Calibrated photoplethysmography-derived heart rate variability approximates electrocardiographic gold-standard performance for stress-state classification: a proof-of-concept for scalable alcohol use disorder relapse monitoring
यह प्रूफ-ऑफ-कॉन्सेप्ट अध्ययन प्रदर्शित करता है कि लीनियरली कैलिब्रेटेड फोटोप्लेथिस्मोग्राफी-व्युत्पन्न हार्ट रेट वेरिएबिलिटी, कंज्यूमर वियरेबल्स से, स्ट्रेस स्टेट्स को वर्गीकृत करने में गोल्ड-स्टैंडर्ड इलेक्ट्रोकार्डियोग्राफी के प्रदर्शन के बराबर हो सकती है, जिससे अल्कोहल यूज़ डिसऑर्डर रिलैप्स प्रिवेंशन के लिए स्केलेबल ऑटोनोमिक मॉनिटरिंग की व्यवहार्यता का समर्थन मिलता है।
मूल पेपर CC BY 4.0 (https://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
तनाव शरीर पर एक निशान छोड़ता है, हृदय की धड़कन की लय में एक सूक्ष्म बदलाव जो यह प्रकट करता है कि तंत्रिका तंत्र (nervous system) इससे कैसे निपट रहा है। दशकों से, डॉक्टर और शोधकर्ता हृदय की धड़कनों के बीच के अंतर का उपयोग इस आंतरिक अवस्था को समझने के लिए एक खिड़की के रूप में करते आए हैं। जब कोई व्यक्ति शांत होता है, तो धड़कनों के बीच का समय स्वाभाविक रूप से घटता-बढ़ता रहता है; जब तनाव हावी होता है, तो वह लय अक्सर कठोर और अनुमानित हो जाती है। यह माप, जिसे हार्ट रेट वेरिएबिलिटी (heart rate variability) कहा जाता है, भावनात्मक नियमन से लेकर अल्कोहल उपयोग विकार (alcohol use disorder) में पुनरावृत्ति के जोखिम तक सब कुछ समझने के लिए एक विश्वसनीय संकेत बन गया है। जबकि इस लय को मापने का सबसे सटीक तरीका पारंपरिक रूप से एक इलेक्ट्रोकार्डियोग्राम रहा है, जो छाती पर इलेक्ट्रोड और नैदानिक परिवेश की आवश्यकता वाला एक उपकरण है, तकनीक की एक नई लहर इस अंतर्दight को कलाई तक लाने का वादा करती है। उपभोक्ता फिटनेस ट्रैकर्स में सामान्य रूप से पाए जाने वाले कलाई पर पहने जाने वाले सेंसर, प्रकाश का उपयोग करके नाड़ी का पता लगा सकते हैं, जो निरंतर, दैनिक निगरानी का एक मार्ग प्रदान करते हैं। हालांकि, एक महत्वपूर्ण प्रश्न बना हुआ था: क्या ये प्रकाश-आधारित सेंसर, जो हृदय की विद्युत चिंगारी के बजाय रक्त वाहिकाओं के माध्यम से यात्रा करने वाली पल्स वेव (pulse wave) को मापते हैं, चिकित्सा संबंधी निर्णय लेने के लिए पर्याप्त सटीक डेटा प्रदान कर सकते हैं?
शोधकर्ताओं के एक दल ने यह परीक्षण करके इसका उत्तर देने का प्रयास किया कि क्या एक सरल गणितीय समायोजन (mathematical adjustment) मेडिकल-ग्रेड डिवाइस और उपभोक्ता घड़ी के बीच के अंतर को पाट सकता है। पंद्रह स्वयंसेवकों के समवर्ती रिकॉर्डिंग वाले एक सार्वजनिक डेटासेट का उपयोग करते हुए, उन्होंने छाती पर पहने जाने वाले इलेक्ट्रोकार्डियोग्राम के डेटा की तुलना कलाई पर पहने जाने वाले ऑप्टिकल सेंसर के डेटा से की। स्वयंसेवकों ने विश्राम की अवधि और प्रेरित तनाव (induced stress) की अवधि का अनुभव किया, जिससे शोधकर्ताओं को यह देखने का अवसर मिला कि प्रत्येक उपकरण शरीर की प्रतिक्रिया को कैसे ट्रैक करता है। टीम ने पहले यह पुष्टि की कि मेडिकल-ग्रेड डिवाइस मानक मशीन लर्निंग टूल का उपयोग करके शांत और तनावपूर्ण अवस्थाओं के बीच स्पष्ट अंतर कर सकता है, जिससे उच्च स्तर की सटीकता प्राप्त हुई। इसके बाद उन्होंने कलाई के सेंसर पर ध्यान केंद्रित किया। बिना किसी समायोजन के, ऑप्टिकल सेंसर ने ठीक-ठाक प्रदर्शन किया लेकिन मेडिकल मानक से पीछे रह गया। शोधकर्ताओं ने फिर एक लीनियर कैलिब्रेशन (linear calibration) लागू किया, जो अनिवार्य रूप से कलाई के सेंसर के नंबरों को मेडिकल डिवाइस के स्केल और ऑफसेट के अनुरूप पुनर्गठित करने की एक प्रक्रिया है।
परिणाम एक आश्चर्यजनक अभिसरण (convergence) था। एक बार जब कलाई के सेंसर डेटा को कैलिब्रेट कर दिया गया, तो तनाव की अवस्थाओं को पहचानने की इसकी क्षमता में उल्लेखनीय सुधार हुआ, जो मेडिकल-ग्रेड इलेक्ट्रोकार्डियोग्राम के प्रदर्शन से लगभग पूरी तरह मेल खाती थी। कैलिब्रेटेड डेटा ने तनाव की संभावना को उसी सटीकता के साथ सही ढंग से रैंक किया, जो यह सुझाव देता कि कच्चा डेटा (raw information) हमेशा से वहीं मौजूद था, बस उपयोगी होने के लिए दृष्टिकोण में बदलाव की आवश्यकता थी। शोधकर्ताओं ने अधिक जटिल कंप्यूटर मॉडल का भी परीक्षण किया जिन्हें समय के साथ डेटा के अनुक्रमों से सीखने के लिए डिज़ाइन किया गया था, इस उम्मीद में कि वे शायद उन पैटर्न को खोज सकें जो सरल माप छोड़ देते हैं। हालांकि, उपलब्ध डेटा की सीमित मात्रा के कारण, इन उन्नत मॉडलों ने सरल, कैलिब्रेटेड दृष्टिकोण से बेहतर प्रदर्शन नहीं किया। वास्तव में, जटिल मॉडल संकेत खोजने में भी संघर्ष करते दिखे, जो इस विचार को पुख्ता करता है कि छोटे डेटासेट के लिए, सरल तरीके अक्सर अधिक विश्वसनीय होते हैं।
यह कैसे काम करता है, इसे वास्तविक दुनिया में देखने के लिए, टीम ने एक अलग, छोटे पैमाने का अवलोकन किया जहाँ एक प्रतिभागी ने एक पूर्ण सप्ताह तक एक क्लिनिकल-ग्रेड कलाई उपकरण और एक लोकप्रिय उपभोक्ता फिटनेस ट्रैकर पहना। शांत क्षणों के दौरान, दोनों उपकरणों ने हृदय गति पर करीबी सहमति दिखाई। हालांकि, नींद के दौरान या अत्यधिक गतिविधि के समय, उपभोक्ता ट्रैकर में अधिक अंतराल और विसंगतियां देखी गईं, जबकि क्लिनिकल डिवाइस स्थिर रहा। इस अवलोकन ने रेखांकित किया कि हालांकि उपभोक्ता उपकरण शक्तिशाली हैं, उन्हें समय के साथ अपने स्वयं के रीडिंग को सही करने के लिए क्लिनिकल-ग्रेड वियरेबल्स को एक संदर्भ बिंदु के रूप में उपयोग करने से लाभ हो सकता है। अध्ययन निष्कर्ष निकालता है कि सही कैलिब्रेशन के साथ, रोजमर्रा के वियरेबल्स से प्राप्त हार्ट रेट वेरिएबिलिटी डेटा, तनाव की पहचान करने के लिए अस्पताल-ग्रेड उपकरणों की सटीकता के करीब पहुँच सकता है। यह खोज अल्कोहल उपयोग विकार से उबरने वाले व्यक्तियों की निगरानी के लिए किफायती, स्केलेबल तकनीक का उपयोग करने का एक व्यावहारिक मार्ग खोलती है, जो संभावित रूप से उन्हें और उनके देखभाल करने वालों को पुनरावृत्ति (relapse) होने से पहले बढ़ते तनाव के स्तरों के प्रति सचेत कर सकती है। यह कार्य लत की निगरानी की समस्या को हल करने का दावा नहीं करता है, बल्कि यह प्रदर्शित करता है कि आवश्यक उपकरण पहुंच के भीतर हैं, बशर्ते उन्हें मानव शरीर के लिए सही ढंग से ट्यून किया जाए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।