Министерство образования и науки Российской Федерации
Федеральное государственное бюджетное образовательное учреждение
высшего образования
«Московский государственный технический университет
имени Н.Э. Баумана
(национальный исследовательский университет)»
(МГТУ им. Н.Э. Баумана)
ФАКУЛЬТЕТ
КАФЕДРА
БИОМЕДИЦИНСКАЯ ТЕХНИКА
МЕДИКО-ТЕХНИЧЕСКИЕ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
РАСЧЕТНО-ПОЯСНИТЕЛЬНАЯ ЗАПИСКА
К ВЫПУСКНОЙ КВАЛИФИКАЦИОННОЙ РАБОТЕ
НА ТЕМУ:
Разработка универсального беспроводного
датчика фотоплетизмографии для
мониторинга состояния микрогемодинамики
______________________________________________
Студент ___БМТ2-48(м)__
_________________ __________________
‘
(Группа)
(Подпись, дата)
Руководитель ВКР
(И.О.Фамилия)
_________________ __________________
(Подпись, дата)
Консультант
(И.О.Фамилия)
_________________ __________________
(Подпись, дата)
Консультант
(И.О.Фамилия)
_________________ __________________
(Подпись, дата)
Нормоконтролер
(И.О.Фамилия)
_________________ __________________
(Подпись, дата)
2018
г.
(И.О.Фамилия)
‘
‘
‘
РЕФЕРАТ
Расчётно-пояснительная записка:
27 источника,
69 с., 3 ч., 27 рис.,
5 табл.,
1 прил.
Объектом исследования является микрогемодинамика кожи человека, состояние
которой регистрируется с помощью фотоплетизмографии.
Цель работы выпускной квалификационной работы магистра является разработка
универсального беспроводного датчика фотоплетизмографии. Запись фотоплетизмографии в
покое и при когнитивной нагрузке (счет «+3»). Обработка полученных данных и сравнить
спектры, полученных сигналов.
Результаты работы:
Проведен
литературный
обзор
основных
методов
регистрации
состояния
микрогемодинамики человеческого организма, выявлены их преимущества и недостатки.
Рассмотрены биофизические основы формирования сигнала фотоплетизмографии, а также
основные механизмы регуляции микрососудов.
Разработано проводной прототип устройства для регистрации фотоплетизмографии и
программное обеспечение для его обслуживания. Разработан набор алгоритмов для
обработки и анализа сигнала фотоплетизмография.
Произведена запись сигналов ФПГ с 6-ти испытуемых в возрасте 24,0 ± 0,3 года при
температуре 20,3 ± 0,5 оС. Сессия эксперимента длилась 20 минут на каждого испытуемого:
запись сигнала ФПГ в условиях покоя и когнитивной нагрузки занимала по 5 мин, перед
каждой записью проводился подготовительный этап длительностью 5 минут, в ходе которого
испытуемый был закрытыми глазами и концентрировал внимание на дыхании. Проведен
статистический анализ полученных данных для каждого испытуемого индивидуально и для
всех испытуемых в совокупности. В результате проведенного исследования показано
снижение мощности сигнала в частотном диапазоне, характеризующем степень активации
симпатической
системы,
однако
полученный
результат
не
прошел
проверку
на
статистическую достоверность. Выявлены основные недостатки методологии проведенного
эксперимента, которые привели к отрицательному результату.
СОДЕРЖАНИЕ
ВВЕДЕНИЕ .................................................................................................................. 4
1
2
3
Биофизические основы фотоплетизмографии ................................................... 7
1.1
Принцип регистрации фотоплетизмографии ............................................... 8
1.2
Оптические свойства кожи .......................................................................... 10
1.3
Структура микроциркуляторного русла .................................................... 18
1.4
Регуляторные механизмы в микрососудистом русле ............................... 21
1.5
Медико-технические требования ................................................................ 24
Разработка аппаратно-программного комплекса ............................................ 25
2.1
Проектирование устройства ........................................................................ 25
2.2
Разработка алгоритмов обработки сигнала фотоплетизмографии .......... 30
Анализ нейрогенной регуляции микроциркуляторного русла при
когнитивной нагрузке по сравнению с покоем ...................................................... 38
3.1
Регистрация фотоплетизмографии ............................................................. 40
3.2
Предобработка сигнала фотоплетизмографии .......................................... 41
3.3
Построение спектра сигнала фпг ................................................................ 42
3.4
Анализ и статистическая обработка результатов ...................................... 46
3.5
Обсуждение результатов.............................................................................. 49
ЗАКЛЮЧЕНИЕ ......................................................................................................... 51
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ ............................................... 52
ПРИЛОЖЕНИЕ А ..................................................................................................... 55
3
ВВЕДЕНИЕ
Ранняя диагностика заболеваний человека является ключевым фактором
его успешного выздоровления. Чем раньше будет диагностировано то или иное
заболевание, тем меньший ущерб будет нанесен пациенту от возможных
осложнений или побочных эффектов лечения. Для осуществления ранней
диагностики требуется периодический мониторинг состояния пациента,
поскольку всякое заболевание развивается постепенно [24].Такой подход
позволяет обнаружить патологию уже на ранних этапах её развития, когда
организму нанесен только минимальный ущерб.
В
соответствии
с
данными
обзора
Федоровича
А.А.
[27]
микроциркуляторное сосудистое русло (далее МЦР) первым вовлекается в
различные патологические процессы и во многих случаях является основной
«мишенью» для самых разных групп фармакологических препаратов. Данное
явление обусловлено тем, что параметры микрогемодинамики с одной стороны
отражают состояние «фундаментальных тканевых физиологических процессов,
а с другой стороны от них зависит общее состояние здоровья и качество жизни
каждого человека». В своем обзоре автор также отмечает, что «на уровне МЦР
гемодинамика и метаболизм не просто взаимосвязаны, но и взаимозависимы»,
что не позволяет усомниться в том, что мониторинг состояния МЦР является
перспективным для ранней диагностики человеческого организма.
К аналогичным выводам приходит в своей статье Abele Donati [1], где он
приводит
результаты
исследований
состояния
микроциркуляции
при
различных заболеваниях таких, как сепсис, сердечной недостаточности и
гиповолемии. В ходе анализа публикаций автор отметил существенные
отклонения как качественных (индекс потока в микрососудах, показатель De
Backer1 и др.), так и количественных (вязкость крови, сатурация и др.)
параметров состояния МЦР, характерных для перечисленных заболеваний.
1
В оригинале De Backer score, измеряется в мм-1 и характеризует плотность сосудов
4
Более современные исследования Antoine G. Schneider [4], P-R Antonio
[10], Wårdell K. [18] также демонстрируют изменения на уровне МЦР при
циррозе печени, во время антигипертензивной терапии и при нарушении
кровообращения головного мозга соответственно. Более того, в работах Guotao
Hu [5], Jolita Bekhof [9], Jasper Boeddinghaus [6], Partovi Sasan [11] показана
эффективность мониторинга состояния МЦР для ранней диагностики таких
заболеваний, как диабетическая периферическая нейропатия, сепсис у
новорожденных, ишемия и системная склеродермия.
На сегодняшний день существует широкий спектр методов исследования
микроциркуляции
как
морфологических,
так
и
прижизненных
[25].
Наибольший интерес представляют последние, поскольку они не требуют
инвазивных вмешательств. Среди них выделяют биомикроскопию, а также
различные косвенные методы исследования микроциркуляции такие, как
термометрия, рео- и фотоплетизмография (далее ФПГ), пульсоксиметрия,
(далее ПО), лазерная доплеровская флоуметрия (далее ЛДФ) и многие другие.
рео- и фотоплетизмография (далее ФПГ), лазерная доплеровская флоуметрия и
многие другие. Косвенные методы позволяют оценить только интегральное
состояние микрососудов в некотором объеме, что одновременно является их
преимуществом и недостатком. С одной стороны невозможность исследования
отдельных сосудов сужает возможности диагностики, а с другой дает
возможность оценивать состояние МЦР количественно, то есть позволяет более
объективно анализировать патологический процесс. Также косвенные методы
меньше ограничены в отношении мест проведения диагностики, в отличие,
например, от биомикроскопии, которая может быть проведена только в области
ногтевого валика пальцев кисти или стопы или конъюктивы глазного яблока.
Современные исследовательские проекты больше внимания уделяют
оптическим методам диагностики: БИК-спектроскопия, ЛДФ, ФПГ и ПО [9].
Среди перечисленных методов особо выделяется ФПГ, которая при своей
простоте, дешевизне, а так же малых габаритах не уступает в информативности
более сложным и дорогим методам.
5
Сравнительный анализ сигналов, полученных каждым из перечисленных
выше методов, в работе Abay [16] демонстрирует статистически значимые
различия между состоянием покоя и полной окклюзией. В тоже времени авторы
исследования отмечают, что при определении венозной окклюзии на сигнале
ФПГ не обнаружено статистически значимых отклонений по сравнению с
нормой в отличие от БИК-спектроскопией, что является недостатком ФПГ. Это
связано с тем, что в работе использовался ИК диапазон излучения, для которого
характерно сильное поглощение оксигемоглобина, превосходящее поглощение
дезоксигемоглобина.
Аналогичное исследование Budidha [8] показало статистически значимые
различия в сигнале ФПГ, ЛДФ и БИК-спектроскопия при термальном стрессе.
Результат его исследования показал снижение амплитуды сигнала вследствие
вазоконстрикции как при измерении с помощью БИК-спектроскопии, так и с
помощью ФПГ.
Благодаря высокой информативности и простоте, метод ФПГ является
одним из наиболее перспективных для диагностики и мониторинга состояния
микроциркуляции, а значит и для ранней диагностики широкого спектра
заболеваний.
6
1 Биофизические основы фотоплетизмографии
ФПГ представляет собой оптический метод регистрации кровенаполнения
ткани. Данный метод получил широкое распространение как в клинической
диагностике, так и среди носимых индивидуальных устройств, благодаря малой
стоимости и простоте реализации.
Метод ФПГ прошел длинный путь от первых попыток регистрации
изменения кровенаполнения на ухе кролика до реализации современных
миниатюрных устройств на основе полупроводниковых светодиодов и
фотодетекторов [2], а также приборов для ФПГ визуализации [13], поэтому
хорошо
себя
зарекомендовал.
Сейчас
существует
широкий
спектр
конструктивных реализаций данного метода, а также алгоритмов его анализа,
которые позволяют получить обширные сведения о состоянии макро- и
микрогемодинамики человеческого организма.
Тем не менее, несмотря на длительную историю развития, интерес к ФПГ
не
ослабевает,
что
выражается
в
нескончаемом
потоке
публикаций,
посвященных данному методу. Только за последний 2018 год по данным
Google Scholar насчитывается
несколько сотен различных публикаций,
посвященных методу ФПГ, в журналах с высоким импакт-фактором, например,
Elsevier, Nature, Lancet и многих другие. Это связано с тем, что на сегодняшний
день не все составляющие сигнала ФПГ получили свое обоснование [2],
поэтому исследовательские проекты, посвященные данному методу, все еще не
утратили актуальность.
7
1.1 Принцип регистрации фотоплетизмографии
В
простейшей
реализации
ФПГ
включает
в
себя
несколько
оптоэлектронных компонентов: источник излучения для освещения ткани и
фотодетектор для регистрации малых колебаний интенсивности оптического
излучения, связанной с изменением отражающих, поглощающих и/или
рассеивающих свойств исследуемой области.
Регистрации ФПГ может осуществляться двумя способами: путем
регистрации отраженного излучения (см. рисунок 1А) или прошедшего
насквозь через ткань (см. рисунок 1Б). В первом случае источник и приемник
оптического излучения размещаются с одной и той же стороны от исследуемой
области ткани, а втором – исследуемая область ткани помещается между
приемником и источником. Достаточно очевидно, что второй способ гораздо
больше ограничен в отношении мест проведения диагностики, ввиду высокого
поглощения излучения, поэтому используется реже.
Б
А
Рисунок 1 – Принцип работы ФПГ: А – на просвет; Б – на отражение
Несмотря на простоту реализации метода ФПГ, во время разработки
необходимо учитывать несколько его особенностей для более комфортной и
качественной регистрации сигнала. Во-первых, датчик ФПГ должен быть
надежно закреплен на исследуемой области с целью минимизации артефактов
движения. Во-вторых, при регистрации ФПГ необходимо учитывать наличие
фонового
освещения,
которое
может
8
снизить динамический
диапазон
получаемого сигнала. Влияние данного артефакта может быть снижено либо
путем
вычитания
фона
из
сигнала
ФПГ,
который
регистрируется
дополнительным фотоприемником; либо путем затемнения места регистрации;
либо с помощью модуляции.
9
1.2 Оптические свойства кожи
Традиционно сигнал ФПГ разделяют на две составляющей: переменная
(AC) и постоянная (DC). DC-составляющая является сигналом, амплитуда
которого зависит от структуры и состава ткани, а также среднего объема
артериальной и венозной крови. DC меняется медленно в отличие от ACсоставляющей, которая зависит от пульсации кровотока, как показано на
рисунке 2.
Наиболее часто для ФПГ используют источники с длиной волны зеленого
(500 – 600 нм), красного (640 – 780 нм), ближнего инфракрасного (800 – 1000
мкм) диапазонов. Рассмотрим более подробно процесс взаимодействия
оптического излучения в перечисленных диапазонах с поверхностью кожи,
чтобы
определить,
какие
физиологические
процессы
могут
быть
зафиксированы с помощью ФПГ на поверхности человеческого организма, т.е.
на коже.
Рисунок 2 – Принцип формирования сигнала фотоплетизмографии
10
Взаимодействие оптического излучения с биологической тканью во время
регистрации ФПГ сопряжено с различными оптическими процессами:
отражение, пропускание, флюоресценция, рассеяние
и поглощение. Они
обусловлены наличием хромофоров и неоднородностей в эпидермисе и дерме.
Явление флюоресценции в коже характерно для УФИ диапазона (например,
флюоресценция триптофана и теразина в диапазоне 330 – 360 нм), т.е. не
соответствует диапазону длин волн излучения, применяемого в ФПГ, поэтому в
данной работе рассматриваться не будет.
Как видно из рисунка 3, разные свои кожи обуславливают разные
процессы взаимодействия оптического излучения и ткани, ввиду их разной
толщины, структуры и состава (см. Таблица 1).
Таблица 1 –
Слои кожного покрова
Наименование слоя
Stratum corneum
Stratum
granulosum
Epidermis
Stratum malpighi
Germinative
8 – 15
3
50 – 150
5 – 10
Papillary dermis
(Сосочковый
слой)
100
Верхнее
сплетение
микрососудов
150
Reticular dermis
Dermis
Толщина,
мкм
Глубокое
сплетение
микрососудов
1000 –
4000
100
Базовая структура
От 10 до 20 плотно упакованных, сплющенных
слоев мертвых кератиноцитов, богатые липопротеиновым кератином; содержит гранулы меланина и
каротины;
От 2 до 4 слоев шиповатых клеток между слоем
живых клеток
От 10 до 20 клеточных слоев кератиноцитов, из
которых образуются клетки слоя stratum corneum;
Слой базальных клеток, которые делятся для
обеспечения непрерывного питания кератиноцитов;
также
присутствуют
меланоциты,
которые
продуцируют гранулы меланина (меланосомы)
Состоит из тонких коллагеновых волокон;
преобладают фибробласты и фиброциты, макрофаги
и тучные клетки (тканевые базофилы), Тлимфоциты
Слой дермы, пронизанный артериолами и венулами,
обеспечивает питание клеток кожи совместно с
более глубокими сплетениями микрососудами
Состоит из плотных коллагеновых и эластич-ных
волокон, образующих сетчатую форму; в основном
выполняет опорную функцию
Слой дермы, пронизанный артериолами и венулами,
обеспечивает питание клеток кожи совместно с
поверхностными сплетениями микрососудами
11
Рисунок 3 – Схема взаимодействия оптического излучения с кожей [12]
Поверхностный слой кожи stratum corneum в отсутствии патологий
отражает от 4 до 7 % падающего перпендикулярно к поверхности излучения во
всем оптическом диапазоне, не зависимо от цвета кожи. Данное явление
обусловлено переходом излучения между средами с разными показателями
преломления (воздух n = 1,0; stratum corneum n = 1,55). Учитывая, что с ростом
угла между падающим лучом и нормалью к поверхности растет процент
отраженного излучения (см. рисунок 4), важно предусмотреть, чтобы источник
излучения был перпендикулярен к поверхности ткани, для минимизации
отражения.
12
Рисунок 4 – График зависимости коэффициента отражения на stratum
corneum от угла падания излучения
Из-за того, что поверхность stratum corneum не является гладкой и
плоской: (1) отражение не является зеркальным, т.е. отражение не формирует
изображение и (2) коллимированный луч, падающий на кожу, будет преломлен
и поэтому рассеется по шероховатой поверхности кожи. В тоже время если
эпидермис поврежден вследствие патологии, например, при псориазе, то
отражение существенно возрастает. В то время как в норме кожа имеет
непрерывный контакт с воздухом, поверхность псориатических бляшек, как
правило, состоит из чешуек аномальных корнеоцитов, между которыми есть
воздушные зазоры. Однако если нанести на патологический участок
липофильное соединение, параметры отражения поврежденной кожи будут
совпадать с нормой, так как зазоры между корнеоцитами будут заполнены.
Благодаря этому решению, можно осуществлять оптическую диагностику МЦР
даже в подобных патологических областях.
Оставшаяся часть падающего излучения, которая не отразилась от stratum
corneum (8 – 22 мкм), вглубь ткани. Внутри слоев кожи от 93 до 96-ти %
падающего излучения будет либо поглощено, либо рассеяно. Эти два процесса
полностью определяют глубину проникновения излучения в кожу. Рассеяние
является следствием неоднородности среды распространения излучения.
13
Пространственное распределение и интенсивность рассеянного излучения
зависят от размера и формы неоднородностей относительно длины волны, а
также разницы между показателем преломления неоднородности и среды. Для
молекул или частиц, которых много меньше длины волны (не менее, чем в 10
раз), рассеяние, как правило, слабое, почти изотропное, поляризованное и
изменяется обратно пропорционально 4-й степени длины волны (Рэлеевское
рассеяние).
Более значимым является рассеяние на частицах, размер, которых
сопоставим с длиной волны падающего излучения. Для Cellular epidermis (35 –
103 нм) или неомертвевшего эпидермиса наиболее характерно рассеяние на
крупных частицах меланина таких, как меланосомы (органелла в составе
меланоцитов, продуцирующая меланин), размер которых составляет более 300
нм (Рассеяние Ми).
Оптические свойства дермы (1 – 4
мм) существенно отличаются от
эпидермиса. В дерме рассеяние обусловлено фибрилярной ткани, состоящая из
волокон
коллагена.
Размер
одной
молекулы
коллагена
составляет
приблизительно 300 нм в длину и 1,5 нм в диаметре, а диаметр волокон
достигает диаметра от 30 до 300 нм, Рассеяние в дерме представляет для
данной работы наибольший интерес, поскольку именно в дерме сосредоточены
кровеносные сосуды.
Как уже отмечалось выше, взаимодействие оптического излучения с
кожей, также обусловлено поглощением излучения эндогенными хромофорами.
В эпидермисе присутствует большое количество различных хромофоров таких
меланин, триптоптофан, тирозин и другие, однако в большинстве случаев
максимум поглощения для этих веществ приходится на УФИ диапазон.
Исключение составляет только меланин, который поглощает значительное
количество излучения даже в видимом и БИК- диапазонах.
14
Дерма, в отличие от эпидермиса, является сильно поглощающей средой.
Среди них присутствует меланин (также как в эпидермисе), биллирубин, оксии дезоксигемоглобин и многие другие.
Если сопоставить диапазоны
регистрации ФПГ и спектры поглощения перечисленных хромофоров, то
можно
обратить
внимание
красный
и
БИК
диапазон
соответствуют
поглощению окси- и дезоксигемоглобина и меланина (рисунок 5). Можно
также
обратить
внимание,
что
для
красного
диапазона
поглощение
дезоксигемолобина превосходит поглощение оксигемоглобина, а для БИК
дипазона – наборот. Такое соотношение спектров поглощения используют для
расчета коэффицента сатурации с целью определить степень насыщения ткани
кислородом.
Точку
пересечения
спектров
поглощения
окси-
и
дезоксигемоглобина называют изобестической точкой, т.е. длина волны, на
которой эти два вещества идентичный коэффициент поглощения. Диапазон
длин
волн
зеленого
цвета,
который
в
последнее
получил
распространение, значительно сильнее поглощается как
широкое
окси-, так и
дезоксигемоглобином, т.е. пульсации крови в этом диапазоне проявляются
сильнее.
Рисунок 5 – Спектр поглощения различных хромофоров в составе кожи
15
Из рисунка 5 можно видно, что для всех диапазонов ФПГ, характерен
высокий коэффициент поглощения меланина, при этом его коэффициент
поглощения снижается с увеличением длины волны. Данное явление является
главной причиной зависимости глубины проникновения от длины волны.
Andeson [3] в своей работе приводит результаты измерения ослабления
излучения в зависимости от длины волны (рисунок 6).
2,5
2
Глубина, мм
1,5
1
0,5
0
0
500
1000
1500
Длина волны, нм
Рисунок 6 – Зависимость глубины проникновения излучения от длины
волны
Таким образом, можно заключить, что глубина проникновения излучения
во время ФПГ для зеленого цвета будет существенно уступать красному и БИКдиапазону. На основании проведенного обзора можно заключить, что сигнал
ФПГ обусловлен следующими процессами:
1. Отражение на границе воздух–stratum corneum;
2. Рассеяние на меланоцитах в эпидермисе, и коллагеновых волокнах в
толще дерме;
3. Поглощение меланином и дезоксигемоглобином – DC- составляющая
сигнала;
4. Поглощение оксигемоглобином – DC- и AC-составляющие
16
Дополним так же, что для диапазона длин волн от 400 до 600 нм
доминирующею роль в формировании спектра отражения играют как
поглощение, так и рассеяние, при этом в отраженном излучении увеличивается
доля света испытавшего многократное рассеяние. Коэффициент отражения в
этой области составляет от 15 до 40 %, а спектр отражения имеет резко
выраженный минимум в области 405 – 430 нм и характерные минимумы в
области 540 – 580 нм, обусловленные полгощением гемоглобина, в спектре
могут появляться с поглощением каротина (480 нм) и билирубина (460 нм).
В области длин волн 600 – 1500 нм поглощение уменьшается, рассеяние
превалирует над поглощением. Свет внутри кожи имеет характер полностью
диффузно рассеянного, при этом значение коэффициент отражения достигает
35 – 70 %. В ближнем ИК-области спектра коэффициент отражения растет
вплоть до 800–900 нм, а затем из-за поглощения воды уменьшается [26].
Из приведенных выше данных можно заключить, что амплитуда сигнала
ФПГ будет существенно зависеть от параметров кожи испытуемого, что
существенно усложнит его анализ, а также интерпретацию полученных
результатов. В соответствии данными работы Sandy-Moller [14] присутствуют
корреляция толщины stratum corneum в зависимости от различных частей тела,
пола, пигментации и типе кожи, а также сроке курения. В тоже же время не
обнаружено взаимосвязи толщины кожи и возраста, а также толщины кожи и
концентрации гемоглобина. Для cellular epidermis корреляция толщины
обнаружена с частью тела, полом, содержанием гемоглобина. Таким образом,
можно заключить, что получения достоверных результатов эксперимента,
нужно
учитывать
все
перечисленные
экспериментальной группы.
17
факторы
при
составлении
1.3 Структура микроциркуляторного русла
Рассмотрим более подробно объект исследования. В соответствии с
учебным пособием Красникова В.Е. [21] микроциркуляция представляет собой
движение крови и лимфы по микрососудам диаметром от 2 до 100 мкм (иногда
200 мкм). Несмотря на существенные органоспецифические различия,
структурная
организация
МЦР
едина
и
представляет
собой
сложно
организованную систему (рисунок 8), которая обеспечивает упорядоченное
движение крови, лимфы, тканевых жидкостей, всасывание и выделение
биохимических субстратов, метаболитов, физиологически активных веществ.
МЦР состоит из повторяющихся единиц или модулей, каждый из которых
представляет собой отдельный многокомпонентный комплекс микрососудов .
Структурно каждый модуль подразделяется на несколько отделов: начальный
(или отдел притока), обменный (или отдел обмена), конечный отдел (или отдел
оттока).
Отдел притока (рисунок 7) служит для контроля доставки крови в МЦР.
Он представлен артериолами (сосуды мышечного типа, диаметром от 20 до 100
мкм), метартериолами (сосуды с прерывистым мышечным слоем, диаметром от
10 до 25 мкм) и прекапилярными сфинктерами (гладкомышечные структуры).
Гладкомышечные
элементы
в
составе
отдела
притока
обеспечивают
сосудистый тонус и называются резистивными сосудами. Резистивные
микрососуды
регулируют
количество
открытых
капилляров,
скорость
капиллярного кровотока, эффективную поверхность капилляров, среднее
расстояние для диффузии.
18
Рисунок 7 –
В отделе обмена, как
Отдел притока
понятно
из названия, происходит обмен
питательными веществ и продуктами клеточного метаболизма между кровью и
внесосудистым окружением. Данный отдел представлен капиллярами (сосуды,
преимущественно состоящие из эндотелия и базальной мембраны, диаметром
от 2 до 20 мкм). Плотность капиллярной сети значительна, но число
функционирующих,
существенно
варьируется
в
зависимости
от
функционального состояния органа. В покое используется только 25-30% от
общего числа капилляров. Из трех основных механизмов обмена веществ для
отдела обмена в МЦР характерен фильтрационно-реабсорбционный, который
обеспечивает
двусторонний
транспорт
воды,
водорастворимых
и
низкомолекулярных веществ за счет разницы гидростатического и коллоидноосмотического давления крови. Данный механизм зависит от суммарного
действия следующих переменных: 1) гидростатическое давление в различных
отделах
капилляра;
2)
гидростатического
давления
интерстициальной
жидкости; 3) онкотического давления плазмы крови в капилляре; 4)
коэффициента межклеточной тканевой фильтрации эндотелия капилляров.
Капилляры отдела обмена в норме практически не растяжимы, даже при
большом давлении. Данный феномен связан с тем, что окружающая капилляр
среда на 99% обуславливает его жесткость, поэтому при патологии (например,
при воспалении) может существенно изменяться жесткость и проницаемость
капилляров.
19
В конечном отделе осуществляется отток крови. Он представлен мелкими
венулами, диаметром 15-20 мкм, которые образованы слиянием венозных
отделом
капилляров.
В
венозных
сосудах
обнаружены
специальные
структурные образования – клапаны, препятствующие обратному току крови.
Тонкостенные вены имеют тенденции к варикозным расширениям в виде
аневризм.
Особое место в МЦР занимают артериоло-венулярные анастамозы (далее
АВА) и метартериолы, которые представляют собой сосудистые образования,
выполняющие роль шунтов между артериолой и венулой. Шунты, изменяя свой
просвет, а также метартериолы за счет сокращения или расслабления
сфинктеров оказывают влияние на различные параметры кровотока такие, как
давление, интенсивность и т.д.
Рисунок 8 – Структура микрососудистого русла
Важно отметить несколько аспектов, характерных исключительно для
системы микроциркуляции: 1) исчезает отграниченность сосудов от тканевого
субстрата, характерная для магистральных артериальных и венозных сосудов, а
адвентициальный
слой
соединительной
ткани,
представлен
что
в
основном
позволяет
элементами
микрососудам
рыхлой
становиться
интегральными элементами кровоснабжения органа; 2) отсутствует система
vasa-vasorun;
3)
число
Рейнольца
становится
меньше
единицы,
свидетельствует о преобладании вязких сил крови над кинетическими.
20
что
1.4 Регуляторные механизмы в микрососудистом русле
В параграфе 1.2 уже упоминалось, что сигнал фотоплетизмографии
подразделяется на AC- и DC-составляющие, где AC представляет собой
пульсации кровотока, а DC прочие низкочастотные процессы. Такое разделение
широко распространено в зарубежной литературе [2][15], посвященной
фотоплетизмографии.
Для
сигнала
лезерной
допплеровской
флоуметрии
составляющие
выделяются исходя из природы их возникновения, которое является
справедливым и для фотоплетизмографии. В монографии А.И. Крупаткина [23]
выделяют 5 частотных составляющих сигнала, которые разделены на два типа:
пассивные
(факторы,
вызывающие
колебания
кровотока
вне
системы
микроциркуляции) и активные (факторы, непосредственно влияющие на
систему микроциркуляции). К пассивным относят пульсовую волну со стороны
артерий и присасывающее действие со стороны вен, к активным в свою очередь
относят эндотелиальный, миогенный и нейрогенный механизмы регуляции
просвета и тонуса сосудов (рисунок 9). Для ЛДФ также еще анализируют
постоянную составляющую сигнала, которая характеризует среднюю перфузию
в русле, однако для ФПГ данный параметр слишком сложно интерпретировать
ввиду сложного процесса взаимодействия оптического излучения с кожей
человека, поэтому он обычно не рассматривается.
Рисунок 9 – Схема модуляции кровотока в микрососудах
21
Каждая из ритмических составляющих имеет свой собственный частотный
диапазон:
Во-первых, пульсовая волна, для которой характерен частотный диапазон
от 0,8 до 1,6 Гц. Данная ритмическая составляющая связана с амплитудой
колебаний кровотока. Её амплитуда зависит от состояния резистентных
сосудов, т.е. увеличение амплитуды пульсовой волны может наблюдаться,
например, у пожилых людей из-за снижения эластичности стенки сосудов.
Во-вторых, дыхательная волна, которая заключена в диапазоне от 0,15 до
0,4 Гц (в других источниках выделяют диапазон от 0,2 до 0,5 Гц) [19].
Дыхательная волна в МЦР обусловлена динамикой венозного давления при
легочной механической активности. При расширенных артериолах давление в
МЦР высокое, т.е. влияние респираторного давления на перфузию снижается,
поэтому амплитуда дыхательной волны снижается. Наоборот, увеличение
амплитуды дыхательной волны указывает на снижение давления в МЦР, что
может быть признаком ухудшения оттока крови в микрососудах.
В-третьих, миогенные колебания, типичный частотный диапазон которых
от 0,07 до 0,15 Гц. Происхождение данного ритма связывают с локальными
пейсмекерами внутри гладкой мускулатуры микрососудов, а также колебания
концентрации
ионов
Ca2+.
Увеличение
амплитуды
данного
ритма
свидетельствует о снижении периферического сопротивления и наоборот.
Особенностью данного ритма является то, что его «центральная частота»
варьируется на разных участках тела, причем более высокая частота,
характерна для более дистальных областей.
В-четвертых,
нейрогенные
колебания
с
характерным
частотным
диапазоном от 0,02 до 0,05 Гц. Данный ритм связан с активностью
симпатической нервной системы, которая иннервирует гладкие мышцы
артериол анастомозов (под действием адреналина).Увеличение амплитуды
нейрогенных колебаний является индикатором снижения сопротивления
сосудов и возможного усиления кровотока по анастомозам.
22
Последний ритм – эндотелиогенный, заключенный в диапазоне от 0,0095
до 0,02 Гц. Данный ритм обусловлен функционированием эндотелия сосудов
(выбросом вазодилататора NO). Его можно зафиксировать в ответ на
химическую стимуляцию ацетилхолином или на механическую стимуляцию
после прекращения окклюзии.
В дополнение к перечисленным в литературе также еще несколько ритмов:
один эндотелиальный ритм (не связанный с выбросом NO) в диапазоне от 0,005
до 0,0095 Гц; нейрогенные ритмы подразделяются на несколько поддиапазонов,
в зависимости от части нервной системы, которую они характеризуют, т.е. в
дополнение адренергическим нейрогенным колебания, упомянутым ранее,
выделяют также сенсорный пептидергический (от 0,047 до 0,069 Гц) и
холинергический парасимпатический (от 0,16 до 0,18 Гц). [27]
Обобщая выше сказанное, можно заключить, что различные частотные
диапазоны сигнала ЛДФ, могут характеризовать не только местные процессы,
но и состояние целых систем организма. В данной работе был сделан акцент на
нейрогенном
симпатическом
адренергическом
ритме(далее
нейрогенная
составляющая), поскольку нарушения в работе симпатической нервной
системы являются симптомами целого спектра заболеваний, например,
диабетическая нейропатия, синдром яремного отверстия, синдром Райли-дея и
многие другие. Однако, ЛДФ является достаточно крупным прибором, что
усложняет длительный мониторинг состояния пациента.
23
1.5 Медико-технические требования
На основании проведенного литературного обзора можно заключить, что
разработка
универсального
беспроводного
датчика
фотоплетизмографии
является необходимой, поскольку в современных технических реализациях
данного метода внимание уделяется исключительно пульсовой составляющей
сигнала, в то время как низкочастотные компоненты в большинстве своем не
анализируются, несмотря на их диагностическую значимость.
Итоговое устройство должно отвечать следующим требованиям:
 Позволять везти регистрацию сигнала на нескольких длинах волн
(красный и инфракрасный диапазоны);
 Иметь минимально возможные габариты;
 Питание от аккумулятора и сохранять автономию не менее 5 часов;
 Осуществлять беспроводную передачу данных по интерфейсу
Bluetooth в пределах 10 метров от приемного устройства;
 Допускать подключение нескольких датчиков к одному приемному
устройству;
 Частота дискретизации 100 Гц на канал;
Также должны быть разработаны алгоритмы для приемного устройства
для обработки фотоплетизмографии, которые должны быть протестированы в
эксперименте.
24
2 Разработка аппаратно-программного комплекса
2.1 Проектирование устройства
На основе медико-технических требований был разработана структурная
схема прибора, которая представлена на рисунке 10. Для решения поставленной
задачи был разработан прибор на базе микросхемы MAX30105 и СС2640.
MAX30105
является
интегральным
датчиком,
предназначенным
для
регистрации ФПГ с излучателями 880, 660 и 537 нм и рассеиваемой мощностью
10 мВт. СС2640 выполняет роль управляющего контроллера и контроллера
Bluetooth (стандарт 4.2). Его тактовая частота составляет 48 МГц, а
рассеиваемая мощность 12 мВт. Питание устройства осуществляется с
помощью аккумулятора LP301730HA-PCM-LD с емкостью 100 мА/ч, что
позволяет прибору сохранять работоспособность в активном режиме не менее 8
часов.
В отличие от существующих аналогов, реализующих метод ФПГ,
разрабатываемый прибор ориентирован на мониторинг состояния МЦР, в том
числе и одновременно на нескольких участках ткани благодаря возможности
объединения нескольких датчиков сеть (т.н. piconet) под управлением одного
приемного устройства.
Рисунок 10 – Структурная схема разрабатываемого устройства
25
Разработка данного устройства является сложной и многоступенчатой
задачей, поэтому для постепенной отладки отдельных элементов устройства
был разработан проводной прототип устройства, фотография которого
представлена на рисунке 11.
Рисунок 11 – Экспериментальная установка
В основе платы регистрации ФПГ лежит микросхема MAX30102, которая
представляет собой интегральный датчик ФПГ. Для питания данного датчика
требуется 5 В и 1,8 В. Для питания используем линейные стабилизаторы
LM1117. Плата регистрации ФПГ выполнена с помощью ЛУТ. В качестве
платы сбора данных используем плату Arduino Uno. Параметры используемого
прибора приведены в таблице 2.
Таблица 2 – Параметры прибора
Плата регистрации ФПГ
Габаритные размеры, мм
30 x 40
MAX30102
Габаритные размеры, мм
5,6 х 3,3 х 1,55
красный
650 – 670
инфракрасный
870 – 900
красный
9,5 (в непрерывном режиме)
инфракрасный
6,5 (в непрерывном режиме)
Длины волн, нм
Мощность
излучения, мВт
26
Размер чувствительной
поверхности фотодетектора, мм
1,38 х 0,98
Разрешение АЦП, бит
18
Частота дискретизации, Гц
50 – 3200 (задано 100)
Напряжение питания, В
5
Рассеваемая мощность, мВт
< 440 (непрерывный режим)
Интерфейс передачи данных
I2C, 100 кГц
LM1117
Габаритные размеры, мм
6,5 х 3,5
Входное напряжение, В
< 15
Выходное напряжение, В
1,25 – 13,8 (задано 1,8 и 5)
Пульсации выходного напряжения
Выходной ток, мА
±1
< 800 мА
Плата Arduino Uno
Габаритные размеры, см
6,9 х 5,4
Напряжение питания, В
5
Число аналоговых выходов, шт
6
Число цифровых выходов, шт
14
Тактовая частота, МГц
16
Проводные соединения
Длина USB-кабеля, м
1,5
Длина провода между платами, см
10
Для осуществления приема данных от устройства, их графического
отображения на экране, а также записи в текстовый файл использовалось
программное обеспечение, разработанное на кафедре БМТ2.
27
Рисунок 12 – Пример записи фотоплетизмографии с помощью B4
Передача данных осуществлялась в соответствии со специальным
протоколом, который рассчитан на работу 10-ю каналами. Использовался
интерфейс UART: скорость 38400 бод; 7 бит данных, 1 стартовый и 1 стоповый
бит, без бита четности. Протокол следующий: для каждого из 10 каналов
передаются 2 байта, первый байт содержит старшие биты, второй байт –
младший, первый бит в каждом байте является служебным. Блок-схема
прошивки Arduino Uno, в которой реализован данный протокол, представлена
рисунке 13, листинг кода приведен в приложении.
28
Рисунок 13 – Блок-схема алгоритма регистрации фотоплетизмограммы
на Arduino Uno
К сожалению, в результате проделанной работы итоговое устройства,
которое должно соответствовать структурной схеме на рисунке ? не было
завершено ввиду недостатка ресурсов и времени. Последняя версия устройства
представлена на рисунке 14 и предназначена для отладки интерфейса Bluetooth.
Рисунок 14 – Макет для отладки Bluetooth интерфейса
Таким образом, был разработан экспериментальный макет устройства, а
также программное обеспечение для его обслуживания, которые в дальнейшем
позволят создать полноценное устройство.
29
2.2 Разработка алгоритмов обработки сигнала фотоплетизмографии
В данной работе вся обработка сигналов происходит офлайн, то есть после
его записи и сохранения в файл. Далее необходимо сигналы провести через
несколько подготовительных этапов, с целью повысить качество обработки.
Все этапы представлены на рисунке 15.
Рисунок 15 – Этапы обработки данных
Выгрузка данных из B4 подразумевает преобразование записанного
сигнала
из бинарного
файла
в текстовый
выполняется
встроенными
средствами. Текстовые файлы получают названия в соответствии с форматом
MMDDhhmm101T, где MM,
DD, hh и mm – месяц, число, час и минута
соответственно, когда была сделана запись.
Для массовой подгрузки нескольких файлов необходим файл sub_info.txt,
формат которого соответствует таблице 3. Файл должен содержать обозначения
каждого испытуемого и каждого блока. В ячейках должно быть прописано
название файла соответствующего данному блоку и испытуемому.
Таблица 3 –
SubName
Sub1
Sub2
Sub3
Sub4
…
Формат sub_info.txt
Block_1
05141258
05141312
05141327
05141340
…
…
…
…
…
…
…
Blockn
05141303
05141318
05141333
05141347
…
SubM
05141412
…
05141422
30
Далее выполняется подгрузка данных Matlab с помощью функции
loadPPG(листинг исходного кода для подгрузки приведен в приложении), в
результате чего в workspace добавляется переменная типа structure(), где
подгруженные данные организованы в соответствии с рисунком 16. Также как
и в sub_info.txt колонки обозначают обозначения испытуемых и названия
блоков эксперимента, по строкам располагаются записи соответствующие
каждому испытуемому.
Рисунок 16 – Формат данных в Matlab
В блоке «Проверка на артефакты» пользователю необходимо просмотреть
каждый файл самостоятельно с помощью скрипта plotData (листинг исходного
кода для подгрузки приведен в приложении). Для каждого блока эксперимента
создается дополнительная колонка, название которой должно соответствовать
формату Need_cut_%название блока%. В каждой ячейке блока пользователь
записать список фрагментов сигнала, которые должны быть из него исключены
из него. Важно, что фрагменты сигнала необходимо вырезать в одной фазе
(например, начало и конец исключаемого фрагмента находятся в фазе
диастолы), чтобы упростить последующее «сращивание» частей сигнала. В
случае, если исключать ничего не требуется, в ячейке пишется пустой массив.
В конце полученная структура передается в качестве аргумента скрипту
Cutting_sig.
Для
анализа
частотных
характеристик
сигнала
в данной
работе
используется построение частотного спектра. Для расчета спектра сигнала
используем алгоритм дискретного преобразования Фурье, которое вычисляется
по формуле (1)[25].
31
N
X (k )   x(nT )e
 ik 2 n
N
,
(1)
n 1
где X, x – амплитуда n-ого и k-ого отсчета сигнала в частотной и
временной области соответственно;
При анализе спектра вычисляется средняя мощность спектра в частотном
диапазоне, который представляет интерес для эксперимента. Данная величина
вычисляется для каждого блока эксперимента и испытуемого, после чего
полученные значения усредняются для каждого блока. Чтобы проверить
достоверность отличия средней мощности спектра в заданном диапазоне
используем непараметрический U-критерий Манна-Уитни. Выбор данного
критерия. U-критерий Манна-Уитни вычисляется по формуле (1).
U exp  n1  n2 
nx  (nx  1)
 Tx ,[22]
2
(2)
где n1 — количество испытуемых в 1 группе(Rest); n2 — количество
испытуемых во 2 группе(Cogload); Tx — большая из двух ранговых сумм; nx —
количество испытуемых в группе с большей ранговой суммой.
Для случаев, когда нужно сравнить два спектра индивидуально критерий
Манна-Уитни не подходит. Для этого намного более подходящим критерием
является критерий эквивалентности спектров [7]. Данный метод основан на χ2
распределении спектра мощности сигнала.
Введем понятие χ2 – распределения. Пусть z1, z2, …,zn есть n независимых
случайных величин, каждая из которых имеет нормальное распределение с
нулевым средним и единичной дисперсией. Определим новую случайную
величину вида:
n
 n 2   zi 2
i 0
32
(3)
Случайная величина  n 2 называется хи-квадрат случайной величиной с n
степенями свободы. Число степеней свободы определяет число независимых
или «свободных» квадратов, входящих в сумму. Плотность вероятности  n 2
имеет вид:
 (  2 )  [2n /2 Г(n/ 2)]1  (  2 )((n/2) 1)  exp    2 


2
(4)
где Г(n/2) – гамма-функция.
Соответствующая функция распределения  n 2 , равная интегралу от
плотности (12) по интегралу от (-∞ до данного значения  n 2 , называются хиквадрат распределение с n степенями свободы. 100α-процентные точки χ2 –
распределения обозначим  n; 2 , т. е


 (  2 ) d  2  P[  n 2   n; 2 ]  
(5)
 n ; 2
Рассмотрим оценку Gˆ ( f ) спектральной плотности G ( f ) ; число усреднений
nd является значительны, поэтому Gˆ ( f ) имеет приблизительное нормальное
распределение,
причем
математическое
ожидание
дисперсия
равны
соответственно:
E[Gˆ ( f )]  G ( f ),
1
Var[Gˆ ( f )]  G 2 ( f ),
nd
33
(6)
следовательно, соответствующий доверительный интервал для функции
G ( f ) с уровнем доверия 1 – α, который можно найти при измерении величины
Gˆ ( f ) ,
приближенно выражая в виде



1 
1 
ˆ
ˆ
G
(
f
)
1

z

G
(
f
)

G
(
f
)
1

z





 /2
 /2
nd 
nd  



где zα/2 - 100α/2%-ная точка
(7)
нормированного гауссова распределения.
При выводе (7) предполагалось, что z /2
1
 1 , поэтому
nd
1


1 
1 
1  z /2
  1 z /2
 .
n
n
d 
d 


(8)
Логарифмическое преобразование оценки Gˆ ( f ) , то есть величина log(Gˆ ( f ))
имеет
распределение
более
близкое
к
нормальному,
чем
исходное
распределение. Математическое ожидание и дисперсия величины log(Gˆ ( f ))
составляют:
E[log Gˆ ( f )]  log Gˆ ( f ),
Var[log Gˆ ( f )] 
1
.
nd
(9)
Таким образом, дисперсия в этой формуле не зависит от частоты. Теперь
доверительный интервал для величины log(Gˆ ( f )) , соответствующий уровню
доверия 1-α, приближенно можно выразить в виде


1 
1 
log Gˆ ( f )  z /2
  log Gˆ ( f )  log Gˆ ( f )  z /2
.
n
n
d 
d 


34
(10)
Так как предполагалось, что z /2
1
 1 , то
nd

1 
1
log 1  z /2
.
   z /2
n
n
d
d


(11)
Рассмотрим теперь две различные оценки спектральной плотности Gˆ1 ( f ),
Gˆ 2 ( f ) , полученные при различных условиях, например, по двум различным
реализациям или по двум разным участкам одной и той же реализации.
Требуется определить, эквивалентны ли в статистическом смысле эти два
спектра в одной и той же полосе частот  f a , fb  шириной B  fb  f a .
Предположим, что каждая из двух оценок спектральной плотности
получена при разрешающей способности f , так что ширина спектра B делится
Nf полос, т.е.
N f  B / f
(12)
Будем считать далее, что усреднений для этих равно соответственно nd1 и
nd2, причем время усреднения (длина записи) для каждой оценки может быть
различным, хотя разрешение по частоте должно быть тем же. С учетом (9)
выборочные распределения логарифмов оценок в i-й полосе частот можно
приближенно выразить с помощью формул

1 
log Gˆ1 ( f i )  y log G1 ( f i ),
,
nd 1 


1 
log Gˆ 2 ( f i )  y log G2 ( f i ),
,
nd 2 

35
(13)
где y[  ,  2 ] - нормально распределенная случайная
величина со
средним значением μ и дисперсией σ2
Теперь
если
две
исследуемые
реализации
обладают
одинаковой
спектральной плотностью G( f )  G1 ( f )  G2 ( f ) , то из формулы (13) следует, что
1
 1
 1
Gˆ1 ( fi )
Gˆ1 ( fi ) 
1 
1  n 
2
log
 y 0,





log

 ,


 
Gˆ 2 ( fi )
 nd 1 nd 2 
 nd 1 nd 2  i 1  Gˆ 2 ( fi ) 
2
(14)
подчиняется χ2 – распределению с Nf степенями свободы, т.е.
 2  n 2 , n  N f
(15)
Используя формулу (15), можно проверить гипотезу о том, G1 ( f )  G2 ( f ) .
Область принятия гипотезы есть
 2  n; 2 , n  N f
(16)
где α – уровень значимости критерия.
Применительно к анализу ФПГ, усреднение для спектров мощности
отсутствует, ввиду требования, чтобы анализ был возможен в реальном
времени. Исключением может быть усреднение спектра паттерны из
нескольких образцовых сигналов, однако в данном алгоритме такое усреднение
отсутствует, поэтому формула (16) приобретает вид[20]:
Gˆ ( f ) 
1 n 
   log 1 i 
2 i 1  Gˆ 2 ( fi ) 
2
36
2
(17)
Таким образом, данная последовательность алгоритмов позволит детально
проанализировать спектральный состав сигнала ФПГ и обеспечит возможность
выявления как групповых, так и индивидуальных различий между блоками в
заданном частотно диапазоне.
37
3 Анализ нейрогенной регуляции микроциркуляторного русла при
когнитивной нагрузке по сравнению с покоем
Для выявления нейрогенной составляющей сигнала ФПГ требуется
провести запись сигнала в покое и при выполнении функциональной пробы,
которая вызывает активацию симпатической системы, поскольку согласно
работе
[27]
активация
симпатической
нервной
системы
приводит
к
вазоконстрикции, поэтому можно предположить, что во время активации
снизится амплитуда нейрогенных колебаний. В качестве такой функциональной
пробы выберем когнитивную нагрузку, точнее счет «+3». В соответствии с
работой [18] достоверно известно, что умственная нагрузка вызывает сильную
активацию симпатической системы. Было показано, что во время умственной
нагрузки (проверялись как задачи на вычисление, так и на память)
расширяются зрачки, что является достоверным признаком активации симпатической нервной системы.
Также в исследовании [17] показано, что существенное ухудшение
активации
симпати-ческой
системы
с
возрастом,
поэтому
результаты
проведенной экспериментальной работы позволят в дальнейшем фиксировать в
том числе и возрастные нарушения нервной системы.
Был проведен эксперимент, посвященный записи сигнала ФПГ, в условиях
покоя и при когнитивной нагрузке «счет +3» в соответствии со схемой на
рисунке 1. В эксперименте участвовало 6-ть человек (3 мужчин, 3 женщин),
средний возраст испытуемых составил 24,0 ± 0,3 года, двое из испытуемых
курящие. Эксперимент для всех испытуемых
температуре 20,3 ± 0,5
о
проводился при одинаковой
С, с целью снизить
терморегуляции на результаты эксперимента.
38
влияние механизмом
Рисунок 17 – Схема проведения эксперимента
Каждый испытуемый проходил эксперимент следующим образом:
1. испытуемый остается в покое 5 минут с закрытыми глазами и
выполняет глубокие вдохи/выдохи, запись сигнала не ведется;
2. испытуемый остается в покое 5 минут с закрытыми глазами,
дыхание испытуемого нормальное, ведется запись первого блока
сигнала;
3. повторяется этап 1;
4. испытуемый остается с закрытыми глазами и ведет «счет +3»
(1…4….7….10 и т.д.), дыхание испытуемого нормальное, ведется
запись второго блока сигнала;
39
3.1 Регистрация фотоплетизмографии
В результате проведения эксперимента были получены для каждого из 6ти испытуемых были получены записи ФПГ для двух блоков (в покое и при
когнитивной нагрузке) в красном и инфракрасно диапазонах (два канала
записи). Пример записи одного из испытуемых представлен на рисунке 3.
Рисунок 18 – Пример записи сигнала ФПГ, одного из испытуемых
40
3.2 Предобработка сигнала фотоплетизмографии
Все записи сигнала прошли этап ручной чистки, т.е. фрагменты сигнала,
которые являются двигательными артефактами или резким вздохом из сигнала
исключались, после чего производилась «стыковка» фрагментов записи до и
после вырезанного участка. «Стыковка» подразумевает параллельный перенос
фрагмента записи после вырезанного участка таким образом, чтобы значение
последнего отсчета фрагмента сигнала до вырезанного участка был равен
значению первого отсчета фрагмента сигнала после вырезанного участка.
Пример артефакта, который подлежит удалению из записи, представлен на
рисунке 4.
Рисунок 19 – Пример артефакта, который вырезался из сигнала
41
3.3 Построение спектра сигнала фпг
После проведения чистки было выполнено выравнивание всех записей по
длине, после чего был выполнен расчет спектра с помощью алгоритма
быстрого преобразования Фурье (БПФ). Спектры всех испытуемых в покое и во
время нагрузки представлены на рисунках 20 – 25. На графиках спектры
прошли этап сглаживания скользящим средним для более наглядной
визуализации, однако при расчетах использовались исключительно исходные
спектры.
Рисунок 20 – Фрагмент спектра сигнала испытуемого №1 от 0 до 0,5 Гц
42
Рисунок 21 – Фрагмент спектра сигнала испытуемого №2 от 0 до 0,5 Гц
Рисунок 22 – Фрагмент спектра сигнала испытуемого №3 от 0 до 0,5 Гц
43
Рисунок 23 – Фрагмент спектра сигнала испытуемого №4 от 0 до 0,5 Гц
Рисунок 24 – Фрагмент спектра сигнала испытуемого №5 от 0 до 0,5 Гц
44
Рисунок 25 – Фрагмент спектра сигнала испытуемого №6 от 0 до 0,5 Гц
45
3.4 Анализ и статистическая обработка результатов
Для численной оценки были рассчитаны средние значения амплитуды
спектра в диапазоне от 0,02 до 0,046 Гц, характерном для нейрогенных
колебаний. Численный результат проведенного эксперимента приведен в
таблице 4. Обозначения Rest и Cogload – блок в состоянии покоя и когнитивной
нагрузки соответственно. Для статистической проверки гипотезы используем
непараметрический U-критерий Манна-Уитни (2), так как нет достоверных
сведений о том, что средняя амплитуда спектра сигнала (для разных
испытуемых) подчиняется нормальному распределению.
Таким образом, в таблице 4 каждому значению средней амплитуды
спектра присвоен порядковый ранг для расчета Uexp. Результат проверки
гипотезы также отражен в таблице 4.
Таблица 4 – Средняя амплитуда спектра в нейрогенном диапазоне по блокам
Блоки
Sub1
Sub2
Sub3
Sub4
Sub5
Sub6
Среднее по исп.
Rest, x106
(ранг)
Cogload, x106
(ранг)
1,17
(6)
1,14
(5)
3,06
(9)
1,52
(8)
1,06
(4)
0,91
(3)
7,93
(12)
3,88
(10)
0,82
(2)
0,72
(1)
4,83
(11)
1,45
(7)
3,14 ± 2,56
1,60 ± 1,06
Uexp
13
Utab
5
Результат
проверки
гипотезы
Uexp> Utab;
H0 – принимается
Для анализа индивидуальных отличий спектра применим критерий
эквивалентности спектров, описанный в параграфе 2.2. Число степеней свободы
составляет 8, порог принятия гипотезы α равен 0,05.
46
Таблица 5 – Проверка гипотезы о равенстве спектров в нейрогенном
диапазоне
Обозначение
испытуемого
Значение  2
α - эксп
Спектры отличаются?
Sub1
0,21
1,17 х 10-6
Нет
Sub2
5,60
3,08 х 10-1
Да
Sub3
1,22
3,55 х 10-3
Нет
Sub4
5,71
3,20 х 10-1
Да
Sub5
1,04
2,02 х 10-3
Нет
Sub6
9,63
0,7
Да
Чтобы упростить визуальное сравнение двух блоков эксперимента, а также
сделать выводы о результатах расчет статического критерия в таблице 4, на
рисунке 26 представлена диаграмма размаха.
Рисунок 26 –
Диаграмма размаха средней амплитуды спектра между
блоками эксперимента
Для анализа индивидуальных различий между испытуемыми на рисунке 27
представлена гистограмма средней амплитуды спектра для блоков Rest и
Cogload, соответствующие каждому испытуемому.
47
Рисунок 27 – Гистограмма средних значений амплитуды спектра в
нейрогенном диапазоне
48
3.5 Обсуждение результатов
Как видно из рисунков 20 – 25 амплитуда спектра в состоянии покоя
существенно превышает амплитуды при когнитивной нагрузке в нейрогенном
диапазоне, что соответствует предложенной ранее гипотезе.
Данный результат проявился исключительно в ИК диапазоне и полностью
отсутствует для красного диапазона длин волн, что является закономерным,
поскольку нейрогенные колебания связаны с иннервацией артерий и артериол,
в которых течет кровь богатая оксигемоглобином. Максимум поглощения
оксигемоглобина находится в ИК диапазоне, в то время как красный диапазон в
наибольшей степени поглощается дезоксигемоглобином в венулах и в меньшей
оксигемоглобином, что и обуславливает отсутствие нейрогенного ритма в
красном диапазоне.
К сожалению, полученный результат не прошел статистическую проверку
с помощью U-критерия Манна-Уитни (Uexp> Utab). Одной из вероятных причин
отклонения альтернативной гипотезы (покой ≠ когнитивной нагрузка) связано
с малым числом испытуемых, поэтому в дальнейшем
для окончательной
проверки гипотезы необходимо провести эксперимент на большем количестве
испытуемых в будущем.
В
качестве
альтернативной
еще
одной
гипотезы
причины
можно
можно
выделить
выделить
большой
отклонения
разброс
средней
амплитуды спектра, что отчетливо проявилось на диаграмме размаха (рисунок
26). Возможно, для некоторых испытуемых был подготовительный блок не
достаточно
длительным,
поэтому
«умственное
напряжение»
из-за
повседневных обязанностей снизило нейрогенные колебания. Такой вывод
можно сделать из гистограммы на рисунке 27, где у испытуемых под номерами
1, 3 и 5 отличия между блоками Rest и Cogload были незначительны.
Индивидуальное сравнения спектров с помощью критерия эквивалентности
показало, что этих испытуемых показали, что для них в нейрогенном диапазоне
49
отсутствуют значимые различия, что лишний раз высказанное ранее
предположение. Одним из возможных решений данной проблемы может быть
мониторинг кожно-гальванической (КГР) во время подготовительного блока,
чтобы удостоверится, что испытуемый, действительно, успокоился и готов к
проведению эксперимента.
50
ЗАКЛЮЧЕНИЕ
В ходе магистерской работы был проведен анализ научных публикаций,
посвященных
основным
методам
диагностики
состояния
МЦР,
их
сравнительному анализу, а также методам анализа ФПГ. В результате были
сформированы основные требования к разрабатываемому прибору, а также был
разработан его первый прототип
Был проведен эксперимент, посвященный исследованию нейрогенного
ритма в МЦР. Произведена запись сигналов в ФПГ с 6-ти испытуемых в
возрасте 24,0 ± 0,3 года при температуре 20,3 ± 0,5 оС. Сессия эксперимента
длилась 20 минут на каждого испытуемого: запись сигнала ФПГ в условиях
покоя и когнитивной нагрузки занимала по 5 мин, перед каждой записью
проводился подготовительный этап длительностью 5 минут, в ходе которого
испытуемый был закрытыми глазами и концентрировал внимание на дыхании.
Проведена полная обработка и анализ сигналов 6-ти испытуемых. Был
произведен расчет и анализ спектров, после чего результат проделанной был
представлен графически.
Предлагаемая гипотеза не прошла проверку достоверности по критерию
Манна-Уитни. Выявлены возможные причины отклонения альтернативной
гипотезы, а также сформированы рекомендации для будущих экспериментов.
51
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1 Abele Donati. From Macrohemodynamic to the Microcirculation / Abele
Donati, Roberta Domizi, Elisa Damiani, Erica Adrario, Paolo Pelaia, and Can
Ince // Critical care research and practice. 2013. – 8 pages.
2 Allen J. Photoplethysmography and its application in clinical physiological
measurement //Physiological measurement. – 2007. – Т. 28. – №. 3. – С. R1.
3 Anderson R. R., Parrish J. A. The optics of human skin //Journal of
investigative dermatology. – 1981. – Т. 77. – №. 1. – С. 13-19.
4 Antoine G. Schneider Contrast-enhanced ultrasound evaluation of the renal
microcirculation response to terlipressin in hepato-renal syndrome: a
preliminary report / Antoine G. Schneider, Anthony Schelleman, Mark D.
Goodwin, Michael Bailey, Glenn M. Eastwood & Rinaldo Bellomo // Renal
Failure. 2014. – 5 pages.
5 Guotao Hu Effectiveness and feasibility of nailfold microcirculation test to
screen for diabetic peripheral neuropathy / Guotao Hu, Fanglong Zhai, Feifei
Mo, Li He, Weiya Shen, Hailan Wang // Diabetes research and clinical
practice. 2017 – 6 pages.
6 Jasper Boeddinghaus Early diagnosis of acute myocardial infarction in patients
with mild elevations of cardiac troponin / Jasper Boeddinghaus, Tobias
Reichlin, Thomas Nestelberger, Raphael Twerenbold, Yvette Meili, Karin
Wildi, Petra Hillinger et al. // Clinical Research in Cardiology. 2017. – 10
pages.
7 Jolita Bekhof Glucosuria as an early marker of late-onset sepsis in preterms: a
prospective cohort study / Jolita Bekhof, Boudewijn J. Kollen, Joke H. Kok
and Henrica L. M. Van Straaten // BMC Pediatrics. 2015.– 6 pages.
8 K Budidha Investigation of photoplethysmography, laser doppler flowmetry
and near infrared spectroscopy during induced thermal stress / K Budidha ;
52
9 T Y Abay ; P A Kyriacou // Engineering in Medicine and Biology Society
(EMBC), 2015 37th Annual International Conference of the IEEE. – IEEE,
2015. – С. 6417-6420.
10 P-R Antonio Factors associated with changes in retinal microcirculation after
antihypertensive treatment / P-R Antonio, P-S Marta, D D J Luís, D P J
Antonio, S T Manuel et al. // Journal of Human Hypertension. 2014. – 5 pages.
11 Partovi Sasan Quantitative dynamic contrast-enhanced ultrasound for the
functional evaluation of the skeletal muscle microcirculation in systemic
sclerosis / Partovi Sasan, Kaspar, Mathias, Aschwanden Markus, Robbin Mark
R., Bilecen, Deniz // Clinical Hemorheology and Microcirculation. 2016. – 9
pages.
12 R. Rox Anderson The Optics of Human Skin / R. Rox Anderson B.S. and Joan
A. Parrish M.D. // The Journal of Investigative Dermatology. 1981. – 8 pages.
13 Seamless Healthcare Monitoring / edit. Toshiyo Tamura, Wenxi Chen Springer International Publishing. 2018. – 471 pages.
14 Sandby-Moller J., Poulsen T., Wulf H. C. Epidermal thickness at different
body sites: relationship to age, gender, pigmentation, blood content, skin type
and smoking habits //Acta Dermato Venereologica. – 2003. – Т. 83. – №. 6. –
С. 410-413.
15 Steinhauer S. R. et al. Sympathetic and parasympathetic innervation of
pupillary dilation during sustained processing //International journal of
psychophysiology. – 2004. – Т. 52. – №. 1. – С. 77-86.
16 T Y Abay
Comparison
of
NIRS,
laser
Doppler
flowmetry,
photoplethysmography, and pulse oximetry during vascular occlusion
challenges / T Y Abay and P A Kyriacou // Physiological Measurement. 2016.
– 13 pages.
17 Van Gerven P. W. M. et al. Memory load and the cognitive pupillary response
in aging //Psychophysiology. – 2004. – Т. 41. – №. 2. – С. 167-174.
18 Wårdell K. High-Resolution Laser Doppler Measurements of Microcirculation
in the Deep Brain Structures: A Method for Potential Vessel Tracking /
53
Wårdell K., Hemm-Ode S., Rejmstad P., Zsigmond P. // Stereotactic and
functional neurosurgery. 2016. – 9 pages.
19 Zhou Y. et al. Extraction of respiratory activity from photoplethysmographic
signals based on an independent component analysis technique: preliminary
report //Instrumentation Science and Technology. – 2006. – Т. 34. – №. 5. – С.
537-545.
20 Прикладной анализ случайных данных /Дж. Бендат, А. Присол: Пер. с
англ. – М.: Мир, 1989. – 540 с.
21 Красников, В.Е. Патофизиология микроциркуляции и периферического
кровообращения: учеб. пособие. – Владивосток, 2013. – 126 с.
22 Кобзарь А.И. Прикладная математическая статистика. Для инженеров и
научных работников. – М.: ФИЗМАТЛИТ, 2006. – 816 с.
23 Лазерная допплеровская флоуметрия микроциркуляции крови / Под ред.
А.И. Крупаткина, В.В. Сидорова: Руководство для врачей. – М.: ОАО
«Издательство Медицина», 2005. 256 с.
24 Моррисон В.В., Чеснокова Н.П. Руководство к практическим занятиям по
патологической физиологии. Часть 1. Общая патофизиология. Саратов:
Саратовского медицинского университета, 2010. – C. 112
25 Быстрое преобразование Фурье и алгоритмы вычисления сверток/ Г.
Нуссбаумер: Пер. с англ. – М.: Радио и связь, 1985. – 248 с.
26 Оптическая биомедицинская диагностика. В 2 т. Т. 2 / Пер. с англ. под
ред. В.В. Тучина. — М.: ФИЗМАТЛИТ, 2007. — 368 с.
27 Федорович, А. А. Микрососудистое русло кожи человека как объект
исследования / Федорович А. А. // Регионарное кровообращение и
микроциркуляция. 2017. – № 16(4). – С. 11-26.
54
ПРИЛОЖЕНИЕ А
Листинг Arduino IDE
#include <Wire.h>
#include "MAX30102.h"
MAX30102 FlowMonitor;
byte Pack;
void setup()
{
Pack = 0;
Serial.begin(38400 ,SERIAL_7N1);
if (!FlowMonitor.begin(Wire, I2C_SPEED_FAST))
{
while (1);
}
FlowMonitor.setup();
FlowMonitor.setPulseAmplitudeRed(0x0A);
}
void loop()
{
long irValue = (FlowMonitor.getIR()>>1);
long redValue = (FlowMonitor.getRed()>>1);
for(int i = 0; i < 10; i++){
if (i == 0){
Pack = (0) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = (irValue >> 6) & B111111;
55
Pack = Pack << 1 | (0);
Serial.write(Pack);
}
else if (i == 1){
Pack = (irValue) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = ((0) >> 6) & B111111;
Pack = Pack << 1 | (1);
Serial.write(Pack);
}
else if (i == 2){
Pack = (0) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = (redValue >> 6) & B111111;
Pack = Pack << 1 | (1);
Serial.write(Pack);
}
else if (i == 3){
Pack = (redValue) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = (0 >> 6) & B111111;
Pack = Pack << 1 | (1);
Serial.write(Pack);
}
else if (i == 4){
56
Pack = (0) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = (0 >> 6) & B111111;
Pack = Pack << 1 | (1);
Serial.write(Pack);
}
else if (i == 5){
Pack = (0) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = (0 >> 6) & B111111;
Pack = Pack << 1 | (1);
Serial.write(Pack);
}
else if (i == 6){
Pack = (0) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = (0 >> 6) & B111111;
Pack = Pack << 1 | (1);
Serial.write(Pack);
}
else if (i == 7){
Pack = (0) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = (0 >> 6) & B111111;
57
Pack = Pack << 1 | (1);
Serial.write(Pack);
}
else if (i == 8){
Pack = (0) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = (0 >> 6) & B111111;
Pack = Pack << 1 | (1);
Serial.write(Pack);
}
else if (i == 9){
Pack = (0) & B111111 ;
Pack = Pack << 1 | (0);
Serial.write(Pack);
Pack = (0 >> 6) & B111111;
Pack = Pack << 1 | (1);
Serial.write(Pack);
}
}
}
58
Листинг Matlab:
1. Алгоритм подгрузки сигналов ФПГ:
function y = loadPPG()
PathWay = 'C:\Users\Niherus\YandexDisk\Exp_data_artefacts_reduce\';
List_of_subject = tdfread([PathWay 'sub_info.txt'], '\t');
Names = fieldnames(List_of_subject);
data = struct();
for j = 1:length(fieldnames(List_of_subject))
data = setfield(data, char(Names(j)), []);
end
formatSpec = '%6d%6d';
for i = 1:size(List_of_subject.SubName,1)
data(i).SubName = List_of_subject.SubName(i,:);
try
for j = 2:length(fieldnames(List_of_subject))
fileName = getfield(List_of_subject,char(Names(j)));
fileID = fopen([PathWay '0' num2str(fileName(i)) '101T.txt'],'rt');
temp = fscanf(fileID,formatSpec,[2,Inf]);
data(i).(char(Names(j))) = (temp(:,2:end)');
end
catch ME
break
end
end
y = data;
end
59
2. Визуализация сигнала ФПГ во временной области:
function plotData(data, dx, units, freq)
if nargin < 4
if nargin == 3
if strcmp(units, 'sec')
error('Wrong arguments! Add sampling frequency to display time axis of the data in
seconds');
else
error('Wrong arguments! Choose units: "sample" or "sec" to fix an error');
end
end
end
if nargin < 3
units = 'sample';
end
hold off;
colour = {'b','r','g','m','y'};
if strcmp(units, 'sec')
x=1/freq:1/freq:length(data)/freq;
elseif strcmp(units, 'sample')
x=1:1:length(data);
end
y=data;
Fig_base=gca;
if size(y,2) == 1
p=plot(x,y,'r');
elseif size(y,2) > 1
for j = 1: size(y,2)
p=plot(x,y(:,j),char(colour(j)));
60
hold on
end
end
set(gcf,'doublebuffer','on');
set(Fig_base,'xlim',[0 dx]);
if size(y,2) == 1
set(Fig_base,'ylim',[min(y) max(y)]);
elseif size(y,2) > 1
set(Fig_base,'ylim',[min(min(y)) max(max(y))]);
end
pos=get(Fig_base,'position');
Newpos=[pos(1) pos(2) pos(3) 0.05];
xmax=max(x);
S=['set(gca,''xlim'',get(gcbo,''value'')+[0 ' num2str(dx) '])'];
h=uicontrol('style','slider',...
'units','normalized','position',Newpos,...
'callback',S,'min',0,'max',xmax-dx);
3. Алгоритм удаления артефактов сигнала ФПГ:
function y = Cutting_sig(Source_data)
Name = fieldnames(Source_data);
List_of_cut = {};
List_of_source = {};
for i = 1: length(fieldnames(Source_data))
if isempty(strfind(char(Name(i)),'Sub')) & isempty(strfind(char(Name(i)),'Need')) &
isempty(strfind(char(Name(i)),'cleaned')) & isempty(strfind(char(Name(i)),'pod'))
List_of_source = [List_of_source Name(i)];
end
if ~isempty(strfind(char(Name(i)),'Need'))
List_of_cut = [List_of_cut Name(i)];
61
end
end
for i = 1:length(List_of_source)
[Source_data(:).([char(List_of_source(i)) '_cleaned'])] = deal([]);
end
for i = 1:length(Source_data)
for k = 1:length(List_of_source)
Source_data(i).([char(List_of_source(k)) '_cleaned']) =
Source_data(i).(char(List_of_source(k)));
Cut_range = Source_data(i).(char(List_of_cut(k)));
for j = 1:(length(Source_data(i).(char(List_of_cut(k))))/2)
temp1 = Cut_range(2*j - 1);
temp2 = Cut_range(2*j);
T_sig = Source_data(i).([char(List_of_source(k)) '_cleaned']);
dump1 = T_sig(1:temp1,:);
dump2 = T_sig(temp2+1:end,:);
if temp1 > 1
TT_sig = zeros(length(dump1)+length(dump2),2);
TT_sig(:,1) = [dump1(:,1); (dump2(:,1) - (dump2(1,1) - dump1(end,1)))];
TT_sig(:,2) = [dump1(:,2); (dump2(:,2) - (dump2(1,2) - dump1(end,2)))];
Source_data(i).([char(List_of_source(k)) '_cleaned']) = TT_sig;
else
TT_sig = Source_data(i).([char(List_of_source(k)) '_cleaned']);
Source_data(i).([char(List_of_source(k)) '_cleaned']) = TT_sig(temp2:end,:);
end
Cut_range(2*j+1:end)=Cut_range(2*j+1:end)-(temp2-temp1);
end
end
end
62
y = Source_data;
end
63
4. Алгоритм построения спектра сигнала ФПГ (потоковый и одиночный):
А – Одиночный
function y = Plot_spectr(data,low,up,colour)
freq = 100;
if nargin<4
colour = 'b';
end
if nargin<3
up=freq/2;
end
if nargin<2
low=0;
end
Spec = abs(fft(data));
for s = 1:1
Spec = smooth(Spec);
end
F = freq/length(Spec):freq/length(Spec):freq;
f1 = round(1+low*length(Spec)/freq);
f2 = round(up*length(Spec)/freq);
plot(F(f1:f2),Spec(f1:f2),colour);
f1 = round(1+0.02*length(Spec)/freq);
f2 = round(0.046*length(Spec)/freq);
y = [max(Spec(f1:f2)); mean(Spec(f1:f2))];
end
Б – Потоковый:
function y = Batch_spectr(Source_data,fields,tar_f1,tar_f2, low, up)
if nargin<6
64
up = 0.5;
end
if nargin<5
low = 0;
end
if nargin<4
tar_f2 = 0.046;
end
if nargin<3
tar_f1 = 0.02;
end
step = 0.05;
freq = 100;
colour = {'b','r','g','m','y'};
Data = struct('IR',[],'Red',[]);
Temp = [];
for i = 1: length(Source_data);
for j = 1:length(fields)
Temp = [Temp length(Source_data(i).(char(fields(j))))];
end
end
range = min(Temp);
Path = 'C:\Users\Niherus\Desktop\Arduino\Combining\';
for i = 1:size(Source_data,2)
image = figure('Units', 'normalized', 'OuterPosition', [0 0 1 1]);
for j = 1:2
Lim= [];
65
for k = 1:length(fields)
dump = Source_data(i).(char(fields(k)));
Lim = [Lim Plot_spectr(dump(1:range,j),low,up,char(colour(k)))];
hold on;
end
ylim([0,max(Lim(1,:))]);
xlim([0,up]);
set(gca, 'XTick',low:step:up)
c_fields = {};
for nn = 1:length(fields)
s_f = char(fields(nn));
c_fields = [c_fields s_f(1:(strfind(s_f,'_')-1))];
end
legend(c_fields,4);
if j == 1
Data.IR = [Data.IR; Lim(2,:) ];
mode = 'IR';
if isempty(dir([Path 'Plots\IR\']))
mkdir([Path 'Plots\IR\']);
end
PPlot = [Path 'Plots\IR\Image_',[Source_data(i).SubName '_' mode]];
elseif j == 2
Data.Red = [Data.Red; Lim(2,:) ];
mode = 'Red';
if isempty(dir([Path 'Plots\Red\']))
mkdir([Path 'Plots\Red\']);
end
PPlot = [Path 'Plots\Red\Image_',[Source_data(i).SubName '_' mode]];
66
end
F = freq/range:freq/range:freq;
End1 = F(round(tar_f1*range/freq));
End2 = F(round(tar_f2*range/freq));
plot([End1,End1],[-10^10,10^10],'-k','LineWidth',2);
plot([End2,End2],[-10^10,10^10],'-k','LineWidth',2);
title(['Sub' num2str(i) ' ' mode])
grid on;
saveas(gca,PPlot,'png');
close(image);
end
end
y = Data;
end
67
5. Алгоритм проверки эквивалентности спектров:
function y = Equality_check(Source_data,fields,threshold)
Output = struct();
Temp = [];
for SubNum = 1:length(Source_data)
for k = 1:length(fields)
Temp = [Temp length(Source_data(SubNum).(char(fields(k))))];
end
end
range=min(Temp);
for SubNum = 1:length(Source_data)
Output(SubNum).chi2 = zeros(length(fields));
Output(SubNum).prob = zeros(length(fields));
Output(SubNum).equl = zeros(length(fields));
for i = 1:length(fields)
for j = 1:length(fields)
temp1 = Source_data(SubNum).(char(fields(i)));
temp2 = Source_data(SubNum).(char(fields(j)));
comp1 = abs(fft(temp1(1,1:range)));
comp2 = abs(fft(temp2(1,1:range)));
Coef = mean(comp1)/mean(comp2);
Output(SubNum).chi2(i,j) = sum((log((comp1)./(comp2*Coef))).^2);
Output(SubNum).prob(i,j) = chi2cdf(Output(SubNum).chi2(i,j),range);
if Output(SubNum).prob(i,j) < threshold
Output(SubNum).equl(i,j) = 1;
else
Output(SubNum).equl(i,j) = 0;
68
end
end
end
end
y = Output;
end
69