Accelerometer signals for detection of pulse presence and blood pressure inference

Abstract

Cardiac arrest is a major health problem accounting for a substantial number of deaths in both Europe and the United States. Despite survival rates being extremely low, delivery of Cardiopulmonary Resuscitation (CPR) has been proven to have a significant survival benefit. The interval from collapse to initiation of CPR, as well as maintaining uninterrupted compressions are two of the major determinants in the survival outcome and the complications as follow-up after the event. Nevertheless, pulse checks are still necessary interventions to assess return-of-spontaneous circulation. The Golden Standart for pulse assessment is manual palpation, a method which consists of placing a finger above an artery that is close to the skin surface. This procedure has several limitations: it is unreliable, highly subjective and often takes too long. Hence, there is a need for a reliable, objective and automatic pulse detection and characterisation technique for CPR scenarios. This technique needs to be easy to apply avoiding delays in initiation or continuation of chest compressions.The use of accelerometer (ACC) sensors above the carotid artery, provide an interesting approach to this problem. They are characterised for being inexpensive and low power, nonetheless presenting high sensitivity and portability.In order to study the basic feasibility of these ACC sensors in a resuscitation scenario, a protocol was designed with the aim of simulating characteristics present in a real-life scenario under controlled conditions. Using this protocol, a dataset of 12 healthy volunteers' signals was created. For each subject two ACC signals, electrocardiogram (ECG) and photoplethysmography (PPG) were measured synchronously. Additionaly, a dataset from a previous study of 5 patients undergoing real-life CPR was available allowing for a comparison between the behaviour of the simulated acquired data with real-life signals. Using these two datasets, technical solutions were developed with two different classifiers discriminating artifacts, compressions, pulse and absence of pulse.The first approach was based on a previous study, consisting in a two-step cascade classifier which initially classified each 3-second window based on an activity measure and followed by using on a periodicity measure. An extension of this work was conceptualised and implemented using extra features based on domain knowledge and fundamental information of the signal. Features were both extracted in a time domain representation as well as in the phase space reconstruction of the signal. A feature selection score was used to determine the features for each internal classifier of the algorithm. Despite the good results of each classifier individually, their cascade combination performance performed poorly due to accumulation of errors which is intrinsic to such an approach. The second approach based on a sole multiclass showed successfully an improved performance. For this classifier, feature selection was performed using a wrapper approach which allowed for the selection of the combination of features which performed optimally. General improvement of the results was observed, with the classifiers tested in the protocol data showing exceptional results, with final accuracy averages of 89% and 97%. Conversely, results in the real-life data were poorer, with the final accuracy averaging 57%. Challenges in the work comprise limited access to real-life data, small datasets and annotation of the signals which was performed without medical expertise.

Ataques de paragem cardíaca são hoje em dia um problema de saúde pública, responsáveis por um número substancial de mortes tanto na Europa como nos Estados Unidos da América. Apesar de as taxas de sobrevivência serem extremamente baixas, verifica-se um aumento significativo destas com a aplicação de ressuscitação cardiopulmonar. O intervalo de tempo existente desde o início do ataque até ao início do procedimento de ressuscitação, bem como a aplicação de compressões toráxicas ininterruptas são dois dos principais determinantes de sobrevivência e de complicações que possam surgir após o ataque. No entanto, ainda é necessário realizar pausas para a verificação da presença de pulso durante o procedimento, de modo a determinar se existe retorno de circulação espontânea. O método principal de avaliação da presença de pulso é a palpação manual, uma técnica que consiste na colocação de um dedo por cima de uma artéria que se encontre próxima da superfície da pele. Contudo, este procedimento apresenta várias limitações: é falível a erros, altamente subjetivo e muitas vezes moroso. Assim sendo, existe a necessidade de uma técnica de deteção e caracterização de pulso automática que seja objetiva e de confiança. Esta técnica precisa ainda de ser de fácil aplicação, de modo a evitar demoras no início ou na continuação das compressões.O uso de um sensor de acelerómetro (ACC), colocado na superfície da pele acima da artéria carótida, surge como uma abordagem interessante para este problema. Estes sensores ainda que baratos e de baixa potência, apresentam alta sensibilidade e portabilidade.De modo a estudar a viabilidade do uso destes sensores, num cenário de ressuscitação, foi construído um protocolo com o intuito de simular, num ambiente controlado, características presentes numa situação real. Usando-se este protocolo foi criada uma base de dados com sinais de 12 voluntários saudáveis. Para cada sujeito procedeu-se à medição síncrona de dois sinais ACC, eletrocardiograma e fotopletismograma. Adicionalmente, estava disponível uma base de dados de um estudo prévio, composta por sinais de 5 pacientes medidos em situações reais de ressuscitação, possibilitando comparar o comportamento dos sinais simulados com os sinais reais. Usando-se estas duas bases de dados foram desenvolvidas soluções técnicas, com o uso de dois diferentes classificadores para a discriminação de artefactos, compressões, presença e ausência de pulso.A primeira abordagem, baseada num estudo prévio, consiste num classificador em cascata que inicialmente classifica cada janela de 3 segundos com uma medida de atividade, seguidamente realizando outra classificação, esta por sua vez, com o uso de uma medida de periodicidade. Uma extensão deste trabalho foi concetualizada e implementada usando-se novas características que se baseiam no conhecimento do domínio e informação fundamental do sinal. As características foram retiradas tanto de uma representação no domínio do tempo, como da reconstrução do espaço de fase do sinal. Para determinar que características utilizar na discriminação em cada passo do classificador em cascata foi usada uma técnica de redução de características. Apesar de cada classificador individual apresentar bons resultados, a sua combinação em cascata apresentou desempenhos baixos devido à acumulação de erros, intrínseca desta abordagem.A segunda abordagem, baseada no uso de um classificador multi-classe, revelou ser bem sucedida na melhoria do desempenho. Para este classificador, a seleção de características foi realizada testando-se todas as combinações possíveis, escolhendo-se aquela que apresentasse um desempenho ótimo. Observaram-se melhorias gerais dos resultados, com os classificadores testados nos dados simulados a apresentarem exatidões finais médias de $89\%$ e $97\%$. Contrariamente, os resultados apresentados relativamente aos testes nos dados reais são piores, apresentando exatidão final média de $57\%$. Os desafios existentes no trabalho realizado consistem no acesso limitado de dados reais, bases de dados pequenas e o facto da anotação dos sinais ter sido realizada sem opinião clínica.