⚡ electrical engineering

Low-Rate Wrist SpO2 Estimation under Micro-Perturbations Using Motion-Aware Beat Selection and Perfusion-Guided Calibration

यह शोध पत्र एक हल्का, कम-दर वाला कलाई आधारित SpO2 अनुमान ढांचा प्रस्तावित करता है जो सूक्ष्म कलाई माइक्रो-परटर्बेशन्स (micro-perturbations) और अंतर-विषय परफ्यूजन अंतरों के बावजूद उच्च सटीकता और ऊर्जा दक्षता प्राप्त करने के लिए मोशन-अवेयर बीट चयन और परफ्यूजन-गाइडेड कैलिब्रेशन को जोड़ता है।

मूल लेखक: Zequan Liang, Ning Miao, Wei Shao, Mahdi Pirayesh Shirazi Nejad, Ehsan Kourkchi, Hossein Sayadi, Setareh Rafatirad, Houman Homayoun

प्रकाशित 2026-07-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zequan Liang, Ning Miao, Wei Shao, Mahdi Pirayesh Shirazi Nejad, Ehsan Kourkchi, Hossein Sayadi, Setareh Rafatirad, Houman Homayoun

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपकी कलाई एक छोटा, हलचल भरा शहर है जहाँ रक्त कोशिकाएं यात्री हैं। यह जाँचने के लिए कि ये यात्री कितना ऑक्सीजन ले जा रहे हैं, डॉक्टर आमतौर पर उंगली पर क्लिप किया जाने वाला "पल्स ऑक्सीमीटर" इस्तेमाल करते हैं। लेकिन जब आप इसे कलाई पर करने की कोशिश करते हैं, तो चीजें गड़बड़ा जाती हैं। कलाई हिलती-डुलती रहती है, त्वचा हर किसी की अलग होती है, और यहाँ तक कि सबसे मामूली कंपन भी—एक "माइक्रो-परटर्बेशन" (सूक्ष्म विक्षोभ)—रीडिंग को बिगाड़ सकता है, जैसे एक हिलता हुआ कैमरा फोटो को खराब कर देता है।

यूसी डेविस (UC Davis) और कैलिफोर्निया स्टेट यूनिवर्सिटी, लॉन्ग बीच के शोधकर्ताओं ने इसे ठीक करने के लिए एक स्मार्ट, हल्का सिस्टम बनाने का फैसला किया। उन्होंने केवल एक बेहतर तस्वीर लेने की कोशिश नहीं की; उन्होंने प्रत्येक व्यक्ति के लिए सबसे अच्छी तस्वीरें चुनने और कैमरा सेटिंग्स को एडजस्ट करने का एक तरीका निकाला।

समस्या: हिलता हुआ हाथ और डगमगाता हुआ नक्शा

पारंपरिक तरीके से ऑक्सीजन मापने के तरीके को एक शहर में नेविगेट करने के लिए एक एकल, निश्चित नक्शे का उपयोग करने के रूप में सोचें। यह नक्शा कहता है, "यदि लाल रोशनी इतनी चमकीली है और इन्फ्रारेड रोशनी इतनी चमकीली है, तो आप 98% ऑक्सीजन पर हैं।" लेकिन कलाई पर, रोशनी टिमटिमाती है क्योंकि सूक्ष्म हलचलें होती हैं, और "धरातल" (आपकी त्वचा और रक्त प्रवाह) हर व्यक्ति के लिए अलग होता है। एक नक्शा जो एक व्यक्ति के लिए काम करता है, वह दूसरे व्यक्ति को दलदल में ले जा सकता है।

यह शोध पत्र इस "निश्चित नक्शे" (एक मानक कैलिब्रेशन कर्व) पर निर्भर रहने के विरुद्ध तर्क देता है क्योंकि कलाई के थोड़ा सा भी हिलने पर यह अस्थिर हो जाता है। वे यह भी तर्क देते हैं कि सभी डेटा का औसत निकालने से भी काम नहीं चलता क्योंकि यह अच्छे डेटा को खराब, हिलते हुए डेटा के साथ मिला देता है।

समाधान: "बीट डिटेक्टिव" और "पर्सनल जीपीएस"

टीम ने एक नया फ्रेमवर्क प्रस्तावित किया है जो दो-चरणीय जासूसी एजेंसी की तरह काम करता है।

चरण 1: मोशन-अवेयर बीट सिलेक्शन (बीट डिटेक्टिव)
कल्पना कीजिए कि आप एक शोर वाले कमरे में गाना सुनने की कोशिश कर रहे हैं। पूरे कमरे की आवाज़ बढ़ाने के बजाय, आप संगीत को स्पष्ट रूप से सुनने के लिए शांत क्षणों का इंतज़ार करते हैं।
शोधकर्ताओं ने दिल की धड़कनों के साथ कुछ ऐसा ही किया। उन्होंने एक एक्सेलेरोमीटर (मोशन सेंसर) से प्राप्त डेटा को देखा कि कलाई कितनी हिल रही थी।

यदि कलाई स्थिर थी, तो हृदय गति (हार्टबीट) के डेटा को "उच्च विश्वसनीयता" स्कोर मिलता है।
यदि कलाई हिल रही थी, तो डेटा को "कम विश्वसनीयता" स्कोर मिलता है।
सभी दिल की धड़कनों का औसत लेने के बजाय, उन्होंने एक "वेटेड मीडियन" (weighted median) का उपयोग किया। इसे एक वोटिंग सिस्टम के रूप में सोचें जहाँ शांत, स्थिर धड़कनों को 10 वोट मिलते हैं, और हिलती हुई धड़कनों को केवल 1 वोट मिलता है। यह सुनिश्चित करता है कि अंतिम गणना सबसे साफ संकेतों पर आधारित हो।

चरण 2: परफ्यूजन-गाइडेड कैलिब्रेशन (पर्सनल जीपीएस)
अब, कल्पना कीजिए कि दो लोग एक ही शहर में चल रहे हैं, लेकिन एक ने मोटे विंटर बूट पहने हैं और दूसरा नंगे पैर है। वे एक ही दूरी तय करने की कोशिश करने के बावजूद अलग-अलग गति से चलते हैं।
शोधकर्ताओं ने पाया कि लोगों में अलग-अलग "परफ्यूजन" स्तर (त्वचा तक रक्त का प्रवाह कितनी अच्छी तरह होता है) होते हैं। एक मानक नक्शा इस बात को ध्यान में नहीं रखता है। इसलिए, उन्होंने एक "पर्सनल जीपीएस" बनाया।
एक सत्र की शुरुआत में, सिस्टम उस विशिष्ट व्यक्ति के रक्त प्रवाह के लिए एक "संदर्भ" (रेफरेंस) स्थापित करने के लिए सबसे स्थिर, शांत क्षण को ढूंढ लेता है। फिर यह उस संदर्भ का उपयोग शेष समय के लिए ऑक्सीजन की गणना को समायोजित करने के लिए करता है। इसका मतलब है कि सिस्टम आपको एक जेनेरिक मॉडल में फिट करने के बजाय, आपके विशिष्ट त्वचा और रक्त प्रवाह के अनुकूल हो जाता है।

परिणाम: तेज़, हल्का और सटीक

टीम ने इसे नौ विविध स्किन टोन वाले लोगों के एक निजी डेटासेट पर परखा। उन्होंने अपने तरीके की तुलना पुराने, मानक तरीकों से की।

स्कोर: उनके तरीके ने 2.305 ± 1.113% का मीन एब्सोल्यूट एरर (MAE) और 3.117 ± 1.743% का रूट मीन स्क्वेर्ड एरर (RMSE) प्राप्त किया।
तुलना: यह मानक "औसत" विधि, "मीडियन" विधि और यहाँ तक कि RLS और NLMS जैसी उन्नत फ़िल्टरिंग तकनीकों से भी बेहतर था।
स्पीड हैक: सबसे दिलचस्प बात यह है। उन्होंने अपने सिस्टम को 25 Hz (25 बार प्रति सेकंड) पर टेस्ट किया और इसकी तुलना 100 Hz (100 बार प्रति सेकंड) से की। आमतौर पर, अच्छा डेटा पाने के लिए आपको उच्च गति की आवश्यकता होती है। लेकिन उनका "बीट डिटेक्टिव" और "पर्सनल जीपीएस" इतना अच्छा था कि 25 Hz वाला संस्करण 100 Hz वाले संस्करण के समान ही प्रदर्शन करता है।
बैटरी बोनस: क्योंकि वे धीमी 25 Hz दर पर चल सकते थे, इसलिए सेंसर की बिजली खपत कम हो गई। 25 Hz पर, सेंसर ने लगभग 9 mW का उपयोग किया, जो 100 Hz पर उपयोग किए जाने वाले 15 mW से 40% कम है। यह सुझाव देता है कि सिस्टम बैटरी पर लंबे समय तक चल सकता है, जो इसे पहनने योग्य उपकरणों (wearable devices) के लिए बेहतरीन बनाता है।

उन्होंने क्या नहीं किया (और उनकी योजना क्या है)

यह ध्यान रखना महत्वपूर्ण है कि यह पेपर क्या दावा नहीं करता है। उन्होंने इसे सैकड़ों लोगों पर टेस्ट नहीं किया, न ही उन्होंने इसे सभी संभावित दैनिक गतिविधियों (जैसे मैराथन दौड़ना या तैरना) पर टेस्ट किया। परिणाम नौ लोगों के एक विशिष्ट डेटासेट पर आधारित हैं जो ऑक्सीजन परिवर्तन बनाने के लिए ब्रीथ-होल्डिंग (सांस रोकने के) परीक्षण कर रहे थे।

लेखकों का सुझाव है कि जबकि यह फ्रेमवर्क कम-दर, ऊर्जा-कुशल निगरानी के लिए एक मजबूत कदम है, भविष्य के काम में अधिक प्रतिभागियों और अधिक विविध, वास्तविक दुनिया की गतिविधियों को शामिल करने के लिए डेटासेट का विस्तार करने की आवश्यकता है। वे लंबे समय तक गतिशील रूप से "पर्सनल जीपीएस" संदर्भ को अपडेट करने के तरीके पर भी काम करने की योजना बना रहे हैं।

संक्षेप में, यह पेपर दिखाता है कि यह समझकर कि किन धड़कनों पर भरोसा करना है और पहनने वाले के अनुसार कैसे समायोजन करना है, हम एक हिलती हुई कलाई और कम-शक्ति वाली बैटरी के साथ भी सटीक ऑक्सीजन रीडिंग प्राप्त कर सकते हैं।

तकनीकी सारांश: सूक्ष्म-विक्षोभों (Micro-Perturbations) के तहत कम-दर वाले कलाई आधारित SpO2 का अनुमान

समस्या विवरण
निरंतर ऑक्सीजन संतृप्ति (SpO2) की निगरानी, फोटोप्लेथिस्मोग्राफी (PPG) के माध्यम से, पहनने योग्य स्वास्थ्य निगरानी (wearable health sensing) के लिए महत्वपूर्ण है। हालांकि, पारंपरिक उंगली-आधारित पल्स ऑक्सीमेट्री की तुलना में कलाई-आधारित अनुमान को महत्वपूर्ण चुनौतियों का सामना करना पड़ता है। कलाई सूक्ष्म-विक्षोभों (micro-perturbations), जैसे कि छोटे आंदोलनों और संपर्क दबाव में सूक्ष्म परिवर्तनों के प्रति अधिक संवेदनशील होती है, जो PPG बीट्स की आकृति विज्ञान (morphology) को अस्थिर कर देते हैं। ये विक्षोभ रेड और इन्फ्रारेड पल्स घटकों को बदलते हैं, जिससे रेड-टू-इन्फ्रारेड अनुपात-ऑफ-अनुपात ( $R$ ) में अस्थिरता आती है। चूंकि पारंपरिक विधियां एक निश्चित $R$ –SpO2 मैपिंग पर निर्भर करती हैं, यह अस्थिरता असंगत अनुमानों का कारण बनती है। इसके अलावा, व्यक्तिगत स्थानीय परफ्यूजन स्थिति में अंतर अंशांकन पूर्वाग्रह (calibration bias) पेश करता है, क्योंकि एक निश्चित मैपिंग विभिन्न व्यक्तियों या त्वचा-सेंसर संपर्क स्थितियों के विभिन्न परफ्यूजन इंडेक्स (PI) के अनुकूल नहीं हो सकती है।

कार्यप्रणाली (Methodology)
लेखक एक हल्का, फर्मवेयर-अनुकूल ढांचा प्रस्तावित करते हैं जो मोशन-अवेयर बीट चयन (motion-aware beat selection) और परफ्यूजन-गाइडेड अंशांकन (perfusion-guided calibration) को एकीकृत करता है। यह प्रणाली ट्राइएक्सियलल एक्सीलेरोमीटर डेटा के साथ ड्यूल-वेवलेंथ (रेड और इन्फ्रारेड) PPG संकेतों को प्रोसेस करती है। कार्यप्रणाली में तीन प्राथमिक चरण शामिल हैं:

बीट-स्तरीय AC/DC निष्कर्षण और अनुपात गणना:
एक 10-सेकंड की स्लाइडिंग विंडो के भीतर, पल्स मॉर्फोलॉजी को संरक्षित करने के लिए रेड और IR PPG संकेतों को लो-पास फिल्टर (5 Hz कटऑफ) किया जाता है। एक बैंड-पास फिल्टर (1–3 Hz) मजबूत बीट डिटेक्शन की सुविधा देता है, जिसमें दोनों वेवलेंथ के लिए सामान्य सीमाओं के रूप में अधिक स्थिर IR चैनल के वैलीज़ (valleys) का उपयोग किया जाता है। प्रत्येक चैनल के लिए सिस्टोलिक पीक्स की पहचान अलग से की जाती है। बीट-स्तरीय DC घटक को पीक लोकेशन पर इंटरपोलेटेड बेसलाइन वैल्यू के रूप में परिभाषित किया गया है, जबकि AC घटक पीक और इस बेसलाइन के बीच का आयाम (amplitude) अंतर है। प्रत्येक बीट के लिए $R$ की गणना $R = \frac{AC_{red}/DC_{red}}{AC_{IR}/DC_{IR}}$ के रूप में की जाती है।
मोशन-अवेयर बीट चयन:
सूक्ष्म-विक्षोभों को कम करने के लिए, फ्रेमवर्क एक्सीलेरोमीटर-व्युत्पन्न मोशन स्कोर के आधार पर बीट्स को विश्वसनीयता भार (reliability weights) आवंटित करता है। प्रत्येक बीट अंतराल के लिए, ट्राइएक्सियल एक्सीलेरोमीटर मैग्नीट्यूड का मानक विचलन (standard deviation) निकाला जाता है। एक विंडो के भीतर, बीट्स को एक नॉनलीनियर फंक्शन का उपयोग करके भारित किया जाता है जो कम-मोशन वाली बीट्स पर जोर देता है और मोशन से दूषित बीट्स को दबा देता है। विशेष रूप से, विंडो के मोशन स्कोर के मीडियन और 90वें पर्सेंटाइल का उपयोग करके एक मोशन स्कोर थ्रेशोल्ड स्थापित किया जाता है। इसके बाद, विंडो-स्तरीय $R_{win}$ निर्धारित करने के लिए वैध बीट-स्तरीय $R$ मानों का एक वेटेड मीडियन कंप्यूट किया जाता है, जिससे यह सुनिश्चित होता है कि मोशन-दूषित बीट्स अंतिम अनुमान में कम योगदान दें।
परफ्यूजन-गाइडेड अंशांकन (Perfusion-Guided Calibration):
विषय-विशिष्ट परिवर्तनशीलता को संबोधित करने के लिए, प्रत्येक सत्र के लिए एक संदर्भ परफ्यूजन इंडेक्स ( $PI_{ref}$ ) का अनुमान लगाया जाता है। सिस्टम सबसे विश्वसनीय 30-सेकंड के सेगमेंट (न्यूनतम औसत मोशन) की पहचान करता है और उस सेगमेंट के इन्फ्रारेड परफ्यूजन इंडेक्स के वेटेड मीडियन के रूप में $PI_{ref}$ की गणना करता है। $R_{win}$ को फिर $PI_{ref}$ के एक लीनियर फंक्शन ( $R_c = R_{win} + b_0 + b_1 \cdot PI_{ref}$ ) का उपयोग करके सुधारा जाता है। अंत में, सुधारा गया अनुपात $R_c$ , ट्रेनिंग डेटा से सीखे गए दूसरे-क्रम के पॉलीनोमियल अंशांकन फंक्शन का उपयोग करके SpO2 में मैप किया जाता है।

मुख्य योगदान

लो-रेट प्रोसेसिंग एल्गोरिदम: 25 Hz सैंपलिंग के लिए डिज़ाइन किया गया एक ड्यूल-वेवलेंथ PPG प्रोसेसिंग एल्गोरिदम, जो $R$ -SpO2 अंशांकन के लिए बीट-बाय-बीट निष्कर्षण और रोलिंग विंडो एग्रीगेशन करता है।
मोशन-अवेयर बीट चयन: एक रणनीति जो एक्सीलेरोमीटर डेटा का उपयोग करके बीट्स को विश्वसनीयता भार देने के लिए उपयोग की जाती है, जो कम-मोशन वाले डेटा पॉइंट्स को प्राथमिकता देकर सूक्ष्म-विक्षोभों के विरुद्ध मजबूती में सुधार करती है।
परफ्यूजन-गाइडेड अंशांकन: एक विधि जो परफ्यूजन इंडेक्स को एक अंशांकन-स्टेट इंडिकेटर के रूप में उपयोग करती है, जिससे $R$ –SpO2 संबंध को विषय-विशिष्ट स्थानीय परफ्यूजन स्थितियों के अनुकूल बनाया जा सके।

प्रायोगिक परिणाम
इस फ्रेमवर्क का मूल्यांकन नौ प्रतिभागियों के विविध स्किन टोन वाले एक निजी वियरेबल डेटासेट पर किया गया, जिसमें 27 सत्र शामिल थे। डेटासेट में 100 Hz PPG सिग्नल (मूल्यांकन के लिए 25 Hz तक डाउनसैंपल किए गए) और Masimo Rad-G डिवाइस से प्राप्त संदर्भ SpO2 मान शामिल थे।

प्रदर्शन: एक सख्त लीव-वन-सब्जेक्ट-आउट (LOSO) मूल्यांकन के तहत, प्रस्तावित विधि ने 25 Hz पर $2.305 \pm 1.113\%$ का मीन एब्सोल्यूट एरर (MAE) और $3.117 \pm 1.743\%$ का रूट मीन स्क्वेर्ड एरर (RMSE) प्राप्त किया। इसने सिंपल मीन/मीडियन एग्रीगेशन, रिकर्सिव लीस्ट स्क्वायर्स (RLS), और नॉर्मलाइज्ड लीस्ट मीन स्क्वेर (NLMS) सहित बेसलाइन विधियों को पीछे छोड़ दिया।
एब्लेशन स्टडी (Ablation Study): परिणामों ने पुष्टि की कि मोशन-अवेयर बीट चयन और परफेंसी-गाइडेड अंशांकन दोनों ने स्वतंत्र रूप से प्रदर्शन में सुधार किया, और दोनों का संयोजन 25 Hz और 100 Hz दोनों सैंपलिंग दरों पर सर्वश्रेष्ठ मेट्रिक्स प्रदान करता है।
लो-रेट दक्षता: विधि ने 100 Hz की तुलना में 25 Hz पर भी तुलनीय प्रदर्शन बनाए रखा। पावर कंजम्पशन विश्लेषण से पता चला कि 25 Hz पर PPG सेंसर लगभग 9 mW की खपत करता है, जो ~15 mW (100 Hz पर) की तुलना में 40% की कमी है, जो ऊर्जा-कुशल निरंतर निगरानी का समर्थन करता है।
मोशन रोबस्टनेस: संयुक्त दृष्टिकोण ने सभी मोशन मैग्नीट्यूड स्तरों में सबसे कम MAE प्रदर्शित किया, जबकि बेसलाइन विधियों में मोशन मैग्नीट्यूड स्टैंडर्ड डेविएशन बढ़ने के साथ त्रुटि बढ़ती देखी गई।

महत्व
यह शोध दावा करता है कि यह कार्य एक हल्का फ्रेमवर्क प्रस्तुत करता है जो उच्च-जटिलता वाले डीनोइजिंग मॉडल की आवश्यकता के बिना लो-रेट रिस्ट SpO2 अनुमान की मजबूती में सुधार करने में सक्षम है। मोशन-अवेयर चयन और परफ्यूजन-गाइडेड अंशांकन को एकीकृत करके, यह सिस्टम सूक्ष्म-विक्षोभों और अंतर-विषय परफ्यूजन परिवर्तनशीलता की दोहरी चुनौतियों का समाधान करता है। 25 Hz पर सटीकता बनाए रखने की क्षमता के साथ-साथ बिजली की खपत को काफी कम करने की क्षमता इस फ्रेमवर्क को निरंतर स्वास्थ्य निगरानी के लिए फर्मवेयर-अनुकूल, ऊर्जा-कुशल वियरेबल कार्यान्वयन के लिए उपयुक्त बनाती है।

समस्या: हिलता हुआ हाथ और डगमगाता हुआ नक्शा

समाधान: "बीट डिटेक्टिव" और "पर्सनल जीपीएस"

परिणाम: तेज़, हल्का और सटीक

उन्होंने क्या नहीं किया (और उनकी योजना क्या है)

इसी तरह के और पेपर