Specjaliści z Edge Impulse, działający w obszarze uczenia maszynowego (ML) i sztucznej inteligencji (AI), wprowadzili na rynek algorytm pomiaru tętna, twierdząc, że jest on najmniejszy i najdokładniejszy. Co ważne, wymaga on tylko 1/16 pamięci RAM w porównaniu z konkurencyjnymi rozwiązaniami.
Aby zrozumieć nową technologię w dziedzinie analizy rytmu serca, warto najpierw zapoznać się z podstawami HR (rytmu serca) oraz HRV (zmienności rytmu serca). Interwały między uderzeniami serca, zwane również interwałami RR, to odstępy czasowe między kolejnymi uderzeniami serca. Precyzyjniej rzecz ujmując, są to odstępy czasowe pomiędzy szczytami R kolejnych kompleksów QRS na elektrokardiogramie (ECG).
Zastosowanie w praktyce
Badania sugerują, że migotanie przedsionków, powszechne zaburzenie rytmu serca, można wykrywać za pomocą cech HRV uzyskanych z sygnałów PPG. To podejście może oferować dokładność diagnostyczną porównywalną z metodami opartymi na ECG.
Pomiary zmienności rytmu serca mogą odzwierciedlać równowagę sympatyczną i parasympatyczną, co jest cennym źródłem informacji na temat poziomu stresu u badanych. Jednak istnieje możliwość wykorzystania HRV jako wskaźnika monitorowania faz snu, co mogłoby stanowić wygodne i nieinwazyjne rozwiązanie.
Nowoczesne algorytmy analizy rytmu serca, takie jak te opracowane przez Edge Impulse, mają potencjał zmniejszenia czasu i nakładów potrzebnych na badania i rozwój w dziedzinie medycyny cyfrowej. Zapewniają precyzyjne pomiary, które mogą być stosowane w szerokim zakresie aplikacji.
Skuteczność w detekcji i oszczędność zasobów
Główny deweloper nowego algorytmu w Edge Impulse, Alex Elium, podkreśla, że ich nowe rozwiązanie generuje precyzyjne wartości HR i HRV (Tętno i Zmienność Częstotliwości Tętna) z sensora PPG (fotopletyzmogram). Dzięki ulepszeniom w przetwarzaniu standardowych technik, znacząco redukuje on zakłócenia typowo związane z noszonymi urządzeniami, takimi jak na przykład opaski na palec. Co więcej, przewyższa znane algorytmy pod względem błędu średniej wartości absolutnej (MAE), wariancji oraz zużycia zasobów.
Skierowany jest głównie do sensorów fotopletyzmogramu opartych na świetle, takich jak te w smartwatchach czy opaskach fitness. Niemniej jednak może być także stosowany w sensorach elektrokardiogramu (EKG). Jest zdolny do rozpoznawania wzmożonej i zmniejszonej aktywności, upadków, snu, poziomu stresu oraz migotania przedsionków, a wszystko to przy wykorzystaniu jedynie 1/16 RAM-u w stosunku do konkurencji.
Algorytm HR i HRV to tylko część zestawu algorytmów związanych z opieką zdrowotną, które firma wprowadziła na rynek. W ofercie znajdują się także te skierowane do analizy aktywności mózgu EEG, monitorowania temperatury ciała oraz śledzenia ruchu i postawy.
Wsparciem dla tych rozwiązań jest także „jezioro danych badawczych” dla danych klinicznych, które zostało połączone z panelami do monitorowania w czasie rzeczywistym.
