Loading…
Thumbnail Image

Non-invasive detection of hypovolemia by multimodal body sensor network

sensor data acquisition hardware and fusion algorithms

Tigges, Timo

Bleeding-related complications frequently lead to prolonged hospitalization and often to death. Furthermore, in civilian accidents, which are among the leading causes of death among those under 45 years of age in Germany and the United States, excessive blood loss poses the most significant risk of a lethal outcome. However, to date, there are no patient monitoring systems for determining circulating blood volume routinely available to clinical staff that can quickly and robustly assess a patient’s cardiovascular status. This work aims to advance research in non-invasive detection of hypovolemic states by describing new approaches to solving the problem through advancements in sensor technology, novel signal processing and machine learning methods. The guiding principle of the work was the robust acquisition and joint processing of multimodal biosignals. A wireless sensor network was developed that can be used in challenging scenarios using high-performance sensor nodes with efficient analog front-ends. A joint analysis of the recorded signals requires a highly accurate synchronization within the network. For this purpose, an algorithm has been developed that achieves exceptional synchronization accuracy while enabling data transmission of biosignals for monitoring andreal-time processing purposes. Furthermore, a novel method of statistical signal fusion was developed for the robust detection of cardiac activity reference points in arbitrarily-large signal sets. For this purpose, Hidden Markov modeling was extended to provide an optimal inference of heartbeat positions in all considered signals by a further developed Viterbi algorithm. Finally, a multimodal classification method for noninvasive hypovolemia detection was developed based on data collected within a lower-body negative pressure study. A wide range of physiological measures from areas such as pulse wave morphology and pulse wave timings, heart rate variability and respiration were examined, allowing comprehensive observation of the complex interactions of compensatory mechanisms on simulated progressive central hypovolemia. On this basis, machine learning methods were used to create novel, multimodal approaches to patient monitoring.
Blutungsbedingte Komplikationen sind eine häufige Ursache für längere Krankenhausaufenthalte und Todesfälle. Weiterhin stellt bei Unfällen im zivilen Umfeld, die in Deutschland und den USA zu den häufigsten Todesursachen bei den Unter-45-Jährigen zählen, ein übermäßiger Blutverlust die größte Gefahr eines letalen Ausgangs dar. Bis heute gibt es keine Patientenüberwachungssysteme zur Bestimmung des zirkulierenden Blutvolumens, die dem klinischen Personal routinemäßig zur Verfügung stehen. Diese Arbeit hat zum Ziel, den Forschungsstand der nichtinvasiven Detektion von hypovolämischen Zuständen voranzutreiben, indem sie neue Lösungsansätze sowohl durch die Weiterentwicklung der Sensortechnologie als auch auf die Entwicklung von Methoden der Signalverarbeitung und des maschinellen Lernens vorstellt. Der Leitgedanke der Arbeit war dabei die robuste Erfassung und gemeinsame Verarbeitung von multimodalen Biosignalen. Es wurde ein drahtloses Sensornetzwerk entwickelt, das durch leistungsstarke Sensorknoten mit effizienten analogen Front-Ends auch in anspruchsvollen Szenarien verwendet werden kann. Eine gemeinsame Analyse der aufgezeichneten Signale erfordert eine hochgenaue Synchronisation innerhalb des Netzwerks. Zu diesem Zweck wurde ein Algorithmus entwickelt, der eine außergewöhnliche Synchronisationsgenauigkeit erreicht und gleichzeitig die Datenübertragung von Biosignalen für Überwachungsund Reilzeitverarbeitungszwecke ermöglicht. Weiterhin wurde eine neuartige Methode der statistischen Signalfusion zur robusten Erkennung von Referenzpunkten der Herzaktivität in beliebig großen Signalzusammenstellungen entwickelt. Dazu wurde die Hidden-Markov-Modellierung so ausgebaut, dass durch einen weiterentwickelten Viterbi-Algorithmus eine optimale Inferenz von Herzschlagpositionen in allen betrachteten Signalen erfolgt. Schließlich wurde ein multimodales Klassifikationsverfahren zur nicht-invasiven Hypovolämie-Erkennung auf der Grundlage einer durchgeführten Lower-Body-Negative-Pressure-Studie entwickelt. Dabei wurde ein breites Spektrum an physiologischen Messgrößen aus Bereichen wie der Pulswellenmorphologie und -laufzeit, der Herzratenvariabilität und der Atmung untersucht, wodurch die komplexen Interaktionen der kompensatorischen Mechanismen auf eine simulierte progressive zentrale Hypovolämie umfassend beobachtet werden konnten. Auf dieser Basis konnten durch Methoden des maschinellen Lernens neuartige, multimodale Ansätze zur Patientenüberwachung geschaffen werden.