Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.
СООТВЕТСТВИЕ МЕЖДУ ИЗМЕРЕНИЕМ ЧАСТОТЫ ДЫХАНИЯ С ИСПОЛЬЗОВАНИЕМ ЭЛЕКТРОКАРДИОГРАФИЧЕСКОГО МЕТОДА И ФОТОПЛЕТИЗМОГРАФИИ С ДАННЫМИ, ПОЛУЧЕННЫМИ С ПОМОЩЬЮ ПНЕВМОГРАФИИ
Частота дыхания (ЧД) – ключевой физиологический параметр, используемый при проведении физиологических и клинических исследований. Наряду с прямой записью дыхательных движений грудной клетки, ЧД можно оценить, извлекая респираторные сигналы из электрокардиограммы (ЭКГ) или фотоплетизмограммы (ФПГ). На точность оценки полученных респираторных сигналов может влиять ряд технических и физиологических факторов. Мы поставили себе целью провести тестирование согласованности оценок ЧД, полученных с помощью пневмографии с применением пьезоэлектрического датчика дыхательных движений (PZT), ЭКГ (ECG) и фотоплетизмографии (PPG) у 26 здоровых молодых людей. Качество оценки частоты дыхания на основе ECG и PPG было определено с посредством коэффициента корреляции Пирсона и t для связанных выборок, смещение и согласие оценивались с помощью анализа Бланда-Альтмана. Средние значения ЧД, полученные по PZT, ECG и PPG не отличались достоверно друг от друга (p>0.05), а корреляция между ними была высокой и достоверной (PZT_ECG: r=0.91, p<0.001; PZT_PPG: r=0.83, p<0.001). Анализ графиков Бланда-Альтмана выявил отсутствие выраженной статистически значимой систематической ошибки, поскольку линия идентичности в обеих парах переменных находится в границах 95% доверительного интервала для отклонения. Наиболее высокий уровень согласованности был отмечен для PZT и ECG: практически все точки на графике находились внутри доверительного интервала, коэффициент регрессии недостоверен. Согласованность между PZT и PPG была ниже, наклон регрессионной прямой был небольшим, но достоверным. Различия в согласованности ЧД, оцененной на основе кардиоваскулярных сигналов ЭКГ и ФПГ можно объяснить различием в механизмах респираторной модуляции ЧСС и периферического пульса.
1. [1]. Gevirtz R.N., Schwartz M.S. The respiratory system in applied psychophysiology // Biofeedback: A practitioner’s guide. 2003. С. 212-244.
2. [2]. Javorka M. et al. Role of respiration in the cardiovascular response to orthostatic and mental stress // American Journal of Physiology-Regulatory, Integrative and Comparative Physiology. 2018. Т. 314. №. 6. С. R761-R769.
3. [3]. Hirabayashi S., Iwamoto M. Emotion, respiration, and heart rate variability: a mathematical model and simulation analyses // Applied Sciences. 2019. Т. 9. №. 23. С. 5008.
4. [4]. Horn E.M., Waldrop T.G. Suprapontine control of respiration // Respiration physiology. 1998. Т. 114. №. 3. С. 201-211.
5. [5]. Гаранин А.А. и др. Контактные способы регистрации частоты дыхания: возможности и перспективы // Бюллетень физиологии и патологии дыхания. 2023. №. 89. С. 159-173.
6. [6]. Grassmann M. et al. Respiratory changes in response to cognitive load: A systematic review // Neural plasticity. 2016. Т. 2016. №. 1. С. 8146809.
7. [7]. Fan J. et al. A high accuracy & ultra-low power ECG-derived respiration estimation processor for wearable respiration monitoring Sensor // Biosensors. 2022. Т. 12. №. 8. С. 665.
8. [8]. Meenakshi S.C. et al. Comparison on difference in manual and electronic recording of vital signs in patients admitted in CTVS-ICU and CCU // Nursing & Midwifery Research Journal. 2014. Т. 10. №. 4. С. 157-165.
9. [9]. Kellett J. et al. Comparison of the heart and breathing rate of acutely ill medical patients recorded by nursing staff with those measured over 5 min by a piezoelectric belt and ECG monitor at the time of admission to hospital // Resuscitation. 2011. Т. 82. №. 11. С. 1381-1386.
10. [10]. Charlton P.H. et al. Breathing rate estimation from the electrocardiogram and photoplethysmogram: A review // IEEE reviews in biomedical engineering. 2017. Т. 11. С. 2-20.
11. [11]. Eisenkraft A. et al. Clinical validation of a wearable respiratory rate device: a brief report // Chronic Respiratory Disease. 2023. Т. 20. С. 14799731231198865.
12. [12]. Wang Z.H., Wu Y.C. A novel rapid assessment of mental stress by using PPG signals based on deep learning // IEEE Sensors Journal. 2022. Т. 22. №. 21. С. 21232-21239.
13. [13]. Sim H., Lee W.H., Kim J.Y. A study on emotion classification utilizing bio-signal (PPG, GSR, RESP) // Adv. Sci. Technol. Lett. 2015. Т. 87. С. 73-77.
14. [14]. Cho Y., Julier S.J., Bianchi-Berthouze N. Instant stress: detection of perceived mental stress through smartphone photoplethysmography and thermal imaging // JMIR mental health. 2019. Т. 6. №. 4. С. e10140.
15. [15]. Macintyre A.D., Werner R. An Automatic Method for Speech Breathing Annotation // Konferenz Elektronische Sprachsignalverarbeitung. – TUDpress, Dresden, 2023. С. 103-110.
16. [16]. Rogers B., Schaffarczyk M., Gronwald T. Estimation of respiratory frequency in women and men by Kubios HRV software using the polar H10 or movesense medical ECG sensor during an exercise ramp // Sensors. 2022. Т. 22. №. 19. С. 7156.
17. [17]. Bland J.M., Altman D.G. Measuring agreement in method comparison studies // Statistical methods in medical research. 1999. Т. 8. №. 2. С. 135-160.
18. [18]. Chan Y.H. Biostatistics 104: correlational analysis // Singapore Med J. 2003. Т. 44. №. 12. С. 614-619.
19. [19]. Ludbrook J. Confidence in Altman–Bland plots: a critical review of the method of differences // Clinical and Experimental Pharmacology and Physiology. 2010. Т. 37. №. 2. С. 143-149.
20. [20]. Bailón R. et al. ECG-derived respiratory frequency estimation // Advanced methods and tools for ECG data analysis. 2006. Т. 1. С. 215-244.
21. [21]. Meredith D.J. et al. Photoplethysmographic derivation of respiratory rate: a review of relevant physiology // Journal of medical engineering & technology. 2012. Т. 36. №. 1. С. 1-7.
22. [22]. Charlton P.H. et al. An assessment of algorithms to estimate respiratory rate from the electrocardiogram and photoplethysmogram // Physiological measurement. 2016. Т. 37. №. 4. С. 610.
