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

Sintesi Tecnica: Stima della SpO2 al polso a bassa frequenza sotto micro-perturbazioni

Definizione del Problema
Il monitoraggio continuo della saturazione di ossigeno (SpO2) tramite fotopletismografia (PPG) è fondamentale per il rilevamento della salute nei dispositivi indossabili. Tuttavia, la stima basata sul polso presenta sfide significative rispetto alla tradizionale pulsossimetria digitale. Il polso è più suscettibile alle micro-perturbazioni, come piccoli movimenti e sottili cambiamenti nella pressione di contatto, che destabilizzano la morfologia dei battiti PPG. Queste perturbazioni alterano le componenti pulsatili rossa e infrarossa, portando a un'instabilità nel rapporto tra i rapporti ($R$) rosso-infrarosso. Poiché i metodi convenzionali si basano su una mappatura $R$–SpO2 fissa, questa instabilità produce stime incoerenti. Inoltre, le differenze inter-soggetto nello stato di perfusione locale introducono un bias di calibrazione, poiché una mappatura fissa non può adattarsi ai diversi indici di perfusione (PI) tra i vari individui o alle diverse condizioni di contatto sensore-pelle.

Metodologia
Gli autori propongono un framework leggero e compatibile con il firmware per la stima della SpO2 al polso a bassa frequenza, che integra la selezione dei battiti consapevole del movimento e la calibrazione guidata dalla perfusione. Il sistema elabora segnali PPG a doppia lunghezza d'onda (rosso e infrarosso) insieme a dati di accelerometro triassiale. La metodologia consiste in tre fasi primarie:

1. Estrazione AC/DC a livello di battito e computazione del rapporto:
   All'interno di una finestra scorrevole di 10 secondi, i segnali PPG rosso e IR vengono filtrati passa-basso (taglio a 5 Hz) per preservare la morfologia dell'impulso. Un filtro passa-banda (1–3 Hz) facilita un rilevamento robusto del battito, utilizzando le valli del canale IR, più stabile, come confini comuni per entrambe le lunghezze d'onda. I picchi sistolici sono identificati separatamente per ciascun canale. La componente DC a livello di battito è definita come il valore di baseline interpolato nella posizione del picco, mentre la componente AC è la differenza di ampiezza tra il picco e tale baseline. Il rapporto tra i rapporti ($R$) è computato per ogni battito come $R = \frac{AC_{red}/DC_{red}}{AC_{IR}/DC_{IR}}$.

2. Selezione dei battiti consapevole del movimento (Motion-Aware):
   Per mitigare le micro-perturbazioni, il framework assegna pesi di affidabilità ai battiti basandosi sui punteggi di movimento derivati dall'accelerometro. Per ogni intervallo di battito, viene calcolata la deviazione standard della magnitudo dell'accelerometro triassiale. All'interno di una finestra, i battiti vengono pesati utilizzando una funzione non lineare che enfatizza i battiti a basso movimento e sopprime quelli contaminati dal movimento. Nello specifico, viene stabilito un limite di punteggio del movimento utilizzando la mediana e il 90° percentile dei punteggi di movimento della finestra. Viene quindi calcolata la mediana pesata dei valori $R$ a livello di battito per determinare l'$R_{win}$ a livello di finestra, garantendo che i battiti contaminati dal movimento contribuiscano meno alla stima finale.

3. Calibrazione guidata dalla perfusione:
   Per affrontare la variabilità specifica del soggetto, viene stimato un indice di perfusione di riferimento ($PI_{ref}$) per ogni sessione. Il sistema identifica il segmento di 30 secondi più affidabile (minimo movimento medio) e calcola il $PI_{ref}$ come la mediana pesata degli indici di perfusione infrarossi di quel segmento. L'$R_{win}$ a livello di finestra viene quindi corretto utilizzando una funzione lineare di $PI_{ref}$ ($R_c = R_{win} + b_0 + b_1 \cdot PI_{ref}$). Infine, il rapporto corretto $R_c$ viene mappato in SpO2 tramite una funzione di calibrazione polinomiale del secondo ordine appresa dai dati di addestramento.

Contributi Chiave

• Algoritmo di elaborazione a bassa frequenza: Un algoritmo di elaborazione PPG a doppia lunghezza d'onda progettato per un campionamento a 25 Hz, che esegue l'estrazione battito per battito e l'aggregazione in finestre scorrevoli per la calibrazione $R$-SpO2.
• Selezione dei battiti consapevole del movimento: Una strategia che utilizza i dati dell'accelerometro per assegnare pesi di affidabilità ai battiti, migliorando la robustezza contro le micro-perturbazioni dando priorità ai punti dati con basso movimento.
• Calibrazione guidata dalla perfusione: Un metodo che utilizza l'indice di perfusione come indicatore dello stato di calibrazione, permettendo alla relazione $R$–SpO2 di adattarsi alle variazioni specifiche del soggetto nelle condizioni di perfusione locale.

Risultati Sperimentali
Il framework è stato valutato su un dataset proprietario di dispositivi indossabili composto da 27 sessioni di nove partecipanti con diverse tonalità di pelle. Il dataset includeva segnali PPG a 100 Hz (sottocampionati a 25 Hz per la valutazione) e valori di SpO2 di riferimento da un dispositivo Masimo Rad-G.

• Prestazioni: Sotto una rigorosa valutazione leave-one-subject-out (LOSO), il metodo proposto ha ottenuto un Errore Assoluto Medio (MAE) di $2,305 \pm 1,113\%$ e un Errore Quadratico Medio (RMSE) di $3,117 \pm 1,743\%$ a 25 Hz. Questo ha superato i metodi baseline, inclusi l'aggregazione semplice media/mediana, Recursive Least Squares (RLS) e Normalized Least Mean Square (NLMS).
• Studio di Ablazione: I risultati hanno confermato che sia la selezione dei battiti consapevole del movimento che la calibrazione guidata dalla perfusione migliorano indipendentemente le prestazioni, con la combinazione delle due che fornisce i migliori parametri sia a 25 Hz che a 100 Hz.
• Efficienza a bassa frequenza: Il metodo ha mantenuto prestazioni a 25 Hz comparabili a 100 Hz. L'analisi del consumo energetico ha indicato che il sensore PPG consuma circa 9 mW a 25 Hz, una riduzione del 40% rispetto ai circa 15 mW consumati a 100 Hz, supportando il monitoraggio continuo a basso consumo energetico.
• Robustezza al movimento: L'approccio combinato ha dimostrato il MAE più basso in tutti i livelli di magnitudo del movimento, mentre i metodi baseline hanno mostrato un aumento dell'errore all'aumentare della deviazione standard della magnitudo del movimento.

Significatività
L'articolo sostiene che questo lavoro presenta un framework leggero capace di migliorare la robustezza della stima della SpO2 al polso a bassa frequenza senza richiedere modelli di denoising ad alta complessità. Integrando la selezione consapevole del movimento e la calibrazione guidata dalla perfusione, il sistema affronta le doppie sfide delle micro-perturbazioni e della variabilità della perfusione inter-soggetto. La capacità di mantenere l'accuratezza a 25 Hz riducendo significativamente il consumo energetico rende il framework adatto a implementazioni di dispositivi indossabili a basso consumo e compatibili con il firmware per il monitoraggio continuo della salute.