Известия Саратовского университета. Новая серия.

Серия Математика. Механика. Информатика

ISSN 1816-9791 (Print)
ISSN 2541-9005 (Online)


Для цитирования:

Егорчев А. А., Чикрин Д. Е., Фахрутдинов А. Ф., Шарипов М. Р., Бурнашев Р. А. Методы получения информации биомедицинского мониторинга уровня оксигенации и артериального давления с использованием встроенных сенсоров смартфонной техники // Известия Саратовского университета. Новая серия. Серия : Математика. Механика. Информатика. 2024. Т. 24, вып. 3. С. 423-431. DOI: 10.18500/1816-9791-2024-24-3-423-431, EDN: SWTABZ

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Опубликована онлайн: 
30.08.2024
Полный текст:
(downloads: 101)
Язык публикации: 
русский
Рубрика: 
Тип статьи: 
Обзорная статья
УДК: 
004.42
EDN: 
SWTABZ

Методы получения информации биомедицинского мониторинга уровня оксигенации и артериального давления с использованием встроенных сенсоров смартфонной техники

Авторы: 
Егорчев Антон Александрович, Казанский (Приволжский) федеральный университет
Чикрин Дмитрий Евгеньевич, Казанский (Приволжский) федеральный университет
Фахрутдинов Адель Фердинандович, Казанский (Приволжский) федеральный университет
Шарипов Марсель Ривкатович, Казанский (Приволжский) федеральный университет
Бурнашев Рустам Арифович, Казанский (Приволжский) федеральный университет
Аннотация: 

Статья посвящена актуальной проблеме неинвазивного самостоятельного мониторинга показателей оксигенации и артериального давления пациентами. Представлен обзор имеющихся перспективных подходов по мониторингу рассматриваемых биомаркеров, а также продемонстрированы основные проблемы, как связанные с применением рассматриваемых подходов, так и обусловленные самой выборкой для испытаний.

Благодарности: 
Работа выполнена за счет средств Программы стратегического академического лидерства Казанского (Приволжского) федерального университета («Приоритет-2030»).
Список источников: 
  1. Vildjiounaite E., Kallio J., Kyllonen V., Nieminen M., Maattanen I., Lindholm M., Mantyjarvi J., Gimel’farb G. Unobtrusive stress detection on the basis of smartphone usage data. Personal and Ubiquitous Computing, 2018, vol. 22, pp. 671–688. https://doi.org/10.1007/s00779-017-1108-z
  2. Simantiraki O., Giannakakis G., Pampouchidou A., Tsiknakis M. Stress detection from speech using spectral slope measurements. In: Oliver N., Serino S., Matic A., Cipresso P., Filipovic N., Gavrilovska L. (eds) Pervasive Computing Paradigms for Mental Health (FABULOUS 2016, MindCare 2016, IIOT 2015). Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol. 207. Cham, Springer, 2018, pp. 41–50. https://doi.org/10.1007/978-3-319-74935-8_5
  3. Pili U. Measurement of breathing rate with a smartphone magnetometer: An engaging classroom activity in physics and biology. Physics Education, 2019, vol. 54, iss. 6, art. 063001. https://doi.org/10.1088/1361-6552/ab393f
  4. Xu C., Yang Y., Gao W. Skin-interfaced sensors in digital medicine: From materials to applications. Matter, 2020, vol. 2, iss. 6, pp. 1414–1445. https://doi.org/10.1016/j.matt.2020.03.020
  5. Abay T., Kyriacou P. Photoplethysmography for blood volumes and oxygenation changes during intermittent vascular occlusions. Journal of Clinical Monitoring and Computing, 2018, vol. 32, pp. 447–455. https://doi.org/10.1007/s10877-017-0030-2
  6. Kanva A., Sharma C., Deb S. Determination of SpO2 and heart-rate using smartphone camera. Proceedings of the 2014 International Conference on Control, Instrumentation, Energy and Communication (CIEC). Calcutta, India, 2014, pp. 237–241. https://doi.org/10.1109/CIEC.2014.6959086
  7. Scully C., Lee J., Meyer J., Gorbach A., Granquist-Fraser D., Mendelson Y., Chon K. Physiological parameter monitoring from optical recordings with a mobile phone. IEEE Transactions on Biomedical Engineering, 2012, vol. 59, iss. 2, pp. 303–306. https://doi.org/10.1109/TBME.2011.2163157
  8. Carni D. L., Grimaldi D., Sciammarella P. F., Lamonaca F., Spagnuolo V. Setting-up of PPG scaling factors for SpO2% evaluation by smartphone. 2016 IEEE International Symposium on Medical Measurements and Applications (MeMeA). Benevento, Italy, 2016, pp. 1–5. https://doi.org/10.1109/MeMeA.2016.7533775
  9. Cheng Q., Juen J., Schatz B. Using mobile phones to simulate pulse oximeters: Gait analysis predicts oxygen saturation. Proceedings of the 5th ACM Conference on Bioinformatics, Computational Bioligy and Health Informatics, 2014, iss. 1, pp. 331–340. https://doi.org/10.1145/2649387.2649403
  10. Chandrasekaran V., Dantu R., Jonnada S., Thiyagaraja S., Subbu K. Cuffless differential blood pressure estimation using smart phones. IEEE Transactions on Biomedical Engineering, 2013, vol. 60, iss. 4, pp. 1080–1089. https://doi.org/10.1109/TBME.2012.2211078
  11. Pelegris P., Banitsas K., Orbach T., Marias K. A novel method to detect Heart Beat Rate using a mobile phone. 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. Buenos Aires, Argentina, 2010, pp. 5488–5491. https://doi.org/10.1109/IEMBS.2010.5626580
  12. Morsi I., Gawad Y. Z. A. E. Measurement of blood pressure and heart beat based on sensors and microcontrollers. Applied Mechanics and Materials, 2012, vol. 249–250, pp. 193–201. https://doi.org/10.4028/www.scientific.net/AMM.249-250.193
  13. Xing X., Sun M. Optical blood pressure estimation with photoplethysmography and FFT-based neural networks. Biomedical Optics Express, 2016, vol. 7, iss. 8, pp. 3007–3020. https://doi.org/10.1364/BOE.7.003007
  14. Slapnicar G., Mlakar N., Lustrek M. Blood pressure estimation from photoplethysmogram using a spectro-temporal deep neural network. Sensors, 2019, vol. 19, iss. 15, art. 3420. https://doi.org/10.3390/s19153420
Поступила в редакцию: 
04.03.2023
Принята к публикации: 
17.07.2023
Опубликована: 
30.08.2024