Estimation of breathing rate from single-lead ECG using a smart fusion algorithm for wearable devices

Respiratory rate monitoring is critical in clinical settings, reflecting a patient's health status and aiding in the early detection of conditions like respiratory distress, cardiac abnormalities, and sepsis. Wearable devices have revolutionized healthcare by enabling continuous monitoring, offering a promising means to improve healthcare outcomes through the monitoring of respiratory frequency. Among the methods used for respiratory rate estimation, ECG-derived respiration (EDR) stands out for its ability to derive measurements from existing ECG signals, reducing the need for additional sensors. However, challenges such as motion artifacts and inter-subject variability hinder its real-world application. High-complexity methods like PCA and neural networks offer accuracy but are impractical for wearables due to computational demands. Conversely, simpler methods struggle with accuracy in real-world scenarios. This study aims to address these challenges by developing a robust EDR method tailored for wearables, leveraging machine learning techniques to enhance accuracy and reliability in real-world scenarios. To fulfill this goal two different EDR methods are proposed. Both methods are based on beat-to-beat feature extraction from the ECG signal. These features contain information about various types of modulation caused by breathing in the ECG signal. The goal of both methods is to maximize the respiratory content carried by the extracted features and combine them in a "smart" manner. The first approach utilizes an LSTM neural network to learn significant respiratory patterns within the extracted features and optimize their combination for effectiveness. In contrast, the second approach relies on correlation analysis of the features, leveraging the principle that features with high mutual correlation are more likely to correlate with the respiratory signal. The two methods are compared in terms of accuracy, robustness and computational cost. The Fantasia, Vollmer et al., and BIDMC databases, consisting of records from healthy subjects at rest, subjects during motion, and critically ill patients, respectively, serve as tools to evaluate the robustness of the two methods. The LSTM network method exhibits superior accuracy and robustness across all datasets, performing optimally with healthy subjects at rest, although its accuracy diminishes during physical activity and among critically ill patients, yet remaining acceptable overall, consistently maintaining prediction errors below 1 bpm when applied to wearable sensor data, surpassing numerous methods reported in the literature. Conversely, the Correlation method excels in computational efficiency, demonstrating reduced execution times and memory usage, rendering it well-suited for wearable devices with resource constraints. Despite exhibiting slightly lower accuracy in less controlled environments, its suitability for wearable technology remains evident. This study's findings help bridge gaps in EDR research and improve respiratory rate monitoring in wearable health technology. This can enhance continuous monitoring capabilities and facilitate earlier detection and prevention of serious medical conditions. These advancements mark progress towards practical, real-time health monitoring solutions, with opportunities for future research to further refine and optimize these methods.

Il controllo della frequenza respiratoria è fondamentale nell'ambito clinico, in quanto rispecchia lo stato di salute del paziente e aiuta a individuare tempestivamente condizioni come il distress respiratorio, le anomalie cardiache e la sepsi. I dispositivi indossabili hanno trasformato il panorama dell'assistenza sanitaria, consentendo un monitoraggio costante e promettendo di migliorare gli esiti sanitari attraverso la sorveglianza continua della frequenza respiratoria. Tra i vari approcci impiegati per calcolare la frequenza respiratoria, la tecnica della respirazione derivata dall'ECG (EDR) spicca per la sua abilità nel ricavare misurazioni dai segnali ECG già presenti, riducendo così la necessità di utilizzare sensori aggiuntivi. Tuttavia, l'applicazione pratica della tecnica è ostacolata da sfide come gli artefatti da movimento e le differenze di variabilità tra i soggetti. Approcci più complessi come l'analisi delle componenti principali (PCA) e le reti neurali garantiscono precisione, ma sono poco pratici per l'uso su dispositivi indossabili a causa delle loro elevate esigenze computazionali. In contrasto, metodologie più semplici presentano difficoltà nel mantenere la precisione in contesti reali. L'obiettivo di questa ricerca è di superare tali sfide mediante lo sviluppo di un metodo EDR adatto ai dispositivi indossabili, utilizzando tecniche di apprendimento automatico per aumentare la precisione e l'affidabilità in contesti reali. Per conseguire tale scopo, sono presentati due metodi EDR distinti, entrambi focalizzati sull'estrazione delle caratteristiche battito per battito dal segnale ECG. Queste caratteristiche forniscono informazioni su diversi tipi di modulazione causati dalla respirazione nel segnale ECG. L'obiettivo di entrambi i metodi è massimizzare il contenuto respiratorio trasportato dalle caratteristiche estratte e integrarle in modo "intelligente". Nel primo metodo, si impiega una rete neurale LSTM per identificare i pattern respiratori rilevanti presenti nelle caratteristiche estratte e per ottimizzare la loro combinazione al fine di massimizzare l'efficacia. Al contrario, il secondo metodo si basa sull'analisi della correlazione delle caratteristiche, sfruttando il principio che le caratteristiche con alta correlazione reciproca sono più probabilmente correlate con il segnale respiratorio. I due approcci vengono comparati in termini di precisione, affidabilità e costo computazionale, utilizzando i database Fantasia, Vollmer et al. e BIDMC, i quali contengono registrazioni di soggetti sani a riposo, soggetti in movimento e pazienti in condizioni critiche, rispettivamente, al fine di valutare la robustezza dei due metodi. Il metodo della rete neurale LSTM risulta essere più preciso e robusto su tutti i dataset, raggiungendo prestazioni ottimali con soggetti sani a riposo. Sebbene la sua precisione diminuisse durante l'attività fisica e tra i pazienti in condizioni critiche, rimane comunque accettabile complessivamente, mantenendo errori di previsione inferiori a 1 bpm quando applicato a dati provenienti da sensori indossabili, superando numerosi metodi riportati in letteratura. D'altra parte, il metodo della correlazione si è dimostrato altamente efficiente dal punto di vista computazionale, con tempi di esecuzione più brevi e un utilizzo della memoria inferiore. Questo lo rende adatto per dispositivi indossabili con risorse limitate. Pur presentando una leggera riduzione dell'accuratezza in contesti meno controllati, rimane comunque adatto per l'implementazione nella tecnologia indossabile. I risultati di questa ricerca contribuiscono a colmare le lacune nella ricerca sull'EDR e a migliorare il monitoraggio della frequenza respiratoria nella tecnologia sanitaria indossabile. Ciò può potenziare le capacità di monitoraggio continuo e facilitare la rilevazione e la prevenzione precoce di gravi condizioni mediche. Questi progressi segnano un avanzamento verso soluzioni pratiche e in tempo reale per il monitoraggio della salute, con spazi per la ricerca futura per affinare e ottimizzare ulteriormente questi metodi.