Enabling Continuous Blood Pressure Estimation on Artifact Contaminated Recordings Applying a

189 Pages·2017·21.46 MB·English

by  Maik Pflugradt

Enabling Continuous Blood Pressure Estimation
on Artifact Contaminated Recordings Applying a
Novel Pulse Wave Signal Quality Detector
vorgelegt von Dipl.-Ing. Maik Pflugradt
geboren in Berlin
von der Fakultät IV – Elektrotechnik und Informatik der Technischen Universität
Berlin zur Erlangung des akademischen Grades
Doktor der Ingenieurwissenschaften
- Dr.-Ing. -
genehmigte Dissertation
Promotionsausschuss:
Vorsitzender: Prof. Dr.-Ing. C. Gühmann, TU Berlin
Gutachter: Prof. Dr.-Ing. R. Orglmeister, TU Berlin
Gutachter: Prof. Dr.-Ing. K. Mylvaganam, University College of Southeast Norway
Gutachter: Priv.-Doz. Dr. med. E. Wellnhofer, Deutsches Herzzentrum Berlin
Tag der wissenschaftlichen Aussprache: 15.12.2017
Berlin 2018

To my wonderful family.
Dipl.-Ing. Maik Pflugradt i

Abstract
The universe of home-monitoring and unobtrusive longtime measurements has experienced
a remarkable development in the past years. Smart and cheap recording devices intercon-
nected to body sensor networks have emerged in a great variety, promoting features such
as on-line signal processing, low power consumption and high data rates. These hardware
systemsprovideanovelplatformforambitiousmedicalapplications,therebybroadeningthe
possibilities of related treatments and diagnostics. One field of operation that significantly
profits from this technological process involves multimodal pulse wave analysis, which is
exploited in innovative procedures such as continuous blood pressure estimation. These
methods can yield invaluable insights into the cardiovascular state, especially in unsuper-
vised settings. On the other hand, ambulatory records incorporating electrocardiography
and pulse wave signals have to cope with external influences, including motion artifacts,
and pathophysiological incidents, such as ectopic beats. If left unattended, automatic signal
processing routines can be severely hampered, resulting in infeasible outputs that impede
further evaluations. To tackle those issues in an attempt to support pulse wave analysis
procedures in difficult environments, this thesis deals with different aspects of signal quality,
ranging from hardware considerations to algorithmic implementations concentrating on the
detection and suppression of different kinds of signal distortions.
In the scope of the conducted efforts, an improved wireless body sensor network was
developed, which features competitive properties including an accurate synchronization
mechanism based on Bluetooth, capable and rich frontends equipped with additional
acceleration sensors and a well balanced trade-off regarding processing power and overall
power consumption. Further, a novel signal quality estimator for photoplethysmographic
signals is realized, which outperforms existing methods and is executable on battery driven
deviceswithreducedcomputationalcapabilities.Thankstoitsconvincingdetectionqualities,
pulse wave related recordings were shown to remain applicable in noisy measurement
environments, as periods of decreased signal quality are reliably discarded. Especially
artifact prone methods such as blood pressure estimation routines profit from the presented
achievements, becoming more robust in ambulatory measurement settings again. The
proposed signal quality discrimination stage is further complemented by a multimodal
ectopic beat detector, which accounts for physiological abnormalites that are known to have
a serious impact on pulse wave processing as well. Finally, preliminary results of a novel
hand movement recognition and an improved pulse wave artifact suppression approach are
presented, providing powerful tools to further increase the robustness of ubiquitous pulse
wave monitoring.
iii

Kurzfassung
DieMöglichkeitennichtüberwachterLangzeitmessungenimHomemonitoringBereichhaben
in den letzten Jahren eine beachtliche Entwicklung vollzogen. Vor allem die zunehmende
preisgünstigeVerfügbarkeitelektronischerKomponentenhatdeutlichzurVerbreitungdraht-
losvernetzterSensornetzwerkebeigetragen,diemitsteigenderLeistungsfähigkeitbeiständig
kleiner werdendem Strombedarf aufwarten. Durch solche intelligenten Hardware-Systeme
finden auch komplexere Applikationen eine Plattform, welche die Anwendungsgebiete
medizinischer Behandlungen und Überwachungen beträchtlich ausweiten. Insbesondere
multimodale Ansätze wie die durch das EKG getriggerte Pulswellenanalyse profitieren
von den neuen technischen Möglichkeiten, die auch bei den Methoden der kontinuierlichen
Blutdruckschätzung genutzt werden. Vor allem ambulante Langzeitmessungen können
hier neue und wertvolle Einblicke in den kardiovaskulären Zustand bieten. Auf der an-
deren Seite haben automatisierte Auswerteverfahren nicht überwachter Messungen mit
größeren Problemen, verursacht durch Signalartefakte oder physiologische Abnormalitäten,
wie beispielsweise dem vermehrten Auftreten von Extrasystolen, zu kämpfen, wodurch
deutliche Qualitätseinbußen zu erwarten sind. Die vorliegende Arbeit beschäftigt sich daher
mit neuen Lösungsansätzen zur zuverlässigen Erkennung und Unterdrückung der oben
genannten Störeinflüsse bei automatisierten Pulswellenanalysen.
ZurstabilenGewinnungderverschiedenenPulswellenparameterwurdeeinneues,drahtloses
Sensornetzwerk zur synchronen Erfassung mehrkanaliger Biosignale entworfen, welches eine
hochgenaue Synchronisation auf Basis des Bluetooth Standards, reduzierten Strombedarf
und mannigfaltige analoge und digitale Sensorfrontends vorweisen kann. Den Haupt-
neuigkeitswert dieser Arbeit stellt anschließend ein neuer Ansatz zur Qualitätsschätzung
von pulsatilen Signalen dar, welcher bisherige Methoden in den Punkten Klassifikation-
squalität, Rechenaufwand und praktischer Anwendbarkeit deutlich überlegen ist. Der
bedeutende Mehrwert für die Pulswellenanalyse wurde am Beispiel der Anwendung kon-
tinuierlicher Blutdruckschätzer auf gestörte Datensätze gezeigt, die durch die robuste
Diskriminierung der Signalqualität zuverlässige Resultate liefern. Des Weiteren werden
verbesserte Methoden zur Erkennung von Extrasystolen, zur Klassifikation von Handbewe-
gungen sowie zur Unterdrückung von Pulswellenartefakten vorgestellt, die die Auswertung
von nicht überwachten Aufzeichnungen unter schwierigen Messbedingungen zusätzlich
unterstützen.
v

Contents
Nomenclature xi
1 Introduction 1
1.1 Multimodal Measurements of Vital Parameters in Longtime Recordings . . 1
1.2 Structure and Concrete Aims of the Thesis . . . . . . . . . . . . . . . . . . 3
2 Cardiovascular Backgrounds and Important Measurement Methods 7
2.1 Cardiovascular System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 Electrocardiography . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.2 Measurement of Blood Pressure . . . . . . . . . . . . . . . . . . . . . 11
2.1.3 Photoplethysmography . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Non-Invasive Blood Pressure Estimation . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Pulse Wave Velocity Considerations . . . . . . . . . . . . . . . . . . 17
2.2.1.1 Pulse Wave Velocity Backgrounds . . . . . . . . . . . . . . 17
2.2.1.2 PWV Measurements . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1.3 PWV Parameters and Influencing Factors . . . . . . . . . . 21
2.2.2 Blood Pressure Estimation Models . . . . . . . . . . . . . . . . . . . 23
2.3 Blood Pressure Measurements for Diagnosing Orthostatic Hypotension . . . 29
3 Acquisition of Vital Parameters 33
3.1 ECG Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 PPG Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Body Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 A Novel Robust Body Sensor Network . . . . . . . . . . . . . . . . . . . . . 38
3.4.1 Architectural Overview . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.2 Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4.3 Clock Synchronization . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5 Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4 Enhanced Pulse Wave Discrimination with OPRA 55
4.1 Determination of PAT and PTT . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2 ECG Signal Quality Detection . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3 Pulse Wave Signal Quality . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3.1 Overview of Currently Published Methods . . . . . . . . . . . . . . . 62
4.3.2 A Novel On-line Applicable Approach: OPRA . . . . . . . . . . . . . 67
4.3.2.1 Mathematical Preliminaries . . . . . . . . . . . . . . . . . . 69
vii
Contents
4.3.2.2 OPRA - On-line Pulse Reliability Analysis . . . . . . . . . 74
4.3.3 Performance Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.3.3.1 OPRA Parameter Trimming . . . . . . . . . . . . . . . . . 84
4.3.3.2 Performance Comparison . . . . . . . . . . . . . . . . . . . 85
4.4 Ectopic Beat Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.4.1 Established Ectopic Beat Detection Approaches . . . . . . . . . . . . 90
4.4.2 A Novel Multimodal Ectopic Beat Detection Method . . . . . . . . . 94
5 Artifact Suppression for Pulse Wave Signals 105
5.1 PPG Artifact Reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.1.1 Methods Currently in Use . . . . . . . . . . . . . . . . . . . . . . . . 106
5.1.2 Enhanced PPG Artifact Reduction by Blind Source Separation . . . 111
5.1.2.1 Motion Reference Data . . . . . . . . . . . . . . . . . . . . 111
5.1.2.2 ICA Artifact Elimination Framework . . . . . . . . . . . . 112
5.1.2.3 Performance Evaluation . . . . . . . . . . . . . . . . . . . . 112
5.1.3 Hand Movement Detection . . . . . . . . . . . . . . . . . . . . . . . 116
6 Unsupervised Blood Pressure Estimation Based on PAT Measurements 119
6.1 BPE Performance on Clean Signals . . . . . . . . . . . . . . . . . . . . . . . 119
6.2 BPE Performance on Artifact Contaminated Signals . . . . . . . . . . . . . 122
6.3 BPE Performance During Ectopic Beats . . . . . . . . . . . . . . . . . . . . 124
7 Conclusion 129
7.1 Major Contributions of This Work . . . . . . . . . . . . . . . . . . . . . . . 129
7.2 Limitations and Unsolved Issues . . . . . . . . . . . . . . . . . . . . . . . . 130
7.3 Future Works and Outlook . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
8 Appendix 133
8.1 Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.2 Performance Measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
8.3 Additional Information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Acknowledgements 145
Figures 148
Tables 150
Bibliography 151
viii