Heart Rate Estimation Using Finger-Worn Accelerometers

Abstract

The purpose of this thesis is to examine the possibility of estimating heart rate with an integrated accelerometer using a finger-worn ring. In modern wearable devices heart rate monitoring is a highly common feature, with most using photoplethysmography (PPG) for this purpose. However, a clear challenge with PPG sensors is their relatively high power consumption, which is problematic for small devices with limited power supplies. This study presents a more power-efficient alternative method for heart rate estimation based on ballistocardiography (BCG). The objectives of this study are to determine whether heart rate estimation is possible from the finger using only accelerometers and whether this approach could be implemented into a commercial smart ring device to track sleep and heart rate.

To address these objectives, a custom-made ring was developed, containing an integrated accelerometer capable of recording 3-axis movement data. This ring was used to create a dataset containing BCG data from 23 subjects, with corresponding 3-lead ECG recordings used as the reference signal. Subsequently, an autocorrelation-based algorithm was developed to estimate heart rate from the BCG recordings using 10-second windows for analysis.

To study the possibility of integrating this solution into a commercial smart ring, more accurate estimations were attempted by filtering out signal windows with poor quality. This was accomplished by calculating several statistical metric values for each signal portion and setting threshold values that the metrics had to satisfy. Signal portions that failed to meet these criteria were excluded from heart rate estimation.

When comparing the heart rate estimations produced by the proposed algorithm to the reference ECG values without using signal quality-based filtration, an average mean absolute error of 1.88 bpm (beats per minute) was obtained. With the statistical signal quality filtration, this value improved to 1.40 bpm. Without the signal quality assessment, estimations were within ±5 bpm 93.3 % of the time. When filtration was applied, this increased to 96.2 %.

The results demonstrate that this method has clear potential for implementation in commercial devices for heart rate estimation. This method performs especially well in scenarios with minimal motion artifacts, such as during sleep. Modern wearable devices already use accelerometers for sleep tracking, and implementing this method could eliminate the need for additional sensors.

Tämän tutkielman tarkoituksena on selvittää, voidaanko sykettä arvioida käyttäen ainoastaan älysormukseen integroitua kiihtyvyysanturia. Sykkeenseuranta on hyvin yleinen ominaisuus moderneissa puettavissa älylaitteissa, joissa sykkeen arviointiin käytetään yleensä fotopletysmografiaa (FPG). FPG:n merkittävin haaste on sen varsin korkea virrankulutus, joka on ongelmallista pienissä puettavissa älylaitteissa niiden rajallisen akkukapasiteetin vuoksi. Tässä tutkielmassa esitetään vaihtoehtoinen menetelmä sykkeen seurantaan, joka perustuu ballistokardiografiaan (BKG). Tavoitteena on määrittää, onko sykkeen mittaaminen mahdollista sormesta pelkän kiihtyvyysanturin avulla, ja selvittää voisiko tätä ratkaisua mahdollisesti hyödyntää kaupallisessa älysormuksessa sykkeen ja unen seurantaan.

Selvittääkseen vastaukset näihin tutkimuskysymyksiin kehitettiin erikoisvalmisteinen älysormus, joka sisältää integroidun kiihtyvyysanturin. Tätä sormusta käytettiin tietoaineiston laatimiseen, joka sisältää BKG-dataa 23 koehenkilöstä. Tietoaineisto pitää sisällään myös samanaikaisesti mitatun kolmekanavaisen EKG-tallenteen, jota käytettiin referenssisignaalina. Tämän jälkeen kehitettiin autokorrelaatiopohjainen algoritmi, joka arvioi sykettä BKG-tallenteista kymmenen sekunnin aikaikkunoissa. Selvitettäessä mahdollisuutta integroida tämäntyyppinen toiminnallisuus kaupalliseen älysormukseen, pyrittiin sykkeen seurannan tarkkuutta parantamaan suodattamalla pois huonolaatuiset signaali-ikkunat. Tämä toteutettiin laskemalla jokaiselle aikaikkunalle useita tilastollisia metriikka-arvoja ja määrittämällä raja-arvot, joiden tuli ylittyä. Signaaliosuudet, joissa nämä raja-arvot eivät ylittyneet, ei käytetty sykkeen arvioinnissa.

Kaikkien 23 signaalin keskiarvoisesta absoluuttisesta virheestä laskettu keskiarvo algoritmin sykearvion ja EKG-referenssiarvon välillä oli 1.88 lyöntiä minuutissa ilman signaalin laatuun perustuvaa suodatusta. Käytettäessä tätä suodatusta, arvo parani 1.40 lyöntiin minuuttissa. Ilman signaalin laatusuodatusta, sykearvioinnin virheet olivat ±5 lyöntiä minuutissa 93.3 % ajasta, ja kun suodatus otettiin käyttöön, tämä kasvoi 96.2 %:iin.

Tuloksista ilmenee, että tällä menetelmällä on selkeästi potentiaalia hyödynnettäväksi kaupallisiin laitteisiin. Menetelmä toimii erityisen hyvin tilanteissa, joissa liikkeistä aiheutuvat häiriöt ovat minimaalisia, kuten nukkuessa. Nykyiset puettavat laitteet käyttävät jo kiihtyvyysantureita unen seurannassa, ja tämän menetelmän käyttöönotto voisi kokonaan poistaa tarpeen lisäantureille.