMed Google Scholar

Wang, Z., Kieu, H., Nguyen, H. & Le, M. Correlación de imágenes digitales en mecánica experimental y registro de imágenes en visión por computadora: similitudes, diferencias y complementos. Optar. Ing. Láseres. 65, 18-27 (2015).

Artículo de Google Scholar

Lucas, BD y Kanade, T. Una técnica iterativa de registro de imágenes con aplicación a la visión estéreo. En Actas de la Séptima Conferencia Internacional Conjunta sobre Inteligencia Artificial, Volumen 2, IJCAI'81, 674–679 (Morgan Kaufmann Publishers Inc., 1981).

Baker, S. & Matthews, I. Lucas–Kanade 20 años después: un marco unificador. En t. J. Computación. Visión 56, 221–255 (2004).

Artículo MATEMÁTICAS Google Scholar

Feng, D. & Feng, MQ Visión por computadora para pequeñas infraestructuras civiles: desde la medición de la respuesta dinámica hasta la detección de daños: una revisión. Ing. Estructura. 156, 105-117 (2018).

Artículo de Google Scholar

Pan, J. & Tompkins, WJ Un algoritmo de detección de qrs en tiempo real. Traducción IEEE. Biomédica. Ing. 20, 230–236 (1985).

Artículo de Google Scholar

Sedghamiz, H. Implementación en Matlab del detector pan tompkins ecg qrs. Código disponible en el sitio de intercambio de archivos de MathWorks (2014).

Gamage, PT, Azad, MK, Taebi, A., Sandler, RH & Mansy, HA Agrupación de eventos scg mediante aprendizaje automático no supervisado. En Procesamiento de señales en medicina y biología 205–233 (Springer, 2020).

Capítulo Google Scholar

Cohen, EA y Walden, AT Un análisis estadístico de la coherencia de las ondículas morse. Traducción IEEE. Proceso de señal. 58, 980–989 (2009).

Artículo ADS MathSciNet MATH Google Scholar

Taebi, A. & Mansy, HA Distribución tiempo-frecuencia de señales sismocardiográficas: un estudio comparativo. Bioingeniería 4, 32 (2017).

Artículo PubMed PubMed Central Google Scholar

Zanetti, JM & Tavakolian, K. Sismocardiografía: pasado, presente y futuro. En 2013, 35ª conferencia internacional anual de la sociedad de ingeniería en medicina y biología (EMBC) del IEEE, 7004–7007 (IEEE, 2013).

Di Rienzo, M. et al. Sismocardiografía portátil: hacia una evaluación latido a latido de la mecánica cardíaca en sujetos ambulantes. Auton. Neurociencias. 178, 50–59 (2013).

Artículo PubMed Google Scholar

Azad, MK y cols. Distribución espacial de señales sismocardiográficas. En Procesamiento de señales biomédicas 129–159 (Springer, 2021).

Capítulo Google Scholar

Matthews, L., Ishikawa, T. y Baker, S. El problema de actualización de la plantilla. Traducción IEEE. Patrón Anal. Mach. Intel. 26, 810–815 (2004).

Artículo PubMed Google Scholar

Descargar referencias

Los autores desean agradecer a Aysha Mann por su contribución a la adquisición de datos y a los Dres. Steve Elder y Lauren Priddy del Departamento de Ingeniería Agrícola y Biológica de la Universidad Estatal de Mississippi por brindar acceso a un agitador orbital Thermo Scientific en etapas anteriores de esta investigación para demostrar la viabilidad de la idea. Este trabajo fue apoyado por el fondo inicial de Amirtahà Taebi proporcionado por la Universidad Estatal de Mississippi.

Los siguientes autores contribuyeron igualmente: Mohammad Muntasir Rahman y Amirtahà Taebi.

Departamento de Ingeniería Agrícola y Biológica, Universidad Estatal de Mississippi, Mississippi, 39762, EE. UU.

Mohammad Muntasir Rahman, Jadyn Cook y Amirtah Taebi

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización, AT; investigación, AT y MMR; metodología, MMR y AT; recopilación de datos, JC, AT y MMR; software y curación de datos, MMR y AT; preparación de borradores originales, MMR y AT; redacción, revisión y edición, MMR, JC y AT; análisis y visualización formal, MMR y AT; supervisión, administración del proyecto y recursos, AT Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia a Amirtahà Taebi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Rahman, MM, Cook, J. & Taebi, A. Medición de la vibración cardíaca sin contacto mediante sismocardiografía basada en visión por computadora. Representante científico 13, 11787 (2023). https://doi.org/10.1038/s41598-023-38607-7

Descargar cita

Recibido: 19 de enero de 2023

Aceptado: 11 de julio de 2023

Publicado: 21 de julio de 2023

DOI: https://doi.org/10.1038/s41598-023-38607-7

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.