Unobtrusive ultra-short-term HRV analysis for the identification of physiological states in healthy people

Abstract

(English) In recent years, heart rate variability (HRV) has become an essential tool for assessing the function of the autonomic nervous system (ANS), reflecting the balance between the sympathetic (SNS) and parasympathetic (PNS) systems. A high HRV indicates a healthy ANS and better adaptability to stress. It is measured non-invasively using electrocardiography (ECG) or photoplethysmography (PPG), providing information about cardiovascular health, stress responses, and physiological resilience. Factors such as exercise, metabolic processes, and recovery influence HRV, making it useful for characterizing human regulatory systems.

HRV is also used in the sports field to optimize performance through personalized training. Analysis methods include time-domain, frequency-domain, and non-linear techniques. However, the growing demand for real-time assessments has driven the development of very short-term HRV analysis (less than 5 minutes), facilitated by wearable devices such as smartwatches and fitness trackers. These devices allow real-time health monitoring through on-demand self-assessments, improving quality of life. Wearable technology, such as smartwatches and health monitors, has grown significantly, offering real-time tracking of biosignals, physical activity, and sleep patterns. Nonetheless, challenges persist due to a lack of transparency in the methods used to calculate HRV in these devices. This thesis addresses these challenges by developing techniques for very short-term HRV assessments, focusing on monitoring health status and physiological changes in healthy individuals, including tracking sleep stages, arousal states, and postural changes.

Accurate heartbeat detection is essential for reliable HRV calculations, which are critical for both clinical diagnostics and consumer health applications. This requires identifying QRS peaks in ECG signals or pulses in PPG signals and improving quality through preprocessing and feature extraction. This dissertation explores algorithms to optimize the accuracy of heartbeat detection, advancing HRV evaluation and cardiac monitoring in wearable devices. HRV analysis begins with heartbeat detection, using algorithms based on signal morphology and inter-beat interval features. Designing reliable beat detectors for ambulatory environments presents a challenge, as they must be non-invasive and effective in real-world scenarios. Therefore, one of the main objectives is to improve the accuracy and reliability of beat detection, thereby optimizing HRV evaluation and cardiac monitoring.

This thesis addresses two main challenges: (1) reliable heartbeat detection in ambulatory environments using wearable sensors and (2) very short-term HRV measurements to identify physiological states in healthy individuals. Accurate detectors and analytical techniques are developed to improve the precision of beat detection and the identification of physiological states. In conclusion, the thesis proposes a theoretical framework for non-invasive methods of HRV estimation and monitoring physiological changes through ultra-short-term analysis. It details materials, methods, and novel techniques, emphasizing the relevance of these approaches to understanding autonomic nervous system function and cardiovascular health. This thesis aims to make a significant contribution to the field of mobile health (m-health), enabling reliable monitoring in everyday life.

(Català) En els darrers anys, la variabilitat de la freqüència cardíaca (HRV) s'ha convertit en una eina essencial per avaluar la funció del sistema nerviós autònom (SNA), reflectint l’equilibri entre els sistemes simpàtic (SNS) i parasimpàtic (PNS). Una HRV elevada indica un SNA saludable i una millor capacitat d’adaptació a l’estrès. Es mesura de manera no invasiva mitjançant electrocardiografia (ECG) o fotopletismografia (PPG), proporcionant informació sobre la salut cardiovascular, la resposta a l’estrès i la resiliència fisiològica. Factors com l’exercici, els processos metabòlics i la recuperació influeixen en la HRV, fet que la fa útil per caracteritzar els sistemes de regulació humana.

La HRV també s’utilitza en l’àmbit esportiu per optimitzar el rendiment mitjançant entrenaments personalitzats. Els mètodes d’anàlisi inclouen tècniques en el domini del temps, de la freqüència i no lineals. No obstant això, la creixent demanda d’avaluacions en temps real ha impulsat el desenvolupament de l’anàlisi de la HRV en períodes molt curts (menys de 5 minuts), facilitada per dispositius portables com els rellotges intel·ligents i les polseres d’activitat. Aquests dispositius permeten el monitoratge de la salut en temps real mitjançant autoavaluacions sota demanda, millorant la qualitat de vida.

La tecnologia wearable, com els rellotges intel·ligents i els monitors de salut, ha experimentat un gran creixement, oferint un seguiment en temps real dels biosenyal, l’activitat física i els patrons de son. No obstant això, persisteixen reptes a causa de la manca de transparència en els mètodes utilitzats per calcular la HRV en aquests dispositius. Aquesta tesi aborda aquests desafiaments desenvolupant tècniques per avaluar la HRV en períodes molt curts, centrant-se en el monitoratge de l'estat de salut i els canvis fisiològics en individus sans, incloent-hi el seguiment de les fases del son, els estats d’alerta i els canvis posturals.

La detecció precisa dels batecs del cor és essencial per a un càlcul fiable de la HRV, fonamental tant per al diagnòstic clínic com per a les aplicacions de salut per a consumidors. Això requereix la identificació dels pics QRS en els senyals ECG o dels polsos en els senyals PPG, així com la millora de la qualitat mitjançant el preprocessament i l’extracció de característiques. Aquesta dissertació explora algorismes per optimitzar la precisió en la detecció dels batecs cardíacs, avançant en l’avaluació de la HRV i el monitoratge cardíac en dispositius portables.

L’anàlisi de la HRV comença amb la detecció dels batecs cardíacs mitjançant algorismes basats en la morfologia del senyal i en les característiques dels intervals entre batecs. Dissenyar detectors de batecs fiables per a entorns ambulatòris presenta un repte, ja que han de ser no invasius i efectius en situacions del món real. Per tant, un dels principals objectius és millorar la precisió i la fiabilitat en la detecció dels batecs, optimitzant així l’avaluació de la HRV i el monitoratge cardíac.

Aquesta tesi aborda dos reptes principals: (1) la detecció fiable dels batecs cardíacs en entorns ambulatòris mitjançant sensors portables i (2) les mesures de HRV en períodes molt curts per identificar estats fisiològics en individus sans. Es desenvolupen detectors precisos i tècniques analítiques per millorar la precisió en la detecció dels batecs i la identificació dels estats fisiològics.

En conclusió, la tesi proposa un marc teòric per a mètodes no invasius d'estimació de la HRV i de monitoratge dels canvis fisiològics mitjançant anàlisis ultra-curtes. Es detallen materials, mètodes i tècniques innovadores, emfatitzant la rellevància d’aquestes aproximacions per comprendre la funció del sistema nerviós autònom i la salut cardiovascular. Aquesta tesi pretén fer una contribució significativa al camp de la salut mòbil (m-health), permetent un monitoratge fiable en la vida quotidiana.

(Español) En los últimos años, la variabilidad de la frecuencia cardíaca (HRV) se ha convertido en una herramienta esencial para evaluar la función del sistema nervioso autónomo (SNA), reflejando el equilibrio entre los sistemas simpático (SNS) y parasimpático (SNP). Una HRV elevada indica un SNA saludable y mejor capacidad de adaptación al estrés. Se mide de forma no invasiva mediante electrocardiografía (ECG) o fotopletismografía (PPG), proporcionando información sobre la salud cardiovascular, respuestas al estrés y resiliencia fisiológica. Factores como el ejercicio, los procesos metabólicos y la recuperación influyen en la HRV, haciéndola útil para caracterizar los sistemas regulatorios humanos.

La HRV también se utiliza en el ámbito deportivo para optimizar el rendimiento mediante entrenamientos personalizados. Los métodos de análisis incluyen enfoques de dominio del tiempo, frecuencia y técnicas no lineales. Sin embargo, la creciente demanda por evaluaciones en tiempo real ha impulsado el desarrollo de análisis de HRV a muy corto plazo (menos de 5 minutos), facilitados por dispositivos portátiles como relojes inteligentes y rastreadores de actividad física. Estos dispositivos permiten monitoreo de salud en tiempo real mediante autoevaluaciones bajo demanda, mejorando la calidad de vida.

La tecnología portátil, como relojes inteligentes y monitores de salud, ha crecido significativamente, ofreciendo seguimiento en tiempo real de biosignales, actividad física y patrones de sueño. No obstante, persisten desafíos debido a la falta de transparencia en los métodos utilizados para calcular la HRV en estos dispositivos. Esta tesis aborda dichos desafíos desarrollando técnicas para evaluaciones de HRV a muy corto plazo, enfocándose en el monitoreo del estado de salud y cambios fisiológicos en individuos saludables, incluyendo el seguimiento de etapas del sueño, estado de excitación y cambios posturales.

Una detección precisa de los latidos cardíacos es esencial para cálculos confiables de HRV, críticos tanto para diagnósticos clínicos como para aplicaciones de salud del consumidor. Esto requiere identificar picos QRS en señales ECG o pulsos en señales PPG, mejorando la calidad mediante preprocesamiento y extracción de características. Esta disertación explora algoritmos para optimizar la precisión en detección de latidos, avanzando en la evaluación de HRV y monitoreo cardíaco en dispositivos portátiles.

El análisis de HRV comienza con la detección de latidos, utilizando algoritmos basados en la morfología de la señal y características del intervalo entre latidos. Diseñar detectores de latidos confiables para entornos ambulatorios presenta un desafío, ya que deben ser no invasivos y efectivos en escenarios del mundo real. Por ello, uno de los principales objetivos es mejorar la precisión y fiabilidad de la detección de latidos, optimizando así la evaluación de HRV y el monitoreo cardíaco. Esta tesis aborda dos desafíos principales: (1) detección confiable de latidos en entornos ambulatorios mediante sensores portátiles y (2) medidas de HRV a muy corto plazo para identificar estados fisiológicos en individuos saludables. Se desarrollan detectores precisos y técnicas analíticas para mejorar la exactitud en la detección de latidos y la identificación de estados fisiológicos.

En conclusión, la tesis propone un marco teórico para métodos no invasivos de estimación de HRV y seguimiento de cambios fisiológicos mediante análisis a muy corto plazo. Se detallan materiales, métodos y técnicas novedosas, subrayando la relevancia de estos enfoques para comprender la función del sistema nervioso autónomo y la salud cardiovascular. Este trabajo busca contribuir significativamente en el campo de la salud móvil (m-health), permitiendo un monitoreo confiable en la vida cotidiana.