智能手机加速度计和陀螺仪进行心律不齐以及心衰的检测

期刊地址，希望那位大佬根据这个期刊进行创业 ，拿到NMPA证书，造福中国人！太简便了这个方案。https://www.jacc.org/doi/full/10.1016/j.jchf.2024.01.022https://www.jacc.org/doi/full/10.1016/j.jchf.2024.01.022

1. 背景与目的：

   • 背景：心脏衰竭是导致65岁以上人群住院的主要原因，寻找非侵入性方法来检测HF对于应对这一公共卫生问题至关重要。其中，心震图（seismocardiography, SCG）作为一种测量传递至胸壁的心脏振动的技术，近期显示出作为HF诊断工具的巨大潜力。
   • 目的：作者们在一项多中心研究中探讨了是否能利用市面上商业化的智能手机进行SCG，以区分健康对照组与处于C期（严重阶段）的HF患者。

2. 方法：

   • 参与者：芬兰和美国的住院及门诊HF患者共217名（174名住院患者，172名门诊患者）以及来自心血管诊所的786名无HF诊断的对照组成员参与了研究。
   • 数据采集：住院HF患者在入院后2天内进行评估，门诊患者则在门诊环境中进行评估。使用智能手机的MEMS传感器记录SCG数据。
   • 数据分析：预先设定的方案中，通过逻辑回归导出算法，然后采用Bootstrap聚集法进行验证。
   • 

3. 结果：

   • 总体表现：在区分HF患者与对照组方面，算法的受试者工作特征曲线（receiver operating characteristic curve, ROC）下的面积（area under the curve, AUC）达到0.95，敏感度为85%，特异度为90%，整体准确度为89%。正（positive likelihood ratio, PLR）和负（negative likelihood ratio, NLR）似然比分别为8.50和0.17。无论是在住院还是门诊环境下，算法的准确性不受年龄、性别、体重指数和房颤状况的影响。
   • 

4. 细分分析：

   • 住院与门诊设置：针对住院HF患者的分类，AUC中位数为0.94（范围：0.92-0.96），特异度0.90（范围：0.87-0.93），敏感度0.81（范围：0.74-0.90）。门诊HF患者的分类AUC中位数为0.92（范围：0.91-0.94），特异度0.87（范围：0.82-0.89），敏感度0.81（范围：0.77-0.89）。两种设置下，算法性能相似。
   • 加速度计与陀螺仪：通过对比加速度计和陀螺仪特异性算法发现，陀螺仪信号的AUC显著高于加速度计信号。

5. 临床相关性：

   • HF类型：研究对象中，约74%的HF患者表现为左心室射血分数（left ventricular ejection fraction, LVEF）降低（HFrEF），38%伴有房颤。平均年龄为64岁，男性占64.9%，急性HF患者的LVEF平均值为39%，中位N末端B型利钠肽前体（N-terminal pro-B-type natriuretic peptide, NT-proBNP）水平为5,778 ng/L。
   • 

6. 技术细节：

   • 信号处理：使用Butterworth带通滤波器对加速度信号进行预处理，以去除基线漂移和高频率噪声。针对S1（二尖瓣关闭和主动脉开放）和S2/S3（主动脉关闭）特征，分别应用了1-40 Hz和20-70 Hz的滤波范围。

7. 研究意义：

   • 临床应用：智能手机基于MEMS传感器的HF识别技术展示了出色的诊断性能，有望为HF的早期检测和管理提供便捷、经济且非侵入性的手段。
   • 技术进步：研究强调了SCG技术在HF识别中的潜力，特别是利用智能手机平台实现远程监测和实时数据分析的可能性，这有助于改善患者护理、减少医疗资源消耗，并可能改变HF的管理策略。

综上所述，这项研究的核心在于通过智能手机上的MEMS传感器收集并分析SCG数据，成功开发出一套高精度的算法，能够有效区分HF患者与健康对照，且在不同临床环境中表现稳健。研究不仅验证了这种方法在HF诊断中的可行性，还揭示了陀螺仪在HF识别中的优势，并提供了关于HF患者临床特征的详细描述。这项技术有望推动HF诊断方式的革新，提升疾病的早期识别和管理水平

补充下：

关于加速度计

加速度计和陀螺仪是智能手机内置的微机电系统（Microelectromechanical Systems, MEMS）传感器，它们分别用于测量物体的线性加速度和角速度。在识别心脏衰竭的研究中，它们被用来捕获与心脏活动相关的胸部振动信号。以下是加速度计和陀螺仪如何计算得到信号的详细过程：

加速度计：

1. 线性加速度测量：加速度计通过感知其内部微型机械结构（如质量块和弹簧）在重力或运动引起的加速度作用下的位移变化，将其转化为电信号。当智能手机放置在参与者胸前时，加速度计能感应到由于心脏收缩与舒张引起的胸部表面微小振动，即心脏振动的线性加速度分量。

2. 数据采集：智能手机以500 Hz的采样率连续记录加速度计在三个正交方向（通常为XYZ轴）上的输出。这意味着每秒钟采集500个样本，每个样本代表在该时刻传感器感知到的沿特定轴向的加速度大小。

3. 信号预处理：为了提高后续分析的准确性，对采集到的加速度信号应用Butterworth带通滤波器。对于检测S1特征，使用1-40 Hz的带宽滤除低频的基线漂移和高频噪声；对于检测S2和S3特征，则使用20-70 Hz的带宽来突出这些特征对应的频率成分。

陀螺仪：

1. 角速度测量：陀螺仪利用科里奥利效应或振动驱动的机械结构来感知设备绕其自身轴线旋转的角速度。当智能手机置于参与者胸前时，它能捕捉到心脏振动引起的身体微小旋转运动，即心脏振动的角速度分量。

2. 数据采集：同样以500 Hz的采样率，陀螺仪记录沿三个正交轴（XYZ）的角速度信号。每个样本代表在特定时刻传感器检测到的绕相应轴的旋转速率。

3. 信号分析：对陀螺仪信号进行类似的预处理，包括应用Butterworth带通滤波器。滤波参数与加速度计相同，以确保提取到与心脏活动相关的特定频率成分。

综合分析：

1. 特征提取：从经过滤波处理的加速度计和陀螺仪信号中提取与心脏活动密切相关的特征，如峰值（对应心脏各瓣膜的关闭和开放）、信号幅度、能量、面积以及时间间隔等。特别关注与S1（二尖瓣关闭和主动脉开放）、S2（主动脉关闭）和S3（可能存在的第三心音）相对应的周期。

2. 机器学习分类：将提取的12个信号特征作为输入，应用机器学习分类器（如逻辑回归）来构建区分HF患者与健康对照的算法模型。通过Bootstrap聚集方法进行模型训练和验证，以确保算法的稳健性和泛化能力。

总结来说，加速度计和陀螺仪通过感知心脏活动引发的胸部微小振动和旋转运动，实时采集线性加速度和角速度信号。这些原始信号经过滤波处理以提取与心脏生理活动相关的特征，并作为机器学习算法的输入，最终实现对心脏衰竭的识别。研究表明，陀螺仪信号在识别HF方面的性能优于加速度计，为智能手机基于MEMS传感器的HF检测提供了有力的技术支持。

关于陀螺仪

心脏振动的角速度分量在心脏衰竭识别研究中被关注和测量，主要是因为其提供了与心脏功能状态密切相关且具有诊断价值的额外信息。以下是使用陀螺仪测量心脏振动角速度分量的目的和重要性：

1. 反映心脏力学特征：心脏活动伴随着复杂的三维运动，包括轴向缩短、旋转、同步收缩以及充盈等。陀螺仪能够捕捉到心脏振动产生的角速度信号，这些信号反映了心脏旋转动态，尤其是心肌的扭转和解旋过程。这些动态特征与心脏泵血效率、心室功能以及心肌应变紧密关联，对评估心脏力学状态具有重要意义。

2. 增强诊断敏感性和特异性：研究表明，陀螺仪数据（即角速度分量）与加速度计数据（线性加速度分量）在识别心脏衰竭时具有互补性，其中陀螺仪数据往往更具信息量。特别是在检测心脏衰竭失代偿方面，陀螺仪衍生的角速度特征（如估计心肌解旋的S3角速度特征）表现出特别的价值。因此，纳入角速度分量有助于提高识别算法的敏感度、特异度和总体准确性，从而更有效地鉴别心脏衰竭患者与健康对照。

3. 弥补传统方法局限：尽管传统的生物标志物（如N-terminal pro-B-type natriuretic peptide, NT-proBNP）和影像学检查在HF诊断中有一定作用，但在某些情况下可能检测较晚或受限于成本、设备可用性等因素。智能手机内置陀螺仪无需额外硬件成本，能够方便快捷地提供心脏振动的角速度信息，有助于及时识别潜在的心脏衰竭风险，尤其是在资源有限或难以获得标准医疗检查的场景下。

4. 简化监测流程：智能手机集成的心震图（seismocardiography, SCG）利用内置的加速度计和陀螺仪即可进行心肌运动分析，无需外部传感器，提高了临床实施的便利性。用户友好的界面和易于解读的决策支持，使得基于智能手机的心脏衰竭监测更为实用，有助于在日常生活中无缝融入患者自我管理或远程医疗服务。

综上所述，测量心脏振动的角速度分量旨在捕捉反映心脏复杂运动模式的关键信息，这些信息对理解心脏功能障碍、提高诊断精确度、拓宽监测途径以及优化患者管理具有重要作用。通过智能手机内置陀螺仪进行角速度测量，为心脏衰竭的无创、实时、便捷监测提供了新的技术手段，有助于推进心脏衰竭早期识别和精准诊疗。

通过手机软件简单处理了下 获取了下J波，简单处理了下。