Методики измерения частоты дыхания, основанные на анализе движений грудной клетки

Обложка

Цитировать

Полный текст

Аннотация

Цель обзора – анализ методов оценки частоты дыхания (ЧД) с помощью датчиков, анализирующих движения грудной клетки. Тензодатчики и датчики движения могут успешно использоваться в реальной клинической практике для измерения ЧД у пациентов, в том числе и в амбулаторных условиях, поскольку легко интегрируются в одежду и различные предметы гардероба (электронный текстиль). Магнетометры, гироскопы и акселерометры должны быть размещены строго в определенных местах. Одним из главных недостатков как тензодатчиков, так и датчиков движения является их чувствительность к недыхательным движениям пациента. Для уменьшения данного недостатка датчики чаще всего должны располагаться в верхней части грудной клетки, интегрироваться в определенные механические опоры. Также рекомендуется использовать гибридные системы, включающие в себя несколько различных датчиков, при этом можно раздельно анализировать грудной и брюшной компоненты дыхания, что открывает широкие возможности для использования этих датчиков в научных целях. Использование специальных полимеров и защитных материалов в конструкции пьезорезистивных датчиков позволит устранить такой их недостаток, как возможное влияние факторов внешней среды (например, температуры или влажности).

Заключение. Все типы датчиков, представленные в настоящем обзоре, показали хорошее качество получаемых дыхательных кривых в состоянии покоя при обычном дыхании, однако при физической нагрузке количество ошибок измерений увеличивалось. Выбор определенного типа датчика для оценки ЧД должен основываться на конкретной клинической ситуации, длительности мониторинга, условиях мониторинга (отделение интенсивной терапии, стационар, амбулаторная практика) с учетом преимуществ и недостатков.

Об авторах

Андрей Александрович Гаранин

ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Автор, ответственный за переписку.
Email: a.a.garanin@samsmu.ru
ORCID iD: 0000-0001-6665-1533

канд. мед. наук, директор научно-практического центра дистанционной медицины

Россия, 443099, Самара, ул. Чапаевская, 89

Анатолий Олегович Рубаненко

ФГБОУ ВО Самарский государственный медицинский университет Минздрава России

Email: a.o.rubanenko@samsmu.ru
ORCID iD: 0000-0002-3996-4689

канд. мед. наук, доцент кафедры пропедевтической терапии

Россия, 443099, Самара, ул. Чапаевская, 89

Иван Дмитриевич Шипунов

ФГБОУ ВО Самарский государственный медицинский университет Минздрава России

Email: i.d.shipunov@samsmu.ru
ORCID iD: 0000-0003-0674-7191

врач по медицинской профилактике научно-практического центра дистанционной медицины

Россия, 443099, Самара, ул. Чапаевская, 89

Валерия Сергеевна Рогова

ФГБОУ ВО Самарский государственный медицинский университет Минздрава России

Email: v.s.rogova@samsmu.ru
ORCID iD: 0000-0002-7388-8341

врач по медицинской профилактике научно-практического центра дистанционной медицины

Россия, 443099, Самара, ул. Чапаевская, 89

Список литературы

  1. Massaroni C, Nicolò A, Lo Presti D, et al. Contact-Based Methods for Measuring Respiratory Rate. Sensors (Basel). 2019;19(4):908. doi: 10.3390/s19040908
  2. De Rossi D, Carpi F, Lorussi F, et al. Electroactive fabrics and wearable biomonitoring devices. AUTEX Res J. 2003;3:180-185.
  3. Wang J, Xue P, Tao X. Strain sensing behavior of electrically conductive fibers under large deformation. Mater Sci Eng A. 2011;528:2863-2869. doi: 10.1016/j.msea.2010.12.057
  4. Egami Y, Suzuki K, Tanaka T, et al. Preparation and characterization of conductive fabrics coated uniformly with polypyrrole nanoparticles. Synth Met. 2011;161:219-224. doi: 10.1016/j.synthmet.2010.11
  5. Atalay O, Kennon WR, Demirok E. Weft-knitted strain sensor for monitoring respiratory rate and its electro-mechanical modeling. IEEE Sens J. 2015;15:110-122. doi: 10.1109/jsen.2014.2339739
  6. Lanatà A, Scilingo EP, Nardini E, et al. Comparative evaluation of susceptibility to motion artifact in different wearable systems for monitoring respiratory rate. IEEE Trans Inf Technol Biomed. 2010;14:378-386. doi: 10.1109/titb.2009.2037614
  7. Paradiso R, Loriga G, Taccini N. A wearable health care system based on knitted integrated sensors. IEEE Trans Inf Technol Biomed. 2005;9:337-344. doi: 10.1109/titb.2005.854512
  8. Hamdani STA, Fernando A. The application of a piezo-resistive cardiorespiratory sensor system in an automobile safety belt. Sensors. 2015;15:7742-7753. doi: 10.3390/s150407742
  9. Molinaro N, Massaroni C, Presti DL, et al. Wearable textile based on silver plated knitted sensor for respiratory rate monitoring. EMBC. 18-21 July 2018:2865-2868. doi: 10.1109/embc.2018.8512958
  10. Chu M, Nguyen T, Pandey V, et al. Respiration rate and volume measurements using wearable strain sensors. NPJ Digit Med. 2019;2:8. doi: 10.1038/s41746-019-0083-3
  11. Terazawa M, Karita M, Kumagai S, et al. Respiratory Motion Sensor Measuring Capacitance Constructed across Skin in Daily Activities. Micromachines (Basel). 2018;9(11):543. doi: 10.3390/mi9110543
  12. Kundu SK, Kumagai S, Sasaki M. A wearable capacitive sensor for monitoring human respiratory rate. Jpn J Appl Phys. 2013;52:04CL05. doi: 10.7567/jjap.52.04cl05
  13. Grlica J, Martinovi´c T, Džapo H. Capacitive sensor for respiration monitoring. IEEE SAS. 13-15 April 2015:1-6. doi: 10.1109/sas.2015.7133567
  14. Naranjo-Hernández D, Talaminos-Barroso A, Reina-Tosina J, et al. Smart Vest for Respiratory Rate Monitoring of COPD Patients Based on Non-Contact Capacitive Sensing. Sensors. 2018;18:2144. doi: 10.3390/s18072144
  15. Chadha T, Watson H, Birch S, et al. Validation of respiratory inductive plethysmography using different calibration procedures. Am Rev Respir Dis. 1982;125:644-649.
  16. Dall’Ava-Santucci J, Armanganidis A. Respiratory inductive plethysmography in Pulmonary Function in Mechanically Ventilated Patients. Springer. Berlin, Germany. 1991:121-142.
  17. Cabiddu R, Pantoni CB, Mendes RG, et al. Inductive plethysmography potential as a surrogate for ventilatory measurements during rest and moderate physical exercise. Braz J Phys Ther. 2016;20(2):184-8. doi: 10.1590/bjpt-rbf.2014.0147
  18. Grossman P, Spoerle M, Wilhelm FH. Reliability of respiratory tidal volume estimation by means of ambulatory inductive plethysmography. Biomed Sci Instrum. 2006;42:193-8.
  19. Dziuda L, Skibniewski FW, Krej M, et al. Monitoring respiration and cardiac activity using fiber Bragg grating-based sensor. IEEE Trans Biomed Eng. 2012;59(7):1934-42. doi: 10.1109/TBME.2012.2194145
  20. Dziuda L, Krej M, Skibniewski FW. Fiber Bragg grating strain sensor incorporated to monitor patient vital signs during MRI. IEEE Sens J. 2013;13:4986-4991. doi: 10.1109/jsen.2013.2279160
  21. Chethana K, Guru Prasad AS, Omkar SN, et al. Fiber bragg grating sensor based device for simultaneous measurement of respiratory and cardiac activities. J Biophotonics. 2017;10(2):278-285. doi: 10.1002/jbio.201500268
  22. Ciocchetti M, Massaroni C, Saccomandi P, et al. Smart Textile Based on Fiber Bragg Grating Sensors for Respiratory Monitoring: Design and Preliminary Trials. Biosensors (Basel). 2015;5(3):602-15. doi: 10.3390/bios5030602
  23. Massaroni C, Saccomandi P, Formica D, et al. Design and feasibility assessment of a magnetic resonance-compatible smart textile based on fiber Bragg grating sensors for respiratory monitoring. IEEE Sens J. 2016;99:1-1. doi: 10.1109/jsen.2016.2606487
  24. Massaroni C, Venanzi C, Silvatti AP, et al. Smart textile for respiratory monitoring and thoraco-abdominal motion pattern evaluation. J Biophotonics. 2018;11:e201700263. doi: 10.1002/jbio.201700263
  25. Lo Presti D, Massaroni C, Saccomandi P, et al. A wearable textile for respiratory monitoring: Feasibility assessment and analysis of sensors position on system response. Annu Int Conf IEEE Eng Med Biol Soc. 2017;2017:4423-4426. doi: 10.1109/EMBC.2017.8037837
  26. Krehel M, Schmid M, Rossi RM, et al. An optical fibre-based sensor for respiratory monitoring. Sensors. 2014;14:13088-13101. doi: 10.3390/s140713088
  27. Augousti A, Maletras F, Mason J. Improved fibre optic respiratory monitoring using a figure-of-eight coil. Physiol Meas. 2005;26:585-590. doi: 10.1088/0967-3334/26/5/001
  28. Koyama Y, Nishiyama M, Watanabe K. Smart textile using hetero-core optical fiber for heartbeat and respiration monitoring. IEEE Sens J. 2018;18:6175-6180. doi: 10.1109/jsen.2018.2847333
  29. Fedotov AA. Sensors and respiratory monitoring systems: Guidelines. Samara, 2019;29:26-27. (In Russ.). [Федотов А.А. Датчики и системы респираторного мониторинга: Методические указания. Самара, 2016;29:26-27].
  30. Gupta AK. Respiration Rate Measurement Based on Impedance Pneumography; Application Report SBAA181; Texas Instruments: Dallas. TX, USA, 2011.
  31. Trobec R, Rashkovska A, Avbelj V. Two proximal skin electrodes – A respiration rate body sensor. Sensors. 2012;13813-13828. doi: 10.3390/s121013813
  32. Bawua LK, Miaskowski C, Suba S, et al. Thoracic Impedance Pneumography-Derived Respiratory Alarms and Associated Patient Characteristics. Am J Crit Care. 2022;31(5):355-365. doi: 10.4037/ajcc2022295
  33. Charlton PH, Bonnici T, Tarassenko L, et al. An impedance pneumography signal quality index: Design, assessment and application to respiratory rate monitoring. Biomed Signal Process Control. 2021;65:102339. doi: 10.1016/j.bspc.2020.102339
  34. Bawua LK, Miaskowski C, Suba S, et al. Agreement between respiratory rate measurement using a combined electrocardiographic derived method versus impedance from pneumography. J Electrocardiol. 2022;71:16-24. doi: 10.1016/j.jelectrocard.2021.12.006
  35. Wang FT, Chan HL, Wang CL, et al. Instantaneous Respiratory Estimation from Thoracic Impedance by Empirical Mode Decomposition. Sensors (Basel). 2015;15(7):16372-87. doi: 10.3390/s150716372
  36. Chen R, Chen K, Dai Y, et al. Utility of transthoracic impedance and novel algorithm for sleep apnea screening in pacemaker patient. Sleep Breath. 2019;23(3):741-746. doi: 10.1007/s11325-018-1755-y
  37. Bawua LK, Miaskowski C, Hu X, et al. A review of the literature on the accuracy, strengths, and limitations of visual, thoracic impedance, and electrocardiographic methods used to measure respiratory rate in hospitalized patients. Ann Noninvasive Electrocardiol. 2021;26(5):e12885. doi: 10.1111/anec.12885
  38. Landon C. Respiratory monitoring: Advantages of inductive plethysmography over impedance pneumography. VivoMetrics VMLA. 2002:1-7.
  39. Lu Y, Wu HT, Malik J. Recycling cardiogenic artifacts in impedance pneumography. Biomedical Signal Processing and Control. 2019;51:162-170. doi: 10.1016/j.bspc.2019.02.027
  40. Reinvuo T, Hannula M, Sorvoja H, et al. Measurement of respiratory rate with high-resolution accelerometer and EMFit pressure sensor. IEEE Sensors Applications Symposium. 7-9 February 2006:192-195. doi: 10.1109/sas.2006.1634270
  41. Ivakhno NV, Prokhortsov AV, Senina EN, et al. Method for Registering Movement of the Chest at the Diagnosis of the Sleep Apnea. Journal of New Medical Technologies. 2014;21(4):133-136. (In Russ.). [Ивахно Н.В., Прохорцов А.В., Сенина Е.Н., и др. Способ регистрации движения грудной клетки при диагностике состояния сонного апноэ. Вестник новых медицинских технологий. 2014;21(4):133-136]. doi: 10.12737/7286
  42. Bates A, Ling MJ, et al. Respiratory rate and flow waveform estimation from tri-axial accelerometer data. International Conference on Body Sensor Networks. 7-9 June 2010:144-150. doi: 10.1109/bsn.2010.50
  43. Chan AM, Ferdosi N, Narasimhan R. Ambulatory respiratory rate detection using ECG and a triaxial accelerometer. Annu Int Conf IEEE Eng Med Biol Soc. 2013:4058-61. doi: 10.1109/EMBC.2013.6610436
  44. Liu GZ, Guo YW, Zhu QS, et al. Estimation of respiration rate from three-dimensional acceleration data based on body sensor network. Telemed e-Health. 2011;17:705-711. doi: 10.1089/tmj.2011.0022
  45. Vertens J, Fischer F, Heyde C, et al. Measuring Respiration and Heart Rate using Two Acceleration Sensors on a Fully Embedded Platform. 3rd International Congress on Sport Sciences Research and Technology Support. 15-17 November 2015:15-23.
  46. Drummond GB, Fischer D, et al. Classifying signals from a wearable accelerometer device to measure respiratory rate. ERJ Open Res. 2021;7(2):00681-2020. doi: 10.1183/23120541.00681-2020
  47. Wang S, Liu M, Pang B, et al. A new physiological signal acquisition patch designed with advanced respiration monitoring algorithm based on 3-axis accelerator and gyroscope. 40th Annual International Conference of the IEEE EMBC. 18-21 July 2018:441-444. doi: 10.1109/embc.2018.8512427
  48. Shen CL, Huang TH, Hsu PC, et al. Respiratory Rate Estimation by Using ECG, Impedance, and Motion Sensing in Smart Clothing. J Med Biol Eng. 2017;37:826-842.
  49. Romano C, Schena E, Formica D, Massaroni C. Comparison between Chest-Worn Accelerometer and Gyroscope Performance for Heart Rate and Respiratory Rate Monitoring. Biosensors (Basel). 2022;12(10):834. doi: 10.3390/bios12100834
  50. Milici S, Lázaro A, Villarino R, et al. Wireless Wearable Magnetometer-Based Sensor for Sleep Quality Monitoring. IEEE Sens J. 2018;18:2145-2152. doi: 10.1109/jsen.2018.2791400
  51. Oh Y, Jung YJ, Choi S, et al. Design and Evaluation of a MEMS Magnetic Field Sensor-Based Respiratory Monitoring and Training System for Radiotherapy. Sensors. 2018;18:2742. doi: 10.3390/s18092742
  52. McCool FD, Wang J, Ebi KL. Tidal volume and respiratory timing derived from a portable ventilation monitor. Chest. 2002;122:684-691. doi: 10.1378/chest.122.2.684
  53. Cesareo A, Previtali Y, Biffi E, et al. Assessment of Breathing Parameters Using an Inertial Measurement Unit (IMU)-Based System. Sensors. 2018;19:88. doi: 10.3390/s19010088
  54. Cesareo A, Gandolfi S, Pini I, et al. A novel, low cost, wearable contact-based device for breathing frequency monitoring. 39th Annual International Conference of the IEEE EMBC. 11-15 July 2017:2402-2405. doi: 10.1109/embc.2017.8037340

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Гаранин А.А., Рубаненко А.О., Шипунов И.Д., Рогова В.С., 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».