Multispektrale Sensorfusion in SmartWatch zur kontinuierlichen In-situ-Überwachung der menschlichen Hautfeuchtigkeit und des Körperschweißverlusts

Scientific Reports Band 13, Artikelnummer: 13371 (2023) Diesen Artikel zitieren

1107 Zugriffe

Details zu den Metriken

Gesundheitseinsätze nach der Pandemie sind in naher Zukunft zur Realität geworden, und die Diskussion über Wearables nimmt zu. Wie können tragbare Gesundheitslösungen diese Chance effektiv nutzen und nutzen, um die Lücke zwischen Wellness und Gesundheitsversorgung zu schließen? In diesem Artikel werden wir über die tragbare Gesundheitsdiagnose sprechen, mit besonderem Schwerpunkt auf der Überwachung der Hautfeuchtigkeit mithilfe optischer Multiwellenlängen-Sensorfusion. Die kontinuierliche Überwachung der Feuchtigkeitsversorgung der menschlichen Haut ist eine Aufgabe von größter Bedeutung für die Aufrechterhaltung der Wasserverlustdynamik für Fitnessliebhaber sowie für die Schönheit, Integrität und Gesundheit der Haut des gesamten Körpers. Die Aufrechterhaltung einer angemessenen Flüssigkeitszufuhr sorgt für ein konstantes Gewicht, wirkt sich positiv auf den psychischen Zustand aus und führt nachweislich zu einer Senkung des Blutdrucks sowie des „schlechten“ Cholesterinspiegels und verlangsamt gleichzeitig den Alterungsprozess. Herkömmliche Methoden zur Bestimmung des Wassergehalts in der Haut ermöglichen keine kontinuierliche und nicht-invasive Überwachung, die für verschiedene Verbraucher-, klinische und kosmetische Anwendungen erforderlich ist. Wir präsentieren eine neuartige Sensortechnologie und eine Pipeline zur Erfassung, Modellierung und Analyse der Hautfeuchtigkeitsphänomene und der damit verbundenen Veränderungen. Durch die Erweiterung der im SmartWatch-Sensor integrierten Sensorfunktionen und deren Kombination mit fortschrittlichen Modellierungs- und maschinellen Lernalgorithmen (ML) haben wir mehrere wichtige Merkmale des Photoplethysmographiesignals (PPG) und der spektralen Empfindlichkeit identifiziert, die der Dynamik des Hautwassergehalts entsprechen. Was die Hardware betrifft, schlagen wir neu die Erweiterung der SmartWatch-Funktionen mit Infrarot-Lichtquellen vor, die mit Wellenlängen von 970 nm und 1450 nm ausgestattet sind. Die Bewertung der Genauigkeit und Eigenschaften von PPG-Sensoren wurde mit einem auf biomedizinischer Optik basierenden Simulationsrahmen unter Verwendung von Monte-Carlo-Simulationen durchgeführt. Wir führten eine strenge Validierung der entwickelten Technologie anhand experimenteller und klinischer Studien durch. Die entwickelte Pipeline dient als Werkzeug für die laufenden Studien der nächsten Generation optischer Sensortechnologie.

Seit PolarElectroto1 1977 den weltweit ersten drahtlosen Herzfrequenzmesser (HR) bestehend aus einem Brustgurtsender mit einem am Handgelenk getragenen Empfänger vorstellte und den Sportlern „Echtzeit-Feedback während des Trainings“ verschaffte, hat es eine Reihe bemerkenswerter Erfolge in der tragbaren Technologie gegeben gemacht worden. Im letzten Jahrzehnt hat Samsung einen fortschrittlichen Smart Bio-Prozessor eingeführt, ein System auf einem Chip (SoC), das Körperfett und Skelettmuskelmasse, Herzfrequenz (HR), Herzrhythmus, Hauttemperatur und Stresslevel für tragbare Geräte misst2 Heutzutage sind unsere Smartwatches mit dem BioActive Sensor3 von Samsung ausgestattet, der sich zu einer weitaus fortschrittlicheren Miniaturtechnologie entwickelt hat und nicht nur „nur“ Herzfrequenz, Schritte und Kalorien zählen kann, sondern auch den Schlaf überwachen, den Blutdruck messen und mehr4,5 ,6,7,8 Das Rückgrat und der Haupttreiber dieses bemerkenswerten Erfolgs ist die PPG-Technologie, die aufgrund der praktischen Platzierung des Sensors in einer Smartwatch/einem Fitnessarmband am Handgelenk10 mittlerweile weit verbreitet bei der kontinuierlichen Überwachung des Gesundheitszustands9 eingesetzt wird. Der Einsatz von PPG zur Gesundheits- und Fitnessüberwachung hat in den letzten Jahren großes Verbraucherinteresse geweckt. Gegenwärtig überwachen/analysieren tragbare Geräte, darunter Smartwatches und Fitness-Tracker, routinemäßig das PPG-Signal und liefern nicht-invasive Informationen zu den oben genannten Indikatoren für die menschliche Gesundheit mit neueren Ergänzungen zu Temperatur, Blutsauerstoffgehalt (SpO2) usw. Überwachungsfunktionen11, 12. Das PPG-Signal wird zur Beurteilung von Stress- und Schlafmustern verwendet13. Derzeit kann Vorhofflimmern (VHF) routinemäßig mithilfe von PPG über eine Smartwatch erkannt werden14. Es wurde gezeigt, wie eine Smartphone-Anwendung bei der Bestimmung der Gefäßalterung im Zusammenhang mit einer erhöhten Arteriensteifheit helfen kann15. Andererseits wurden bemerkenswerte Fortschritte bei der SmartWatch-gestützten Planung und Durchführung eines bestimmten Fitnessprogramms erzielt, was häufig die Kenntnis der grundlegenden physiologischen Parameter eines Verbrauchers erfordert. Die Informationen über Pulszonen ermöglichen es beispielsweise, die Effizienz der Sauerstoffzufuhr durch das Kreislaufsystem zu den trainierenden Muskeln zu bewerten. Durch die langfristige Überwachung des Trainings des Benutzers kann die SmartWatch einen effektiven persönlichen Trainingsplan erstellen. Durch die kontinuierliche Verfolgung der Trainingsroutine eines Benutzers können SmartWatch-Anwendungen effiziente, personalisierte Fitnesspläne erstellen. In einem solchen Fall ist es wichtig, das PPG-Signal kontinuierlich zu überwachen und schnell Benachrichtigungen zu erhalten, wenn die festgelegten Grenzen der Pulszone überschritten werden.

Dennoch möchten wir in dieser Arbeit einen Schritt vorwärts in die verwirrende und oft unvorhersehbare Terra incognita der kontinuierlichen Echtzeitüberwachung des Körperwasserverlusts machen. Wir möchten zeigen, dass diese Aufgabe durch das Hinzufügen bestimmter spektraler Selektivitätsfunktionen zu PPG machbar wird. In früheren Studien wurde die Verwendung von PPG zur kontinuierlichen Überwachung der Hydratationsdynamik des menschlichen Körpers weitgehend vermieden. Nach erfolgreicher Implementierung in Wearables hat es ein hohes Potenzial, eine aktuelle Gesundheits-, Schönheits- und Sportanwendung zu werden (Abb. 1). Tatsächlich ist eine regelmäßige Wasseraufnahme unglaublich wichtig für die korrekte Funktion der Organe und die Aufrechterhaltung des inneren Gleichgewichts des menschlichen Körpers. Jede chemische Reaktion, einschließlich der Energieerzeugung oder des Zersetzungsprozesses und der Glukosespeicherung, erfordert eine bestimmte Menge Wasser. Dehydrierung wirkt sich negativ auf die Trainingsleistung, die Thermoregulation und die Herz-Kreislauf-Reaktion aus16,17.

Schematische Darstellung des Konzepts der SmartWatch-Technologie, die den Verbraucher auf die Notwendigkeit einer Rehydrierung, z. B. aufgrund von Wasserverlust nach Training/Training, hinweist.

Bei intensiver körperlicher Aktivität verliert der menschliche Körper den größten Teil der Flüssigkeit durch Schwitzen. Gleichzeitig wird die von den Muskelzellen produzierte Wärmeenergie für die Erwärmung des Blutes aufgewendet. Wasser aus dem Blut füllt unter dem Einfluss der Temperaturerhöhung die Schweißdrüsen17. Der Prozess der Verdunstung der Flüssigkeit führt nicht nur zu einer Abkühlung des Körpers, sondern auch zu einer Verringerung des Blutvolumens. Dabei muss die Flüssigkeitsmenge im Körper rechtzeitig wieder aufgefüllt werden, da sonst der Prozess der Thermoregulation gestört wird und es zu einer Hitzeerschöpfung kommen kann. Zum Beispiel: Unter Hitzeerschöpfung versteht man den übermäßigen Verlust von Salzen (Elektrolyten) und Flüssigkeiten, wodurch es für den Körper schwierig wird, eine gesunde Kerntemperatur aufrechtzuerhalten. Die bei körperlicher Aktivität entstehende Wärme wird nicht durch Schwitzen ausgeglichen, sondern staut sich im Körper, was zu einem Anstieg der Innentemperatur und einer Verschlechterung der körperlichen Verfassung führt.

Im Allgemeinen ist Durst ein präziser Mechanismus zur Regulierung von Wasser und Elektrolyten im Körper. Durst entsteht, wenn die Osmolalität und die Konzentration von Natriumionen im Blutplasma durch Schwitzen ansteigen18. Diese Veränderungen werden von den Rezeptoren des Hypothalamus wahrgenommen, die für die Aufrechterhaltung der Homöostase und insbesondere für die Aufrechterhaltung des osmotischen Drucks des Blutplasmas verantwortlich sind. Hypothalamische Hormone stimulieren eine Erhöhung der Wasser- und Natriumreabsorption, und die Reflexstimulation des Gyrus cinguli führt zur Entstehung eines Durstgefühls, das eine Person zum Trinken zwingt18. Eine Zunahme des Durstes verringert die Effektivität des Trainings und reduziert dadurch den möglichen Flüssigkeitsverlust durch Schwitzen. Während einer aktiven körperlichen Betätigung wird der Durst jedoch zu einem unzureichenden Indikator für den Status eines Wassermangels im Körper. Durst wird vom Menschen in der Regel nicht wahrgenommen, der Körpergewichtsverlust beträgt 1–2 % durch Wasser, während Arbeitsfähigkeit und Ausdauer bereits deutlich nachlassen17. Der Wassermangel im Körper verursacht ein Gefühl von Mundtrockenheit, Schwäche, Müdigkeit, Reizbarkeit und Kopfschmerzen. Um gute Ergebnisse und eine gute Gesundheit zu erzielen, ist die Überwachung der Körperfeuchtigkeit und die rechtzeitige Flüssigkeitsaufnahme erforderlich. Bei körperlicher Aktivität kann es bei einem Sportler zu einer „freiwilligen Dehydrierung“ oder einer verzögerten Reaktion des Körpers auf Wassermangel kommen. Bei der Trinkbalance geht es darum, die optimale Flüssigkeitsmenge auszuwählen, die während des Trainings zu sich genommen werden sollte. Auch überschüssige Flüssigkeit im Körper ist unerwünscht, da sie zu einer Hyponatriämie führen kann. Der Körper geht davon aus, dass sich zu viel Wasser im Blut befindet und leitet einen Teil davon an andere Organe weiter. Eine Erhöhung des Flüssigkeitsvolumens um 2 % kann zu generalisierten Ödemen, verminderter körperlicher Aktivität und Störungen der menschlichen Gehirnfunktion führen. Daher ist die Überwachung der Flüssigkeitszufuhr des Körpers und die rechtzeitige Flüssigkeitsaufnahme während des Sports von entscheidender Bedeutung, um gute Ergebnisse zu erzielen und eine gute körperliche Verfassung zu erhalten.

Im Rahmen dieser Forschung haben wir eine vollständige Erfassungs-, Modellierungs- und Analysepipeline (dargestellt in Abb. 2) erstellt, die speziell darauf zugeschnitten ist, mit SmartWatch auf die Feuchtigkeitseigenschaften der Haut zuzugreifen, um den genauen Zeitpunkt zu identifizieren, zu dem Schwitzen auftritt. Unsere Modelle werden durch direkte Messungen der funktionellen Eigenschaften des Gewebes mithilfe maßgeschneiderter Sensoren unterstützt. Durch die Kombination leistungsstarker Techniken des maschinellen Lernens (ML), modernster numerischer Simulationsalgorithmen für den Photonentransport in biologischen Techniken und klinischen Studien konnten wir nahezu sofortige Auswertungen der PPG-Signale der menschlichen Haut und ihrer Veränderungen in Bezug auf verschiedene Phasen des Schwitzens erreichen. Wir führten eine strenge Validierung der entwickelten Pipeline durch, indem wir sie mit Messungen verglichen, die mit labortauglicher Hardware in vivo durchgeführt wurden. Das entwickelte Framework dient als Werkzeug für die fortlaufende interne Entwicklung der nächsten Generation von Sensorfunktionen.

Unsere Capture-to-Sensing-Pipeline. Hier: Unter dem SmartWatch-Prototyp bildet sich ein Schweißfilm; Maßgeschneiderter Sensor wertet Änderungen im PPG-Signal bei verschiedenen Wellenlängen und Entfernungen aus; Die Signaltrends werden mithilfe experimentell validierter numerischer Algorithmen des Lichttransports in der Haut untersucht. Besondere Merkmale, die aufgrund von Schwankungen der optischen Eigenschaften nasser/trockener Haut wichtig sind, werden auf der Grundlage ihrer Bedeutung extrahiert und eine ML-Methode wird trainiert, um sie leicht zu erkennen; Abschließend wird der Schweißverlust quantitativ erfasst und dem Verbraucher Empfehlungen gegeben.

Bei der Anwendung auf der menschlichen Haut wird die Signalbildung von PPG durch die Lichtabsorption und -streuung im Gewebe aufgrund von Blut, Melanin, Kollagen, Wasser und anderen Pigmenten sowie durch die Spiegelreflexion an der Haut-Luft-Grenzfläche19,20 (Abb. 3a, b) gesteuert ). Beispielsweise wurden in der Vergangenheit bemerkenswerte Banden und entsprechende Absorptions-/Streuungseffekte für Melanin, Bluthämoglobin bei 416, 542 und 575 nm und Wasser bei 980 nm ausführlich untersucht18,19,20. Mit anderen Worten: Die spektrale Zusammensetzung des Lichts, das biologische Gewebe durchdringt, hängt weitgehend von der Konzentration und räumlichen Verteilung der Chromophore in der Haut ab. Bei der Anwendung auf eine praktische tragbare Anwendung hängt die Genauigkeit der Registrierung des PPG-Signals weitgehend von mehreren anderen Faktoren ab, darunter unter anderem: Sensorgeometrie und -position, Bandsteifigkeit und Umgebungsfaktoren wie Temperatur, Luftfeuchtigkeit usw. Darüber hinaus Die optimalen Parameter des Sensors wie seine Geometrie, numerische Apertur, Form und Abstand zwischen Quelle und Detektor, Wellenlängen usw. erfordern eine sorgfältige Auswahl und die optimalsten Einstellungen müssen genau untersucht und ihre Leistung bewertet werden. Dieser Schritt kann in silico mittels numerischer Simulationen durchgeführt werden und beinhaltet die Berechnung der Licht-Gewebe-Wechselwirkungen, die formal durch die Radiative Transfer Equation (RTE) beschrieben werden. Die RTE-Theorie stammt aus dem Gesichtspunkt der Energieeinsparung und dient als Grundlage für die Photometrie20,21,22. Diese Theorie wurde in einer Reihe von Studien umfassend verwendet, darunter atmosphärische und ozeanische Streuung, Astrophysik und später biomedizinische Optik. In der Vergangenheit wurden zahlreiche Versuche unternommen, physiologische Eigenschaften des Gewebes zu bewerten und sie mit der diffus gestreuten und absorbierten optischen Strahlung in Verbindung zu bringen23,24,25,26,27,28,29,30. Die makroskopische Energiebilanz und der statistische Durchschnitt des Lichttransports und deren Energieerhaltung durch die Streu- und Absorptionsmedien im Gleichgewicht werden wie folgt beschrieben:

Hier bezieht sich \(L\left( {\varvec{p}},\overrightarrow{\omega }\right)\) auf die Energiestrahlung im Medium an einem bestimmten Punkt \({\varvec{p}}\) in Richtung \(\overrightarrow{\omega }\), wobei \({\mu }_{s}\left(\lambda \right)\) und \({\mu }_{a}\left(\ lambda \right)\) sind die spektral aufgelösten Streu- und Absorptionskoeffizienten, \(p\left(\overrightarrow{\omega } ,\overrightarrow{\omega }{\prime}\right)\) entspricht der Streuphasenfunktion und \(Q({\varvec{p}},\overrightarrow{\omega })\) stellt jeweils die Funktion der optischen Strahlungsquelle dar. \(\overrightarrow{\nabla } L\) stellt den räumlichen Gradienten der Strahlungsdichte dar und gibt an, wie stark sich die Strahlungsdichte pro Entfernungseinheit ändert. Für homogene, einschichtige Materialien wird die RTE üblicherweise durch analytische Methoden wie Diffusionsnäherung gelöst. Aufgrund der komplexen und inhomogenen Struktur der menschlichen Haut gibt es jedoch keine allgemeine analytische Lösung für RTE für unsere Sensorkonfiguration, die das erfasste Signal und die Auswirkungen seiner strukturellen oder physiologischen Veränderungen beschreiben kann.

Optische Eigenschaften der menschlichen Haut und vorgeschlagene Sensorkonfiguration. Hier (a) – Absorptionskoeffizienten der wichtigsten Chromophore des Hautgewebes, einschließlich Melanin, Oxyhämoglobin, Desoxyhämoglobin, Grundlinie und Wasser; (b) – Streukoeffizienten der funktionellen Gewebeschichten.

Glücklicherweise gibt es ein Beispiel für eine stochastische Alternative: die Monte-Carlo-Methode (MC), die im Laufe der Jahre ein Werkzeug der Wahl für die Beurteilung der Ausbreitung optischer Strahlung und der räumlichen Lokalisierung von Signalen in biologischen Geweben im Feld war der biomedizinischen optischen Diagnostik. Die MC-Methode wurde erstmals 1983 von Wilson und Adam31 zur Simulation der Lichtausbreitung in biologischem Gewebe eingeführt. Anschließend wurde der MC von mehreren Forschungsgruppen weiterentwickelt und wird heute in großem Umfang in der biomedizinischen Optik eingesetzt31,32,33,34,35. Der MC gilt heute als „Goldstandard“ und praktisches Werkzeug zur Modellierung von Signalen, da er die komplexe Struktur des untersuchten Objekts, die Randbedingungen, die Geometrie des Sondenstrahls und andere Merkmale berücksichtigen kann. MC ermöglicht einen direkten Vergleich zwischen simulierten und experimentellen Ergebnissen sowie die Vorhersage der Ergebnisse zukünftiger Messungen, wenn eine ausreichend große Anzahl statistischer Daten gesammelt wird. Die Genauigkeit einer solchen Modellierung wird jedoch durch den Zeitaufwand der Maschine (dh die Methode ist sehr ressourcenintensiv) sowie durch die Übereinstimmung des Modells mit dem simulierten Objekt bestimmt. Daher wurde eine direkte Anwendung der MC-Methode in Wearables aufgrund der berüchtigten Rechenineffizienz von MC, des Mangels an domänenspezifischen Kenntnissen in der Gewebebiologie/Optik und einer Reihe von Einschränkungen im Zusammenhang mit der dynamischen Natur der PPG-Signalerfassung nicht weit verbreitet.

Die MC-Methode basiert auf der Modellierung der Energieübertragung durch das Medium und die entsprechenden Prinzipien wurden an anderer Stelle ausführlich beschrieben22. Kurz gesagt, mehreren sogenannten Photonenpaketen wird zunächst das statistische Einheitsgewicht \({W}_{0}\) zugewiesen und in ein Modellierungsmedium injiziert (Abb. 4a). Die Pakete durchlaufen eine Folge zufällig ausgewählter Ereignisse, die Wechselwirkungen zwischen Licht und Medien darstellen (z. B. Streuung, Absorption, Reflexion, Brechung und Medienschichtübertragung an den Grenzen). Die Pfadlängenverteilung \(p\left(l\right)\) für die Ausbreitungsdistanz \(l\) eines Photonenpakets zwischen Streuereignissen wird zufällig bestimmt und folgt dem Beer-Lambert-Gesetz als \(p\left(l\right). )={\upmu }_{t}\left(\uplambda \right){e}^{-{\upmu }_{t}\left(\uplambda \right)l}\). Anschließend wird die Position des Photonenpakets aktualisiert als \({{\varvec{p}}}_{\text{i}}={{\varvec{p}}}_{{\text{i}}-{1 }}+\overrightarrow{{\upomega }_{i}{\prime}}{l}_{\text{i}}\) und sein statistisches Gewicht wird durch Absorption \({W}_{i}= skaliert {W}_{i-1}{e}^{-{\upmu }_{a}\left(\uplambda \right)l}.\) Eine neue Richtung des Photonenpakets \(\overrightarrow{{\ upomega }_{i}{\prime}}\) wird bei jedem Streuereignis unter Verwendung einer Phasenfunktion Ihrer Wahl bestimmt, z. B. der Henyey-Greenstein-Funktion:

wobei \(g\) der Anisotropiefaktor ist. Die Eingangsparameter bei der Anwendung dieser Methode sind die optischen Eigenschaften und die Geometrie des Mediums, die die Längen und Formen der einzelnen Photonenbahnen bestimmen.

MC-Simulationsverfahren und geometrische Konfiguration des entwickelten Sensors. Schematische Darstellung des MC-Simulationsverfahrens, (a) geometrische Konfiguration des entwickelten Sensors, (b) Beispiel-MC-Simulationen der optischen Signalausbreitung für die erweiterte SmartWatch-Sensorkonfiguration in menschlicher Haut mit topischer Wasser-/Schweißschicht bei 970 nm (oben) und 1450 nm (unten), (c).

Basierend auf dem umfangreichen Wissen über die Wechselwirkung zwischen Licht und Gewebe und in silico-Experimenten haben wir den eigentlichen Hardware-Prototyp eines neuartigen optischen Multiwellenlängensensors entworfen und produziert, der derzeit in das gängige Samsung Galaxy Watch Active 2-Gerät integriert ist und so dessen Fähigkeiten erweitert ausführlich. Eine der wichtigsten Zukunftsaussichten des Sensors ist sein erweiterter spektraler Erfassungsbereich. Ergänzend zu den beiden vorhandenen 535- und 645-nm-Sensoren wurden zwei Wellenlängen (970 und 1450 nm) hinzugefügt, um die Signalerfassung im Nahinfrarotbereich (NIR) zu ermöglichen. Die Wahl dieser Wellenlängen ist auf die Tatsache zurückzuführen, dass im NIR-Bereich des Spektrums die Absorption von Hämoglobin und Melanin die Variation des Hautspektrums praktisch nicht beeinflusst, während Wasser und Lipide die dominanten Absorber und mehrere Banden, nämlich 970, 1200, werden , 1450, 1900 nm entsprechen Hautwasser36 (Abb. 3). Die neuartigen Empfänger wurden konstruktionsbedingt in quadratischer Form mit 1,5 mm Seitenlänge hergestellt und zwei Siliziumdetektoren durch spezielle Germaniumdetektoren ersetzt, die im NIR-Bereich bis 1800 nm eine angemessene Leistung erbringen. Der Mittenabstand zwischen Leuchtdiode (LED) und Fotodetektor (PD) wurde mit zwei Konfigurationen von 3,5 mm und 5,5 mm ausgewählt, abhängig vom jeweiligen Paar aus LED und PD, wobei die mittlere freie Weglänge (mpf) des Lichts berücksichtigt wird. in verschiedenen Regionen der menschlichen Haut (Abb. 4b).

In dieser Arbeit nutzen wir die GPU-beschleunigte MC-Simulationsplattform37. Ein objektorientiertes Design und die Parallelisierung durch NVIDIAs CUDA (Compute Unified Device Architecture) ermöglichen es dem Modell, Photonen-Gewebe-Wechselwirkungen zu kodieren und Ergebnisse in Echtzeit zu liefern. Um den Lichttransport zu simulieren und die Sensorsignalbildung zu untersuchen, verwenden wir ein siebenschichtiges optisches Modell der menschlichen Haut, das ausführlich in früheren Veröffentlichungen20,21 beschrieben wurde. Kurz gesagt betrachten wir drei Hauptteile: Epidermis, Dermis und Hypodermis, die in sieben funktionelle Unterschichten unterteilt sind. Die optischen Eigenschaften dieser Schichten werden durch die Spiegelreflexion an der Haut-Luft-Grenzfläche sowie die Lichtabsorption und -streuung darin beschrieben. Wir haben das ursprüngliche Modell erheblich in den nahen Infrarotbereich erweitert und unterschiedliche Konzentrationen von Chromophoren wie Melanin \(\left({C}_{mel}\right),\) Blut \(\left({C}_{Blut) eingeführt }\right),\) Sauerstoffsättigung \(\left({S}_{Blut}\right),\) sowie die topische Wasser-/Schweißschicht und ihr entsprechender Einfluss auf das detektierte Signal bei 535, 645, 970 und insbesondere Wellenlängen von 1450 nm (Abb. 4c).

Das vom SmartWatch-Sensor erzeugte PPG-Signal hängt weitgehend vom Hauttyp, seinen inneren Eigenschaften und externen Faktoren wie der Anwesenheit einer Handgelenksbewegung während der Signalerfassung, der Platzierung des Geräts am Handgelenk usw. ab. Es gibt auch eine Reihe von Einschränkungen: zum Beispiel Damit die Sensoren ordnungsgemäß funktionieren, sollte das Gerät nicht zu fest sitzen (dh an der Haut ziehen). Diese Faktoren sind sehr flexibel und daher müssen umfassende numerische, experimentelle und datenanalytische Studien durchgeführt werden, um ihre Margen zu bestimmen.

Zunächst validierten wir unsere Lichttransport-Simulationsmethoden, indem wir vier gesunde männliche und weibliche Freiwillige nahmen und mehrere Spektral-, Ultraschall- und SmartWatch-Hautmessungen mit Geräten in Laborqualität durchführten. Zunächst haben wir Reflexionsspektren der trockenen und nassen Haut der Rückseite der Handgelenke der linken Hand aufgenommen. Anschließend wurde die Hautdicke an den drei Stellen der dorsalen Oberfläche (medialer Bereich) der Handgelenke der linken Hand untersucht. Ultraschallbilder ermöglichten die klare Unterscheidung der drei wichtigsten funktionellen Hautschichten bzw. die Beurteilung ihrer Dicke (Abb. 5a, b).

Hautmessungen mit Geräten in Laborqualität. Ein Beispiel für ausgewertete Dicken (a) und Ultraschallbilder (b) für Probanden für die Handrückenoberfläche der linken Hand; MC simulierte Reflexionsspektren menschlicher Haut im Vergleich zu In-vivo-Messungen für mehrere kaukasische Hauttypen (c); MC-Simulationen im Vergleich mit Messungen für nasse Haut für das gesamte Spektralprofil (d).

Die Messung der Hautdicke ist ein wichtiger Faktor bei der Validierung und allgemeinen Reduzierung des Parameterraums. Anhand von Ultraschallmessungen wurde die mittlere Hautdicke pro Körperstelle und Proband geschätzt. Die Dicke des „eingehenden Echos“ wurde ohne Berücksichtigung von Artefakten (Haare, Luftmikrobläschen) auf einer glatten Hautregion mit minimalen Deformationserscheinungen berücksichtigt, deren Dicke hauptsächlich der Hornhautschicht der Epidermis entspricht. In-vivo-Messungen wurden direkt in Computerstudien zur PPG-Signalbildung von SmartWatch genutzt.

Wir haben in silico die genaue Konfiguration des entwickelten Sensors, die Dickenverteilungen und die entsprechenden optischen Eigenschaften von Hautschichten nachgeahmt. Abbildung 6a zeigt mehrere repräsentative Fälle, in denen die Ergebnisse von MC-Simulationen und die experimentellen Daten für mehrere Probanden direkt verglichen wurden. Wir haben eine hervorragende Übereinstimmung zwischen unseren Computermodellen und Messungen in Laborqualität erreicht (Abb. 5c, d).

MC-Simulationen. MC-Simulationen und bemerkenswerte Trends aufgrund des Einflusses der zunehmenden Dicke des Schweiß-/Wasserfilms auf das PPG-Signal für bestimmte Wellenlängen des erweiterten SmartWatch-Sensors (a). Vollständige 2D-Karten des Reflexionsvermögens der menschlichen Haut für zunehmende Schweiß-/Wasserschichtdicke und den Einfallswinkel bei den Wellenlängen 970 und 1450 nm (b, c).

Aufgrund von Aufregung, Stress und körperlicher Anstrengung erhöht sich die Aktivität des sympathischen Nervensystems, was zu einem Konzentrationsschub bestimmter Neurotransmitter führt. Die Kaskaden von Signalwegen und enzymatischen biochemischen Prozessen werden in den Schweißdrüsen in Gang gesetzt und sorgen für die Sekretion der Schweißflüssigkeit38. Dadurch bildet sich ein Schweißfilm zwischen Smartwatch und Handgelenkshaut, der die Form eines PPG-Signals beeinflusst. Um die allgemeinen Trends zu identifizieren, haben wir zunächst MC-Simulationen des Einflusses der Schweißfilmdicke zwischen der Haut und dem PPG-Sensor durchgeführt (Abb. 6a). Anschließend wurde eine Simulation der Handgelenksbewegung durchgeführt, indem der Einfallswinkel des Sondierungslichts geändert und die zunehmende Dicke des Schweißfilms kombiniert wurde. Mit der Einfallswinkelmodulation konnten wir einen vollständigen Satz von 2D-Karten schätzen, die die Leistung des SmartWatch-Sensors unter verschiedenen Erkennungsbedingungen zeigen (Abb. 6b und c).

Sowohl in der Modellierung als auch in den Messungen wurden mehrere nützliche Trends identifiziert: Die Bildung eines Wasser-/Schweißfilms führt zu einem Aufwärtstrend bei 970 nm und einem entsprechenden deutlich entgegengesetzten Abwärtstrend bei 1450 nm. Dies kann durch die sich ändernden kombinierten Absorptions-/Reflexionseigenschaften von Haut/Wasser bei bestimmten Wellenlängen erklärt werden. Beispielsweise führt das kombinierte PPG-Signal für feuchte Haut bei 970 nm im Allgemeinen (aber nicht immer) zu einem Aufwärtstrend im Vergleich zum Ausgangswert, wohingegen 1450 nm einen sicheren Abwärtstrend aufweist, da es entsprechend am bekannten Wasserabsorptionspeak liegt. Abgesehen von Wasser reagiert das Signal bei 970 nm empfindlicher auf den Hauttyp, seine Dicke und die mit der Blutpulsation verbundenen Auswirkungen. Beide PPG-Signale werden durch Handgelenksbewegungen und daraus resultierende Messartefakte beeinflusst.

Dennoch bleibt die Übertragung von Laborerkenntnissen auf die mit dem Gerät im Verbraucherumfeld gewonnenen Messungen eine Herausforderung. Daher führten wir eine erweiterte Analyse eines einzigartigen Datensatzes durch (19 menschliche Probanden, die an 103 Indoor-Laufversuchen über eine Gesamtdistanz von 5 km teilnahmen). Weitere Informationen zu den Eigenschaften und Umgebungsbedingungen der Probanden finden Sie im Kapitel „Materialien und Methoden“ und siehe (Ref.6).

Aufgrund der Vielfalt der anfänglichen Versuchsbedingungen, der Physiologie des Probanden usw. ist es schwierig, den genauen Zeitpunkt zu bestimmen, zu dem ein Schweißfilm auftritt. Es wird nicht immer wahrgenommen, ob sich unter der Smartwatch Schweiß befindet oder nicht, dh die Wahrnehmung des Schweißes im Gesicht ist ausgeprägter als das Gefühl von Schweiß an der Hand. Darüber hinaus führen die Besonderheiten des Schwitzprozesses bei jedem Menschen und die Geschwindigkeit der Schweißsättigung der Hautoberfläche zu erheblichen Unterschieden in der Flüssigkeitsmenge unter der Uhr.

Da es unser vorrangiges Ziel ist, mithilfe der Änderungen im PPG-Signal den Zeitpunkt innerhalb eines bestimmten Konfidenzintervalls zu erkennen, in dem der Film erscheint, haben wir eine einfache Standardmethode für Papieraufkleber verwendet, bei der ein Papiersensor mit eingebetteter trockener Tinte aufgrund des Vorhandenseins von Schweiß seine Farbe ändert. In dieser Studie haben wir dies als Referenzmethode zur Bestimmung des Zeitpunkts des Auftretens eines Schweißfilms unter einer Smartwatch verwendet. Der Aufklebersensor wurde an der Hand des Läufers angebracht und unter einer Smartwatch positioniert. Bemerkenswert ist, dass der genaue Zeitpunkt des Auftretens des Schweißfilms, der mit dem Aufklebersensor ermittelt wurde, etwas früher erfasst wurde als das persönliche Schweißgefühl des Läufers. Da alle Läufer schwitzten, untersuchten wir den gesamten PPG-Datensatz während des Laufs, um zu sehen, welche allgemeinen Veränderungen im Signal während des gesamten Laufs auftreten. Körperliche Aktivität erzeugt mehrere unterschiedliche Artefakte, die meist mit der Bewegung zusammenhängen. Wir haben uns eingehend mit diesen Problemen befasst und festgestellt, dass das PPG-Signal leicht durch die Kombination und den Einfluss mehrerer externer Faktoren wie Handgelenkbewegungen, körperliche Aktivitäten, Umgebungslicht, Umgebungstemperatur und Druck, der durch den Kontakt zwischen PPG-Sensor und Haut entsteht, verfälscht werden kann.

Insbesondere bei Extremen, z. B. zu lockerer oder zu fester Bandspannung der Smartwatch, wird der Einfluss der Handgelenksbewegung deutlicher. Wir haben den Druck und die damit verbundenen Auswirkungen für verschiedene Bandspannungen unserer Smartwatch überwacht. Daher ist die Überwachung dieser Artefakte für eine kontinuierliche Erfassung von entscheidender Bedeutung. Wir haben speziell einen Sensorfusionsansatz entwickelt, um die Artefakte zu untersuchen, die aus der körperlichen Aktivität resultieren und hauptsächlich mit der Bewegung zusammenhängen.

Wir verwendeten den Sensorfusionsansatz, um die Artefakte zu untersuchen, die aus der körperlichen Aktivität resultieren und hauptsächlich mit der Bewegung zusammenhängen (Abb. 7). In unserer SmartWatch werden die Artefakte in den PPG-Signalen anhand der IMU-Daten (Inertialmesseinheit) geschätzt, die gleichzeitig mit den PPG-Signalen erfasst werden. Die einzelnen Komponenten des PPG-Signals wurden durch Transformation vom Zeit- in den Frequenzbereich untersucht. Um ein zusätzliches Beispiel zu liefern: Wir sind in der Lage, bestimmte Frequenzen zu erkennen, die der Herzschlagkomponente in PPG entsprechen, und andere, die verschiedenen Beiträgen von Bewegungsartefakten entsprechen.

Die Sensorfusion ermöglicht die Unterscheidung verschiedener Arten von Artefakten wie Bewegung, Armbewegung, Schritte, Herzschlag usw.

Wir haben eine Korrelation hoher Ordnung mit den folgenden Faktoren festgestellt: Laufgeschwindigkeit, Armbewegungen, Straffheit des Bandes, die tatsächliche Positionierung der Smartwatch am Handgelenk und die Körperphysik des Läufers. Wahrscheinlich ändert sich die Art der Rauschartefakte nicht und sie können immer noch mit mehreren bekannten Algorithmen quantifiziert werden. Im Rahmen dieser Forschung haben wir eine vollständige Erfassungs-, Modellierungs- und Analysepipeline (dargestellt in Abb. 2) erstellt, die speziell darauf zugeschnitten ist, mit SmartWatch auf die Feuchtigkeitseigenschaften der Haut zuzugreifen, um den genauen Zeitpunkt zu identifizieren, zu dem Schwitzen auftritt. Daher könnten wir mehrere Annahmen hinsichtlich der wichtigsten Änderungen treffen, die während des Laufs auftreten und das PPG-Signal beeinflussen können. Erstens ist es wahrscheinlich, dass sich die Schritte pro Minute (spm) ändern, wenn eine Person müde wird oder der Testlauf begonnen wird. Zweitens sind die deutlichen Veränderungen der Herzfrequenz Schläge pro Minute (bmp) während der Läufe äußerst wahrscheinlich. Schließlich ist das Auftreten von Schweiß eine plausible Folge einer intensiven körperlichen Betätigung. Wir nähern uns der Aufgabe, indem wir versuchen, den Beginn und das Ende der Läufe zu klassifizieren. Diese Aufgabe kann als binäres Klassifizierungsproblem dargestellt werden, bei dem die positive Klasse das Ende des Laufs und die negative Klasse sein Anfang ist. Anschließend testen wir die Hypothese, dass wir, wenn wir die einzelnen Abschnitte des Laufs sicher klassifizieren können, die Zeichen finden können, die indirekt auf den Zeitpunkt des Auftretens eines Schweißfilms hinweisen.

Nach der Modellierung und experimentellen Validierung konzentrierten wir uns speziell auf die Untersuchung von Datenmerkmalen bei Wellenlängen von 970 und 1450 nm, indem wir mehrere ML-basierte Klassifikatoren trainierten. Unser Analyse-Workflow ist in Abb. 8 dargestellt und umfasst mehrere wichtige Schritte. Zunächst durch Auswahl zweier Fenster (3,5 Minuten Dauer) links (Startlauf) und rechts (Endlauf). Aus jedem Fenster haben wir Zeit- und Frequenzbereichsmerkmale extrahiert. Nachdem wir dies für jeden Benutzerlauf durchgeführt hatten, stellten wir einen Datensatz zusammen, um den (LightGBM)39-Klassifikator zu trainieren, wobei das linke Fenster eine negative Klasse und das rechte Fenster eine positive Klasse darstellt. Nachdem wir die Fenster in 20-Sekunden-Schritten näher zueinander bewegt haben, wiederholen wir den gleichen Vorgang und trainieren einen neuen Klassifikator. Wir verschieben die Fenster zueinander, bis sie sich zu überlappen beginnen. Insgesamt haben wir 23 Klassifikatoren trainiert.

Schematische Darstellung des Arbeitsablaufs zur Untersuchung der Qualität von ML-Modellen zur zuverlässigen Identifizierung des Aussehens von Schweißfilmen. Es wurde eine Reihe prominenter Modelle mit unterschiedlicher Klassifizierungsqualität erhalten. Jede Spalte im SHAP-Diagramm stellt ein anderes LightGBM-Modell dar, die Zeile stellt die 20 wichtigsten Funktionen dar und die Farbe stellt ihre Bedeutung dar. Jeder Funktionsname hat das Namensmuster ___ .

Für jeden trainierten Klassifikator führten wir eine Shapley Additive Explanations (SHAP)40-Merkmalswichtigkeitsanalyse durch. Nach der Rangfolge der Merkmale wählten wir die 20 wichtigsten für die Analyse aus (Abb. 9). Zeitbereichsmerkmale wurden aus einem völlig unverarbeiteten Rohsignal erhalten, Frequenzbereichsmerkmale erforderten eine Umwandlung in das Wavelet-Spektrum. Die Bedeutung der folgenden Merkmale wurde untersucht: Mittelwert, Median, Max, Min, Std, Var, Skew, Kurtosis, IQR, Median der Bauchmuskelabweichung, Trendsteigung. Für die Zeitbereichsdaten wurden diese Funktionen auf das Rohsignal angewendet. Für den Frequenzbereich wurden die Funktionen auf jeden Kanal des Wavelet-Transformationsspektrums angewendet. Wir haben insgesamt 642 Funktionen erhalten. Für die Wavelet-Transformation haben wir die ssqueezepy-Bibliothek41 verwendet. Als Wavelet-Funktion verwendeten wir das Generalized Morse Wavelet42. Jedes LightGBM-Modell wurde mit den gleichen Parametern max_ Depth = 2 und Learningrate = 0,01 trainiert, die restlichen Parameter waren Standard. Um die Leistung abzuschätzen, verwendeten wir eine vierfache Kreuzvalidierung.

Ein Beispiel für den 1450-nm-Trend, der die monotonen Änderungen der Reflexion im Vergleich zum Ausgangswert zeigt, z. B. Hautsättigung, Aussehen und Entwicklung eines Schweißfilms (a). 3D-Darstellung des allgemeinen 1450-nm-Trends für die gesamte Verbraucherstudie (b).

Insgesamt 23 Modelle entsprechend der unterschiedlichen Zeit zwischen den Fenstern. Zwischen Fenstern von mehr als 15 Minuten wurde eine hohe Qualität der Klassifizierung erreicht, was zu Genauigkeitswerten von mehr als 0,7 führte. Damit sind deutliche Unterschiede zu Beginn und Ende des Laufs gemeint. Für die weitere Untersuchung haben wir drei Hauptkandidatenmerkmale ausgewählt, darunter: Frequenzbereichsmerkmale, die der Herzfrequenz entsprechen. Beispielsweise wird der Medianwert des Spektrums in Periode 7, der einer Frequenz von 2,6 Hz bei einer Abtastrate von 25 Hz entspricht, von der Pulswelle eingenommen. Aufgrund der Herzfrequenzveränderungen bei Testläufen ist dieses Signal wichtig für die Einordnung der einzelnen Laufabschnitte. Diese Hypothese wurde umfassend evaluiert, indem das PPG-Signal bei 970 nm genommen und aus allen anderen Frequenzen gefiltert wurde, sodass wir tatsächlich eine gewisse Analogie zur Pulswelle erkennen können. Es bestätigte die Funktion 970_td_skew, die zu Beginn und am Ende des Laufs nur einen geringen Beitrag leistet, da sich die Herzfrequenz in diesen Regionen stabilisiert, ähnlich wie 10 Minuten nach Beginn des Laufs. Wir gehen davon aus, dass beide Merkmale eine Folge der Herzfrequenzänderung während eines Laufs sind.

Unser Hauptmerkmal für die Klassifizierung ist jedoch die monotone Änderung des 1450-nm-Wellenlängensignals (1450_nn_slope). Wir assoziieren dieses Phänomen mit der Entstehung eines Schweißfilms. Die monotone Änderung passt gut zu den numerischen MC-Simulationen und der Tatsache, dass der Film nicht sofort erscheint. Dieser Prozess erfolgt nicht augenblicklich und zieht sich über die Zeit hin, d. h. der Übergang vom Ausgangswert zur Hautsättigung führt dazu, dass sich irgendwann ein Schweißfilm auf der Hautoberfläche bildet. Durch die Auswertung des PPG-Signals bei 1450 nm werden diese monotonen Reflexionsänderungen erfasst.

Abbildung 9 zeigt das Vorhandensein solcher Trends von 4 bis 10 Minuten und von 11 bis 20 Minuten im Zusammenhang mit der Bildung des Schweißfilms.

Wir können sehen, dass der Trend ab der vierten Minute monoton ansteigt, wobei dieser Prozess bis zur 10. Minute andauert und sich anschließend der Trend umkehrt. Um die Trendrichtung zu bestimmen, wurde ein sinnvolles Zeitintervall gewählt. Wir haben festgestellt, dass die optimale Glättung des Signals in einem Fenster von 2 bis 5 Minuten liegt. Diese Zeitfenster ermöglichen es uns, das Auftreten von Trends während der Übungszeit recht deutlich zu erkennen. Wir haben dieses Verfahren für alle Versuche durchgeführt und die Werte über einen Zeitraum von 5 Minuten und über 5 Probanden gemittelt und außerdem den Wert der Steigung normalisiert. Anhand des dreidimensionalen Diagramms können wir sehen, dass die positive Steigung im Durchschnitt ab ca. 5 Min. auftritt, mit einem Spitzenwert bei ca. 9 Min., der sich von ca. 14 Min. bis ca. 20 Min. ins Negative ändert. Dies entspricht gut unserer Aufgabe, die Schweißfilmbildung innerhalb eines Genauigkeitsfensters von 2 Minuten optisch zu erkennen, und ebnet den Weg für die zukünftige Beurteilung des Schweißkörperverlusts und die Entwicklung praktischer Anwendungen, die den Verbraucher über die Notwendigkeit einer Rehydrierung informieren.

In diesem Artikel haben wir uns mit der Aufgabe befasst, die für die Umsetzung in der zukünftigen Generation von Wearables von größter Bedeutung ist: die nicht-invasive kontinuierliche Bewertung der Körperhydrierung. Zum ersten Mal haben wir gezeigt, wie diese Aufgabe durch den Sensorfusionsansatz durch die Erweiterung der Möglichkeiten der optischen Erkennung und moderner Analysealgorithmen bewältigt werden kann. Wir stellten eine neuartige Sensormethode und eine Pipeline zur Erfassung, Modellierung und Analyse der Hautfeuchtigkeitsstadien vor. Die durchgeführte Forschung liefert neue Erkenntnisse über die Licht-Gewebe-Interaktion, die Vielzahl wichtiger Merkmale und die von der Industrie vorangetriebenen Fortschritte bei der Arbeit zur Erkennung von Schweiß und Körperwasserverlust. Unser Ansatz ermöglicht die Visualisierung der Verteilungen des erkannten optischen Signals im Gewebe für geometrische, spektrale und andere Zielsensorkonfigurationen sowie die Durchführung von In-silico-Studien des dünnen Schweißfilms und seines Einflusses auf das erkannte PPG-Signal. Wir haben Prototypen von Geräten und ML-basierten Lösungen zur Schätzung des Schwitzens der menschlichen Haut entwickelt. Die erkannten Trends stimmen gut mit der optischen Modellierung überein und werden durch theoretische Untersuchungen/Laborstudien gestützt. Obwohl 1450 nm das beste SNR für die Schätzung des Wassergehalts bietet, gehen wir davon aus, dass aktive Dehydrierung (Schwitzen) aufgrund sportlicher Aktivitäten möglicherweise mit derzeit verfügbaren Sensoren erkannt werden kann. Allerdings bedarf es weiterer umfassender Untersuchungen, um einen Wasserverlust aufgrund eines einfachen Zufalls bei der Aufnahme festzustellen.

Zur Überwachung der menschlichen Hautfeuchtigkeit und des Körperschweißverlusts führten wir eine erweiterte Benutzeranalyse mit 19 menschlichen Probanden (männlich und weiblich im Alter von 21–52 Jahren) durch, die an 103 Indoor-Laufversuchen über eine Gesamtdistanz von 5 km teilnahmen. Für Indoor-Laufversuche wurden spezielle Testräume mit Laufbändern und kontrollierten Umgebungsbedingungen (Umgebungstemperaturbereich 10–34 °C und relative Luftfeuchtigkeit 25–60 %) vorbereitet. Weitere Informationen zu den Eigenschaften und Umgebungsbedingungen der Probanden finden Sie in (Ref. 5). Es wurde davon ausgegangen, dass alle Probanden in der Lage sind, Laufstrecken unter den spezifischen Umgebungsbedingungen vollständig zu absolvieren (vorläufige Zustimmung). Die Zulassung zu den Versuchen und die Kontrolle des individuellen Zustands der Probanden während der laufenden Versuche wurden von einem qualifizierten Arzt überwacht. Die Daten wurden für Probanden osteuropäischer Abstammung am Institut für biomedizinische Probleme in Moskau, Russische Föderation, gesammelt. Das Datenerfassungsprotokoll wurde von der Biomedizinischen Ethikkommission des RF SRC – Institut für biomedizinische Probleme der Russischen Akademie der Wissenschaften/Abteilung Physiologie der Russischen Bioethikkommission der Nationalen UNESCO-Kommission der Russischen Föderation – überprüft und genehmigt (Protokoll Nr. 541 vom 11. 2020). Der Ausschuss stellte fest, dass das Studienprotokoll mit der Deklaration von Helsinki im Einklang steht. Vor den Versuchen erhielten alle Probanden eine detaillierte Erklärung der klinischen Tests und unterzeichneten eine Einverständniserklärung. Die Daten wurden anonymisiert aufbewahrt und nur für den vorgesehenen Forschungszweck verwendet. Gemäß dem Protokoll wurde jede Person von medizinischem Personal untersucht und eine Reihe anthropometrischer Parameter (einschließlich Körpergröße) sowie allgemeine Informationen wie Alter, Geschlecht, Krankengeschichte, Bewegungsgewohnheiten und aktuelle Medikamente wurden aufgezeichnet. Nach dem ersten Screening wurden die Probanden gebeten, den modifizierten SmartWatch-Prototyp am linken Handgelenk anzulegen und die folgenden Aktionen auszuführen (Abb. 10): 20 Minuten lang in einem Raum mit normaler Temperatur (ca. 23 °C) ruhen (sitzen). ); Führen Sie die erste Wiegung eines nackten Körpers mit einer präzisen Waage vom Typ CAS-HB-150 (Südkorea) durch. Laufen einer 5-km-Distanz unter vordefinierten Bedingungen. Während der Versuche wurden die folgenden Indikatoren kontinuierlich aufgezeichnet: Beschleunigungsmesser-, Gyroskop- und PPG-Signale für Wellenlängen von 535, 940, 970 und 1450 nm, abgetastet bei 25 Hz.

Eine Reihe von Aktionen der Testteilnehmer während der Datenerfassung umfasste Ruhe und Gewichtung vor und nach Testläufen sowie das Entfernen von Schweiß mit einem Handtuch.

PPG-Signale wurden von einem entwickelten Hardware-Prototyp eines neuartigen optischen PPG-Sensors mit mehreren Wellenlängen (535, 645, 970 und 1450 nm) aufgezeichnet, der in die herkömmliche Samsung Galaxy Watch Active 2 eingebaut war. Die Empfänger waren quadratisch mit 1,5 mm An den Seiten wurden zwei Siliziumdetektoren durch solche aus Germanium ersetzt. Der LED-PD-Trennabstand wurde für zwei Konfigurationen von 3,5–5,5 mm gewählt, abhängig vom jeweiligen LED- und PD-Paar (Abb. 4b).

Die Bewertung der Genauigkeit und der Eigenschaften von PPG-Sensoren wurde mithilfe eines auf biomedizinischer Optik basierenden Simulationsrahmens mit Monte-Carlo-Simulationen durchgeführt. Wir nutzten eine GPU-beschleunigte MC-Simulationsplattform. Ein objektorientiertes Design und die Parallelisierung durch NVIDIAs CUDA (Compute Unified Device Architecture) ermöglichen es dem Modell, Photonen-Gewebe-Wechselwirkungen zu kodieren und Ergebnisse in Echtzeit zu liefern. Wir haben eine Workstation mit zwei installierten GeForce RTX 2080 Ti-GPUs (NVIDIA, USA) verwendet. Jede GPU bietet 12 GB Onboard-RAM und verfügt über 4352 CUDA-Kerne. Um den Lichttransport zu simulieren und die Sensorsignalbildung zu untersuchen, verwenden wir ein siebenschichtiges optisches Modell menschlicher Haut mit topischer Schweißschicht.

Die Bedeutung der Merkmale wurde untersucht: Mittelwert, Median, Max, Min, Std, Var, Skew, Kurtosis, IQR, Median der Bauchmuskelabweichung, Trendsteigung. Shapley Additive Explanations (SHAP) wurde für die 30 wichtigsten Merkmale und deren Bedeutung berechnet (Abb. 8). Für die Wavelet-Transformation haben wir die ssqueezepy-Bibliothek verwendet. Als Wavelet-Funktion haben wir das Generalized Morse Wavelet verwendet. Wir haben ein binäres Klassifizierungsmodell (LightGBM) mit den beiden Fenstern trainiert: Beginn des Laufs und Ende des Laufs. LightGBM wurde mit max_ Depth = 2 und Learningrate = 0,01 unter Verwendung einer vierfachen Kreuzvalidierung trainiert.

Die Reflexionsspektren der Haut von vier gesunden männlichen und weiblichen Freiwilligen wurden im Bereich von 450–1750 nm mit einer Auflösung von 1 nm mit dem Cary 5000 Varian-Spektrophotometer (einem Hochleistungs-UV-Vis- und NIR-Modell) aufgezeichnet. Bei unseren Messungen wurde ein Doppelstrahl und eine 0°/d-Messgeometrie mit internem DRA (Diffuse Reflectance Accessories) verwendet, das eine Ulbrichtkugel mit 110 mm Durchmesser umfasst. Die Freiwilligen trugen im Untersuchungsbereich (Rückseite des Handgelenks) mindestens 24 Stunden lang kein kosmetisches Produkt und wuschen sich 2 Stunden vor der Messung die Hände. Vor der Teilnahme an der Studie wurde von allen Probanden eine Einverständniserklärung eingeholt, wobei die gesammelten Daten entsprechend kodiert und anschließend verarbeitet wurden. Zunächst haben wir Reflexionsspektren der trockenen und nassen Haut der Rückseite der Handgelenke der linken Hand aufgenommen. Die Reflexionsspektren wurden wiederholt im medialen Bereich der Handrückenoberfläche der linken Hand für 3 Punkte an jeder Stelle erfasst, die 2 cm voneinander entfernt waren.

Die Hautdicke wurde an drei Stellen der dorsalen Oberfläche (medialer Bereich) der Handgelenke der linken Hand untersucht (3 Punkte an jeder Stelle im Abstand von 5–7 mm voneinander). Als bildgebendes Verfahren wurde der Hochfrequenz-Ultraschall DUB SKINSCANNER (tpm taberna pro medicum, Deutschland) mit dem Hochfrequenz-Ultraschall-Linearwassersensor 75 MHz (Auflösung 21 Mikrometer bei der Zentralfrequenz) verwendet. Um die genauen Entfernungswerte zu erhalten, wurde die typische Scanogramm-Schnittmethode verwendet. Beispielsweise wurden Hautdicken ermittelt, indem mit der Software Dub Skinscanner Ver 5.1 gerade Linien senkrecht von der Hautoberfläche zum Haut-Unterhaut-Übergang gezogen wurden. Aus diesen Messungen wurde die mittlere Hautdicke pro Körperstelle und Proband geschätzt. Die Dicke des „eingehenden Echos“ wurde ohne Berücksichtigung von Artefakten (Haare, Luftmikrobläschen) auf einer glatten Hautregion mit minimalen Deformationserscheinungen berücksichtigt, deren Dicke hauptsächlich der Hornhautschicht der Epidermis entspricht.

Die im Rahmen der aktuellen Studie generierten Datensätze sind aufgrund der Unternehmensregeln nicht öffentlich zugänglich, können jedoch auf begründete Anfrage mit Genehmigung von Samsung Electronics beim entsprechenden Autor angefordert werden.

Fitzgerald, M. Runner's World Der hochmoderne Läufer: Wie man die neueste Wissenschaft und Technologie nutzt, um länger, stärker und schneller zu laufen (Rodale, Vereinigte Staaten von Amerika, 2005).

Samsung adressiert einen wachsenden mobilen Gesundheitsmarkt mit dem branchenweit ersten intelligenten Bioprozessor. Samsung-Newsroom. https://news.samsung.com/global/samsung-addresses-a-growing-mobile-health-market-with-industrys-first-smart-bio-processor (2015).

Samsung ist mit der Galaxy Watch5 und Galaxy Watch5 Pro führend bei ganzheitlichen Gesundheitsinnovationen. Samsung-Newsroom. https://news.samsung.com/global/samsung-leads-holistic-health-innovation-with-galaxy-watch5-and-galaxy-watch5-pro (2022).

Dunn, J. et al. Tragbare Sensoren ermöglichen personalisierte Vorhersagen klinischer Labormessungen. Nat. Med. 27, 1105–1112 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Alavi, A. et al. Echtzeit-Warnsystem für COVID-19 und andere Stressereignisse mithilfe tragbarer Daten. Nat. Med. 28, 175–184 (2022).

Artikel CAS PubMed Google Scholar

Pavlov, K. et al. Lösung zur Schätzung des Schweißverlusts für Smartwatch. Im Jahr 2022 findet die internationale IEEE-EMBS-Konferenz über tragbare und implantierbare Körpersensornetzwerke (BSN) statt. https://doi.org/10.1109/BSN56160.2022.9928473 (2022).

[Editorial] Innovation, Konnektivität und Zusammenarbeit ebnen den Weg für ein tieferes Verständnis Ihrer selbst mit Samsung Wellness. Samsung-Newsroom. https://news.samsung.com/global/innovation-connectivity-collaboration-pave-the-way-for-a-deeper-understanding-of-yourself-with-samsung-wellness (2022).

Bayoumy, K. et al. Intelligente tragbare Geräte in der Herz-Kreislauf-Versorgung: Wo wir stehen und wie es weitergeht. Nat. Rev. Cardiol. 18, 581–599 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Charlton, PH, Marozas, V. Tragbare Photoplethysmographiegeräte. In Photoplethysmographie: Technologie, Signalanalyse und Anwendungen (Hrsg. Allen, J. & Kyriacou, P.) Kap. 12 (Academic Press, 2021).

Pereira, T. et al. Photoplethysmographiebasierte Erkennung von Vorhofflimmern: Eine Übersicht. NPJ-Ziffer. Med. 3, 3. https://doi.org/10.1038/s41746-019-0207-9 (2020).

Artikel PubMed PubMed Central Google Scholar

Pipek, LZ, Vidigal-Nascimento, RF, Pagliarelli-Acencio, M. & Teixeira, LR Vergleich von SpO2- und Herzfrequenzwerten auf der Apple Watch und herkömmlichen kommerziellen Oximetergeräten bei Patienten mit Lungenerkrankungen. Wissenschaft. Rep. 11, 18901. https://doi.org/10.1038/s41598-021-98453-3 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Vulcan, RS, André, S. & Bruyneel, M. Photoplethysmographie im normalen und pathologischen Schlaf. Sens. (Basel) 21(9), 2928. https://doi.org/10.3390/s21092928 (2021).

Artikel ADS CAS Google Scholar

Bashar, SK et al. Erkennung von Vorhofflimmern anhand von Photoplethysmographiesignalen am Handgelenk mithilfe von Smartwatches. Wissenschaft. Rep. 9, 15054. https://doi.org/10.1038/s41598-019-49092-2 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Dall'Olio, L. et al. Vorhersage der Gefäßalterung basierend auf per Smartphone erfassten PPG-Signalen. Wissenschaft. Rep. 10, 19756. https://doi.org/10.1038/s41598-020-76816-6 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Convertino, VA et al. ACSM-Positionsstand: Übung und Flüssigkeitsersatz. Med. Wissenschaft. Sportübung. 28(10), i–ix. https://doi.org/10.1097/00005768-199610000-00045 (1996).

Artikel CAS PubMed Google Scholar

Mclellan, TM et al. Auswirkungen von Dehydration, Hypohydratation und Hyperhydratation auf die Toleranz bei nicht kompensierbarem Hitzestress. Dürfen. J. Appl. Physiol. 24(4), 349–361 (1999).

Artikel CAS PubMed Google Scholar

Durst. Europäisches Hydratationsinstitut. https://www.europeanhydrationinstitute.org/human-hydration/thirst/ (2022).

Zonios, G., Bykowski, J. & Kollias, N. Hautmelanin, Hämoglobin und Lichtstreuungseigenschaften können in vivo mithilfe der diffusen Reflexionsspektroskopie quantitativ bewertet werden. J. Investig. Dermatol. 117(6), 1452–1457 (2001).

Artikel CAS PubMed Google Scholar

Jacques, SL Optische Eigenschaften biologischer Gewebe: Eine Übersicht. Physik. Med. Biol. 58, 5007–5008 (2013).

Artikel Google Scholar

Meglinski, I., Doronin, A., Genina, EA, Bashkatov, AN & Tuchin, VV Hautkomponentenbasierte optische Modellierung der Hauttransluzenz: Einfluss auf die Hautfarbe. In Computational Biophysics of the Skin (Hrsg. Querleux, B.), Kapitel 2 (Pan Stanford Publishing Pte. Ltd, 2015).

Bykov, A., Doronin, A. & Meglinski, I. Lichtausbreitung in trüben, gewebeähnlichen Streumedien. In Deep Imaging in Tissue and Biomedical Materials: Using Linear and Nonlinear Optical Methods (Hrsg. Shi, L. & Alfano, RR) Kap. 9 (Pan Stanford, 2017).

Meglinski, I. & Doronin, A. Monte-Carlo-Modellierung der Photonenmigration für die Bedürfnisse der biomedizinischen Optik und Biophotonik. In Advanced Biophotonics: Tissue Optical Sectioning (Hrsg. Tuchin, VV) Kap. 1 (Taylor & Francis, 2014).

van de Hulst, H. Lichtstreuung durch kleine Partikel (Dover, 1957).

Google Scholar

Bohren, C. & Huffman, D. Absorption und Streuung von Licht durch kleine Partikel (Wiley, 1983).

Google Scholar

Furutsu, K. & Yamada, Y. Diffusionsnäherung für ein dissipatives Zufallsmedium und die Anwendung. Physik. Rev. E 50, 3634–3640 (1994).

Artikel ADS CAS Google Scholar

Patterson, M., Wilson, B. & Wyman, D. Die Ausbreitung optischer Strahlung im Gewebe I. Modelle des Strahlungstransports und ihre Anwendung. Laser Med. Wissenschaft. 6, 155–167 (1991).

Artikel Google Scholar

Ishimaru, A. Lichtstreuung in trübem Material. Appl. Opt. 28, 2210–2215 (1989).

Artikel ADS CAS PubMed Google Scholar

Durduran, T., Yodh, A., Chance, B. & Boas, D. Hängt der Photonendiffusionskoeffizient von der Absorption ab? J. Opt. Soc. Bin. 14, 3358–3365 (1997).

Artikel ADS CAS Google Scholar

Nunez, A. Ein physikalisches Modell der menschlichen Haut und seine Anwendung für Suche und Rettung. Im Ph.D. Diplomarbeit, Air ForceInstitute of Technology (2009).

Prahl, S. Die Additions-Verdoppelungs-Methode. In Optical-Thermal Response of Laser Irradiate Tissue (Hrsg. Welch, A. & van Gemert, M.), Kapitel 5 (Plenum Press, 1995).

Wilson-Brian, C. & Adam, G. Ein Monte-Carlo-Modell für die Absorption und Flussverteilung von Licht im Gewebe. Med. Physik. 10(6), 824–830 (1983).

Artikel Google Scholar

Doronin, A. & Meglinski, I. Online objektorientiertes Monte-Carlo-Rechentool für die Anforderungen der biomedizinischen Optik. Biomed. Opt. Express 2, 2461–2469 (2011).

Artikel PubMed PubMed Central Google Scholar

Doronin, A. & Meglinski, I. Peer-to-Peer-Monte-Carlo-Simulation der Photonenmigration in topischen Anwendungen der biomedizinischen Optik. J. Biomed. Opt. 17, 090504. https://doi.org/10.1117/1.jbo.17.9.090504 (2012).

Artikel ADS Google Scholar

Keijzer, M., Jacques, S., Prahl, S. & Welch, A. Lichtverteilungen im Arteriengewebe: Monte-Carlo-Simulationen für Laserstrahlen mit endlichem Durchmesser. Laserchirurgie. Med. 9, 148–154 (1989).

Artikel CAS PubMed Google Scholar

Wang, L., Jacques, S. & Zheng, L. MCML – Monte-Carlo-Modellierung des Lichttransports in mehrschichtigen Geweben. Berechnen. Methodenprogramme Biomed. 47, 131–146 (1995).

Artikel CAS PubMed Google Scholar

Mohamad, M., Sabbri, ARM, Mat-Jafri, MZ & Omar, AF Korrelation zwischen Nahinfrarotspektroskopie und elektrischen Techniken bei der Messung des Hautfeuchtigkeitsgehalts. J. Phys. Konf. Ser. 546, 012021. https://doi.org/10.1088/1742-6596/546/1/012021 (2014).

Artikel Google Scholar

Cloud Monte Carlo für leichten Transport. http://www.lighttransport.net (2022).

Shibasaki, M. & Crandall, CG Mechanismen und Controller des ekkrinen Schwitzens beim Menschen. Vorderseite. Biowissenschaften. (Schol. Ed.) 2, 685–696 (2010).

PubMed Google Scholar

Ke, G. et al. LightGBM: Ein hocheffizienter Entscheidungsbaum zur Gradientenverstärkung. Adv. Neuronal. Inf. Verfahren. Syst. 30, 3149–3157 (2017).

Google Scholar

Lundberg, SM, Lee, K. & Su-In, K. Ein einheitlicher Ansatz zur Interpretation von Modellvorhersagen. In Proc. Fortschritte in neuronalen Informationsverarbeitungssystemen (Curran Associates, Inc., 2017). https://proceedings.neurips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf

Muradeli, J. ssqueezepy GitHub-Repository. https://doi.org/10.5281/zenodo.5080508 (2022).

Olhede, SC & Walden, AT Verallgemeinerte Morse-Wavelets. IEEE Trans. Signalprozess. 50(11), 2661–2670 (2002).

Artikel ADS MathSciNet MATH Google Scholar

Referenzen herunterladen

Sensor Solutions Laboratory, Samsung R&D Institute Russia, 127018, Moskau, Russland

Elena Volkova, Alexey Perchik, Konstantin Pavlov, Evgenii Nikolaev, Alexey Ayuev und Maksim Vilenskii

Health H/W R&D Group, Samsung Electronics, Suwon, 16678, Korea

Jaehyuck Park, Namseok Chang, Wonseok Lee und Justin Younghyun Kim

School of Engineering and Computer Science, Victoria University of Wellington, 6140, Wellington, Neuseeland

Alexander Doronin

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben gleichermaßen dazu beigetragen.

Korrespondenz mit Elena Volkova.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Volkova, E., Perchik, A., Pavlov, K. et al. Multispektrale Sensorfusion in SmartWatch zur kontinuierlichen In-situ-Überwachung der menschlichen Hautfeuchtigkeit und des Körperschweißverlusts. Sci Rep 13, 13371 (2023). https://doi.org/10.1038/s41598-023-40339-7

Zitat herunterladen

Eingegangen: 19. Dezember 2022

Angenommen: 09. August 2023

Veröffentlicht: 17. August 2023

DOI: https://doi.org/10.1038/s41598-023-40339-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.