Search

In this thesis, a latent variable model for the respiratory variation of mechanically measured heartbeats is presented. The effect of respiration on heartbeats in a mechanically measured cardiac signal was noticed already in the first respiratory ballistocardiography studies in the 1920s. The effect was described as a modulation of the heartbeat amplitude, and that view has persisted. Although a reasonable approximation, amplitude modulation is not an accurate description of the respiratory effect. In the model presented here, the respiratory variation is described with a linear latent variable model, where the direction of variation can be distinct from the direction of amplitude. The model was evaluated with seven ballistocardiograms from three healthy test subjects. Based on a Bayesian information criterion analysis, it was found to describe the variation accurately in all the cases. As the modelling of the heartbeat shape is improved, existing heartbeat detection methods can be made more accurate by applying the proposed model., Tässä diplomityössä esitetään lineaarinen piilomuuttujamalli, joka kuvaa hengityksen aiheuttamaa sykemuodon vaihtelua. Hengityksen vaikutus sydämen mekaanista toimintaa mittaavaan signaaliin huomattiin jo 1920-luvulla ensimmäisissä ballistokardiografisissa tutkimuksissa, jotka keskittyivät hengityksen vaikutuksen mittaamiseen. Kyseisissä tutkimuksissa todettiin, että hengitys aiheuttaa sykemuodon amplitudin vaihtelua. Vaikka amplitudin vaihtelu onkin kohtuullinen approksimaatio, se ei kuvaa hengityksen aiheuttamia sykemuodon muutoksia tarkasti. Esitetty uusi malli kuvaa sykemuodon vaihtelun joustavammin, jolloin myös muutkin kuin amplitudin muutokset ovat mahdollisia. Piilomuuttujamallin tarkkuutta arvioitiin kolmelta koehenkilöltä mitattujen seitsemän ballistokardiogrammin perusteella. Malli on Bayesilaiseen informaatiokriteeriin perustuvan arvioinnin perusteella tarkka. Piilomuuttujamalli parantaa sykemuodon mallinnusta, joten sitä voidaan soveltaa olemassa olevien sykkeentunnistusmenetelmien parantamiseksi.

Respiratory rate is an important vital sign and a convenient method for its measurement could have important applications in the medical field. An algorithm is presented to calculate the respiratory rate of a patient from a force signal recorded from under the mattress in a hospital bed. The algorithm uses autocorrelation to segment the force signal into a sequence of potential breaths. The similarity of consecutive segments is evaluated according to a set of similarity parameters. If a long enough sequence of segments with strong similarities is found, it is used to calculate the respiratory rate. The algorithm was tested with simulated data and recorded human data and the effects of the parameters on performance were evaluated. The algorithm was found to produce adequate results and several avenues for its improvement were discovered., Hengitystaajuus on tärkeä ihmisen terveydentilaa kuvaava tekijä ja vaivattomasta tavasta mitata se olisi lääketieteellistä hyötyä. Tässä diplomityössä kehitetään algoritmi potilaan hengitystaajuuden laskemiseksi voimasignaalista joka on mitattu sairaalasängyn patjan alta. Algoritmi käyttää autokorrelaatiota signaalin paloittelemiseen sarjaksi potentiaalisia hengityssegmenttejä. Peräkkäisten segmenttien samankaltaisuutta arvioidaan parametrien avulla ja mikäli ne ovat riittävän samankaltaisia, segmenttisarja hyväksytään hengitykseksi ja siihen kuuluvien segmenttien pituuden perusteella lasketaan hengitystaajuus. Algoritmia testattiin sekä simuloidulla että nauhoitetulla datalla ja parametrien vaikutusta arvioitiin. Algoritmin havaittiin tuottavan tyydyttäviä tuloksia ja useita jatkokehityssuuntia löytyi.