Fusión de sensores multiespectrales en SmartWatch para monitoreo continuo in situ de la hidratación de la piel humana y la pérdida de sudor corporal

Scientific Reports volumen 13, número de artículo: 13371 (2023) Citar este artículo

1107 Accesos

Detalles de métricas

Las operaciones sanitarias pospandémicas se han convertido en una realidad a corto plazo y los debates sobre los wearables van en aumento. ¿Cómo implementan y aprovechan eficazmente las soluciones de salud portátiles esta oportunidad para llenar el vacío entre el bienestar y la atención médica? En este artículo, hablaremos sobre el diagnóstico de atención médica portátil, con un enfoque particular en el monitoreo de la hidratación de la piel mediante la fusión de sensores ópticos de múltiples longitudes de onda. El seguimiento continuo de la hidratación de la piel humana es una tarea de suma importancia para mantener la dinámica de pérdida de agua para los amantes del fitness, así como para la belleza, la integridad de la piel y la salud de todo el cuerpo. Mantener los niveles adecuados de hidratación garantiza la consistencia del peso, afecta positivamente al estado psicológico y se ha demostrado que produce una disminución de la presión arterial y de los niveles de colesterol "malo", al tiempo que ralentiza los procesos de envejecimiento. Los métodos tradicionales para determinar el estado del contenido de agua en la piel no permiten un control continuo y no invasivo, que es necesario para una variedad de aplicaciones de consumo, clínicas y cosméticas. Presentamos una nueva tecnología de detección y un proceso para capturar, modelar y analizar los fenómenos de hidratación de la piel y los cambios asociados a los mismos. Al ampliar las capacidades de detección integradas en el sensor SmartWatch y combinarlas con modelado avanzado y algoritmos de aprendizaje automático (ML), identificamos varias características importantes de la señal de fotopletismografía (PPG) y la sensibilidad espectral correspondientes a la dinámica del contenido de agua de la piel. En un aspecto de hardware, proponemos recientemente la expansión de las capacidades de SmartWatch con fuentes de luz infrarroja equipadas con longitudes de onda de 970 nm y 1450 nm. La evaluación de la precisión y las características de los sensores PPG se ha realizado con un marco de simulación basado en óptica biomédica utilizando simulaciones de Monte Carlo. Realizamos una validación rigurosa de la tecnología desarrollada mediante estudios experimentales y clínicos. El proyecto desarrollado sirve como herramienta en los estudios en curso de la próxima generación de tecnología de detección óptica.

Desde 1977, cuando PolarElectroto1 introdujo el primer monitor inalámbrico de frecuencia cardíaca (FC) del mundo, que consistía en un transmisor de correa para el pecho con un receptor de muñeca, brindó a los atletas "retroalimentación en tiempo real durante el ejercicio", se han logrado una serie de logros notables en la tecnología portátil. sido hecho. Durante la última década, Samsung introdujo un avanzado bioprocesador inteligente, un sistema en un chip (SoC), que mide la grasa corporal y la masa del músculo esquelético, la frecuencia cardíaca (FC), el ritmo cardíaco, la temperatura de la piel y el nivel de estrés para dispositivos portátiles2 Hoy en día, nuestros relojes inteligentes están equipados con el sensor BioActive3 de Samsung, que ha evolucionado hasta convertirse en una tecnología mucho más avanzada y en miniatura y que no sólo es capaz de “simplemente” contar frecuencia cardíaca, pasos y calorías, sino que también puede controlar el sueño, medir la presión arterial y más4,5 ,6,7,8 La columna vertebral y el principal impulsor de este notable éxito es la tecnología PPG, que ahora se utiliza ampliamente en la monitorización continua del estado de salud9 debido a la conveniente ubicación del sensor en un reloj inteligente/pulsera de fitness en la muñeca10. La utilización de PPG para el seguimiento de la salud y el estado físico ha atraído un considerable interés de los consumidores en los últimos años. En la actualidad, los dispositivos portátiles, incluidos los relojes inteligentes y los rastreadores de actividad física, monitorean/analizan de manera rutinaria la señal PPG y brindan información no invasiva de los indicadores de salud humana antes mencionados con adiciones recientes de temperatura, nivel de oxígeno en sangre (SpO2), etc. capacidades de monitoreo11. 12. La señal PPG se utiliza para evaluar el estrés y los patrones de sueño13. Actualmente, la fibrilación auricular (FA) se puede detectar de forma rutinaria mediante PPG desde un reloj inteligente14. Se ha demostrado cómo una aplicación de teléfono inteligente puede ayudar a determinar el envejecimiento vascular asociado con una mayor rigidez arterial15. Por otro lado, se han logrado avances notables con la planificación y el ejercicio asistidos por SmartWatch de un programa de fitness particular que a menudo requiere el conocimiento de los parámetros fisiológicos básicos de un consumidor. Por ejemplo, la información sobre las zonas de pulso permite evaluar la eficiencia del suministro de oxígeno a través del sistema circulatorio a los músculos en ejercicio. El seguimiento a largo plazo de los entrenamientos del usuario permite al SmartWatch crear un plan de entrenamiento personal eficaz. El seguimiento continuo de la rutina de ejercicios de un usuario permite que las aplicaciones SmartWatch creen planes de acondicionamiento físico eficientes y personalizados. En tal caso, es importante monitorear continuamente la señal PPG y recibir rápidamente notificaciones cuando se traspasen los límites especificados de la zona de pulso.

Sin embargo, en este trabajo nos gustaría dar un paso adelante hacia la desconcertante y a menudo impredecible terra incógnita del monitoreo continuo en tiempo real de la pérdida de agua corporal. Nos gustaría demostrar que al agregar cierta funcionalidad de selectividad espectral al PPG, esta tarea se vuelve factible. En estudios anteriores, se ha evitado en gran medida la utilización de PPG para el seguimiento continuo de la dinámica de hidratación del cuerpo humano. Una vez implementado con éxito en los dispositivos portátiles, tiene un alto potencial de convertirse en una aplicación tópica de salud, belleza y ejercicio (Fig. 1). De hecho, un régimen regular de ingesta de agua es increíblemente importante para el correcto funcionamiento de los órganos y para mantener el equilibrio interno del cuerpo humano. Cada reacción química, incluida la producción de energía o el proceso de descomposición y almacenamiento de glucosa, requiere una determinada cantidad de agua. La deshidratación afecta negativamente el rendimiento del ejercicio, la termorregulación y la respuesta cardiovascular16,17.

Presentación esquemática del concepto de tecnología SmartWatch que advierte al consumidor sobre la necesidad de rehidratarse, por ejemplo, debido a la pérdida de agua después del entrenamiento/ejercicio.

Durante la actividad física intensa, el cuerpo humano pierde la mayor parte del líquido a través del sudor. Al mismo tiempo, la energía térmica que producen las células musculares se gasta en calentar la sangre. El agua de la sangre llena las glándulas sudoríparas bajo la influencia del aumento de temperatura17. El proceso de evaporación del líquido conduce no sólo al enfriamiento del cuerpo, sino también a una disminución del volumen sanguíneo. En este sentido, la cantidad de líquido en el cuerpo debe reponerse a tiempo; de lo contrario, se altera el proceso de termorregulación y puede producirse un agotamiento por calor. Por ejemplo: el agotamiento por calor es la pérdida excesiva de sales (electrolitos) y líquidos, lo que dificulta que el cuerpo mantenga una temperatura central saludable. El calor que se produce durante la actividad física no se compensa con la sudoración, sino que se acumula en el cuerpo, lo que provoca un aumento de la temperatura interna y un deterioro de la condición física.

Generalmente, la sed es un mecanismo preciso para regular el agua y los electrolitos en el cuerpo. La sed ocurre cuando la osmolalidad y la concentración de iones de sodio en el plasma sanguíneo aumentan como resultado de la sudoración18. Estos cambios son percibidos por los receptores del hipotálamo responsables de mantener la homeostasis y, en particular, de mantener la presión osmótica del plasma sanguíneo. Las hormonas hipotalámicas estimulan un aumento en la reabsorción de agua y sodio, y la estimulación refleja de la circunvolución del cíngulo conduce a la formación de una sensación de sed, lo que obliga a la persona a beber18. Un aumento de la sed reduce la eficacia del ejercicio, reduciendo así la posible pérdida de líquido por sudoración. Sin embargo, durante el ejercicio activo, la sed se convierte en un indicador insuficiente del estado de falta de agua en el cuerpo. La persona generalmente no percibe la sed, con una pérdida de peso corporal del 1 al 2% debido al agua, mientras que la capacidad de trabajo y la resistencia ya comienzan a disminuir significativamente17. La falta de agua en el cuerpo provoca sensación de sequedad de boca, debilidad, fatiga, irritabilidad y dolor de cabeza. Es necesario controlar la hidratación corporal y la ingesta oportuna de líquidos para lograr altos resultados y buena salud. Durante la actividad física, un deportista puede experimentar “deshidratación voluntaria” o una reacción retardada del cuerpo ante la falta de agua. El equilibrio en la bebida implica elegir la cantidad óptima de líquido que se debe consumir durante el entrenamiento. El exceso de líquido en el cuerpo tampoco es deseable porque puede provocar hiponatremia. El cuerpo considera que hay demasiada agua en la sangre y envía parte de ella a otros órganos. Un aumento del 2% en el volumen de líquido puede provocar edema generalizado, disminución de la actividad física y alteración del cerebro humano. Por lo tanto, controlar la hidratación del cuerpo y la ingesta oportuna de líquidos durante la práctica deportiva es fundamental para lograr altos resultados y mantener una buena forma física del cuerpo.

En el marco de esta investigación, creamos un proceso completo de captura, modelado y análisis (representado en la Fig. 2) diseñado específicamente para acceder a las propiedades de hidratación de la piel con SmartWatch con el fin de identificar el momento exacto en que se produce la sudoración. Nuestros modelos cuentan con la ayuda de mediciones directas de las propiedades funcionales del tejido mediante sensores personalizados. Al combinar potentes técnicas de aprendizaje automático (ML), algoritmos de simulación numérica de última generación para el transporte de fotones en técnicas biológicas y estudios clínicos, logramos evaluaciones casi instantáneas de las señales PPG de la piel humana y sus cambios relacionados con las diferentes etapas de la sudoración. Realizamos una validación rigurosa de la tubería desarrollada comparándola con mediciones obtenidas utilizando hardware de laboratorio in vivo. El marco desarrollado sirve como herramienta en el desarrollo interno continuo de la próxima generación de capacidades de detección.

Nuestro canal de captura a detección. Aquí: se forma una película de sudor debajo del prototipo de SmartWatch; El sensor personalizado evalúa el cambio en la señal PPG en un rango de longitudes de onda y distancias; Las tendencias de la señal se investigan utilizando algoritmos numéricos de transporte de luz en la piel validados experimentalmente; Las características particulares de importancia debido a las fluctuaciones de las propiedades ópticas de la piel húmeda/seca se extraen en función de su importancia y se entrena un método ML para detectarlas fácilmente; Finalmente, se accede cuantitativamente a la pérdida de sudor y se hacen recomendaciones al consumidor.

Cuando se aplica a la piel humana, la formación de la señal PPG está determinada por la absorción y dispersión de la luz dentro del tejido debido a la sangre, la melanina, el colágeno, el agua y otros pigmentos, así como por el reflejo especular en la interfaz piel-aire19,20 (Fig. 3a, b). ). Por ejemplo, en el pasado se han estudiado ampliamente las bandas notables y los correspondientes efectos de absorción/dispersión para la melanina, la hemoglobina sanguínea a 416, 542 y 575 nm y el agua a 980 nm18,19,20. En otras palabras, la composición espectral de la luz que penetra a través de los tejidos biológicos depende en gran medida de la concentración y distribución espacial de los cromóforos dentro de la piel. Cuando se aplica a una aplicación práctica portátil, la precisión del registro de la señal PPG depende en gran medida de muchos otros factores que incluyen, entre otros: la geometría del sensor y su posición, la rigidez de la banda y factores ambientales como la temperatura, la humedad, etc. , los parámetros óptimos del sensor, como su geometría, apertura numérica, forma y separación de la fuente y el detector, longitudes de onda, etc., requieren una selección cuidadosa y los ajustes más óptimos deben estudiarse con precisión y evaluarse su rendimiento. Este paso se puede realizar in silico mediante simulaciones numéricas e implica calcular las interacciones entre el tejido ligero y el tejido que se describen formalmente mediante la ecuación de transferencia radiativa (RTE). La teoría RTE se origina desde el punto de vista de la conservación de la energía y sirve como base para la fotometría20,21,22. Esta teoría se ha utilizado ampliamente en una serie de estudios que incluyen la dispersión atmosférica y oceánica, la astrofísica y, posteriormente, la óptica biomédica. En el pasado se hicieron numerosos intentos para evaluar las propiedades fisiológicas del tejido y relacionarlas con la radiación óptica difusa, dispersada y absorbida23,24,25,26,27,28,29,30. El balance de energía macroscópico y el promedio estadístico del transporte de luz y su conservación de energía a través de los medios de dispersión y absorción en equilibrio se describen como:

Aquí, \(L\left( {\varvec{p}},\overrightarrow{\omega }\right)\) se refiere a la radiación de energía en el medio en un punto específico \({\varvec{p}}\) en la dirección \(\overrightarrow{\omega }\), donde \({\mu }_{s}\left(\lambda \right)\) y \({\mu }_{a}\left(\ lambda \right)\) son los coeficientes de dispersión y absorción resueltos espectralmente, \(p\left(\overrightarrow{\omega } ,\overrightarrow{\omega }{\prime}\right)\) corresponde a la función de fase de dispersión y \(Q({\varvec{p}},\overrightarrow{\omega })\) representa la función de la fuente de radiación óptica, respectivamente. \(\overrightarrow{\nabla } L\) representa el gradiente espacial de la radiancia que indica cuánto cambia la radiancia por unidad de distancia. Para materiales homogéneos de una sola capa, el RTE generalmente se resuelve mediante métodos analíticos como la aproximación por difusión. Sin embargo, debido a la estructura compleja y no homogénea de la piel humana, no existe una solución analítica general para RTE para nuestra configuración de sensor que pueda describir la señal detectada y cómo se ve afectada por sus cambios estructurales o fisiológicos.

Propiedades ópticas de la piel humana y configuración de sensor propuesta. Aquí, (a): coeficientes de absorción de cromóforos clave de los tejidos de la piel, incluida la melanina, la oxihemoglobina, la desoxihemoglobina, la línea de base y el agua; (b): coeficientes de dispersión de las capas de tejido funcional.

Afortunadamente, existe un ejemplo de alternativa estocástica: el método Monte Carlo (MC), que ha sido, a lo largo de los años, una herramienta de elección para la evaluación de la propagación de la radiación óptica y la localización espacial de señales en tejidos biológicos en el campo. del diagnóstico óptico biomédico. El método MC fue introducido por primera vez para la simulación de la propagación de la luz en tejido biológico en 1983 por Wilson y Adam31. Posteriormente, el MC ha sido desarrollado por múltiples grupos de investigación y ahora se utiliza ampliamente en Óptica Biomédica31,32,33,34,35. El MC ahora se considera un "estándar de oro" y una herramienta conveniente para modelar señales debido a la posibilidad de tener en cuenta la estructura compleja del objeto en estudio, las condiciones de contorno, la geometría del haz de la sonda y otras características. MC permite una comparación directa entre resultados simulados y experimentales, así como predecir los resultados de mediciones futuras cuando se acumula una cantidad suficientemente grande de datos estadísticos. Sin embargo, la precisión de dicho modelado está determinada por el costo del tiempo de la máquina (es decir, el método consume muchos recursos), así como por la correspondencia del modelo con el objeto simulado. Por lo tanto, una aplicación directa del método MC no se adoptó ampliamente en dispositivos portátiles debido a la notoria ineficiencia computacional de MC, la falta de conocimiento específico del dominio en biología/óptica de tejidos y una serie de limitaciones relacionadas con la naturaleza dinámica de la adquisición de señales PPG.

El método MC se basa en modelar la transferencia de energía a través del medio y los principios correspondientes se han descrito exhaustivamente en otro lugar22. Brevemente, primero se asigna a varios paquetes de fotones un peso unitario estadístico \({W}_{0}\) y se inyectan en un medio de modelado (Fig. 4a). Los paquetes pasan por una secuencia de eventos muestreados aleatoriamente que representan interacciones entre la luz y los medios (por ejemplo, dispersión, absorción, reflexión, refracción y transferencia de capas de medios en los límites). La distribución de la longitud del camino \(p\left(l\right)\) para un paquete de fotones que se propaga a una distancia \(l\) entre eventos de dispersión se determina aleatoriamente y sigue la ley de Beer-Lambert como \(p\left(l\right) )={\upmu }_{t}\left(\uplambda \right){e}^{-{\upmu }_{t}\left(\uplambda \right)l}\). Posteriormente, la posición del paquete de fotones se actualiza como \({{\varvec{p}}}_{\text{i}}={{\varvec{p}}}_{{\text{i}}-{1 }}+\overrightarrow{{\upomega }_{i}{\prime}}{l}_{\text{i}}\) y su peso estadístico se escala por la absorción \({W}_{i}= {W}_{i-1}{e}^{-{\upmu }_{a}\left(\uplambda \right)l}.\) Una nueva dirección del paquete de fotones \(\overrightarrow{{\ upomega }_{i}{\prime}}\) se determina en cada evento de dispersión utilizando una función de fase de elección, por ejemplo, la función de Henyey-Greenstein:

donde \(g\) es el factor de anisotropía. Los parámetros de entrada al aplicar este método son las propiedades ópticas y la geometría del medio, que determinan las longitudes y formas de las trayectorias de los fotones individuales.

Procedimiento de simulación MC y configuración geométrica del sensor desarrollado. Presentación esquemática del procedimiento de simulación MC, (a) configuración geométrica del sensor desarrollado, (b) simulaciones MC de ejemplo de propagación de señal óptica para la configuración extendida del sensor SmartWatch en piel humana con capa de agua/sudor tópica a 970 nm (arriba) y 1450 nm (abajo), (c).

Basándonos en el amplio conocimiento de la interacción luz-tejido y la experimentación in silico, hemos diseñado y producido el prototipo de hardware real de un novedoso sensor óptico de múltiples longitudes de onda que actualmente se ha integrado en el dispositivo común Samsung Galaxy Watch Active 2, ampliando así sus capacidades. extensamente. Uno de los principales futuros del sensor es su prolongado rango de detección espectral. Además de los dos sensores existentes de 535 y 645 nm, se han agregado dos longitudes de onda (970 y 1450 nm) para permitir la adquisición de señales en la región del infrarrojo cercano (NIR). La elección de estas longitudes de onda se debe al hecho de que en la región NIR del espectro, la absorción de hemoglobina y melanina prácticamente no afecta la variación en el espectro de la piel, mientras que el agua y los lípidos se convierten en los absorbentes dominantes y en varias bandas, concretamente 970, 1200. , 1450, 1900 nm corresponden al agua dérmica36 (Fig. 3). Por diseño, los nuevos receptores tienen forma cuadrada con lados de 1,5 mm y se sustituyen dos detectores de silicio por detectores especializados de germanio, que funcionan adecuadamente en la región NIR hasta 1800 nm. La separación de centro a centro entre el diodo emisor de luz (LED) y el fotodetector (PD) se seleccionó utilizando dos configuraciones de 3,5 mm y 5,5 mm dependiendo del par particular de LED y PD, lo que tiene en cuenta el recorrido libre medio de la luz (mpf). en diferentes regiones de la piel humana (Fig. 4b).

En este trabajo, utilizamos una plataforma de simulación MC acelerada por GPU37. Un diseño orientado a objetos, junto con la paralelización a través de CUDA (Arquitectura de dispositivo unificado de cómputo) de NVIDIA, permite que el modelo codifique interacciones entre fotones y tejidos y produzca resultados en tiempo real. Para simular el transporte de luz y estudiar la formación de señales de sensores, utilizamos un modelo óptico de siete capas de piel humana, descrito ampliamente en publicaciones anteriores20,21. De manera concisa, consideramos tres partes principales: epidermis, dermis e hipodermis, que se dividen en siete subcapas funcionales. Las propiedades ópticas de estas capas se describen mediante la reflexión especular en la interfaz piel-aire, así como por la absorción y dispersión de la luz en la misma. Ampliamos considerablemente el modelo original al rango infrarrojo cercano e introdujimos concentraciones variables de cromóforos como melanina \(\left({C}_{mel}\right),\) sangre \(\left({C}_{blood }\right),\) saturación de oxígeno \(\left({S}_{blood}\right),\), así como la capa tópica de agua/sudor y su correspondiente influencia en la señal detectada en 535, 645, 970 y particularmente longitudes de onda de 1450 nm (Fig. 4c).

La señal PPG producida por el sensor SmartWatch depende en gran medida del tipo de piel, sus propiedades internas y factores externos como la presencia de movimiento de la muñeca durante la adquisición de la señal, la colocación del dispositivo en la muñeca, etc. También existen una serie de limitaciones: por ejemplo , el dispositivo no debe estar demasiado apretado (es decir, tirando de la piel) para el correcto funcionamiento de los sensores. Estos factores tienen mucha flexibilidad y, por lo tanto, es necesario realizar estudios numéricos, experimentales y de análisis de datos exhaustivos para determinar sus márgenes.

En primer lugar, validamos nuestros métodos de simulación de transporte de luz tomando cuatro voluntarios masculinos y femeninos sanos y realizamos varias mediciones cutáneas espectrales, ultrasónicas y SmartWatch utilizando equipos de laboratorio. Inicialmente, capturamos espectros de reflectancia de la piel seca y húmeda de la superficie dorsal de las muñecas de la mano izquierda. Posteriormente, se investigó el espesor de la piel en los tres sitios de la superficie dorsal (región medial) de las muñecas de la mano izquierda. Las imágenes ecográficas permitieron distinguir claramente las tres capas funcionales principales de la piel y evaluar sus espesores, respectivamente (Fig. 5a, b).

Mediciones de la piel utilizando equipos de laboratorio. Un ejemplo de espesores evaluados (a) e imágenes de ultrasonido (b) para sujetos de prueba para la superficie dorsal de las muñecas de la mano izquierda; MC simuló espectros de reflectancia de la piel humana en comparación con las mediciones in vivo para varios tipos de piel caucásicos (c); Simulaciones de MC comparadas con mediciones de piel húmeda para todo el perfil espectral (d).

La medición del grosor de la piel es un factor importante en la validación y reducción general del espacio de parámetros. A partir de mediciones ultrasónicas se ha estimado el espesor medio de la piel por parte del cuerpo por sujeto. El espesor del “eco entrante” se consideró sin tener en cuenta los artefactos (pelos, microburbujas de aire) en una región de piel lisa con manifestaciones mínimas de deformación, cuyo espesor corresponde principalmente a la capa corneal de la epidermis. Las mediciones in vivo se han utilizado directamente en los estudios informáticos de la formación de la señal PPG de SmartWatch.

Hemos imitado in silico la configuración exacta del sensor desarrollado, las distribuciones de espesores y las correspondientes propiedades ópticas de las capas de la piel. La Figura 6a muestra varios casos representativos, donde el resultado de las simulaciones de MC y los datos experimentales se compararon directamente para múltiples sujetos. Logramos una excelente combinación entre nuestros modelos computacionales y las mediciones de grado de laboratorio (Fig. 5c, d).

Simulaciones de MC. Simulaciones de MC y tendencias notables debido a la influencia del espesor creciente de la película de sudor/agua en la señal PPG para longitudes de onda específicas del sensor SmartWatch extendido (a). Mapas 2D completos de reflectancia de la piel humana para aumentar el espesor de la capa de sudor/agua y el ángulo de incidencia en las longitudes de onda 970 y 1450 nm (b, c).

Debido a la excitación, el estrés y el esfuerzo físico, la actividad del sistema nervioso simpático aumenta, lo que resulta en aumentos repentinos de concentración de neurotransmisores seleccionados. En las glándulas sudoríparas se inician cascadas de vías de señales y procesos bioquímicos enzimáticos, asegurando la secreción del líquido sudoroso38. Como resultado, se forma una película de sudor entre el SmartWatch y la piel de la muñeca, lo que afecta la forma de la señal PPG. Para identificar las tendencias generalizadas, primero realizamos simulaciones MC de la influencia del espesor de la película de sudor entre la piel y el sensor PPG (Fig. 6a). Posteriormente, se realizó la simulación del movimiento de la muñeca cambiando el ángulo de incidencia de la luz de sondaje y combinando el espesor creciente de la película de sudor. Con la modulación del ángulo de incidencia, pudimos estimar un conjunto completo de mapas 2D que muestran el rendimiento del sensor SmartWatch en una variedad de condiciones de detección (Fig. 6b yc).

Se han identificado varias tendencias útiles tanto en el modelado como en las mediciones: la formación de una película de agua/sudor da como resultado una tendencia alcista para 970 nm y la correspondiente tendencia descendente opuesta distinta para 1450 nm. Esto puede explicarse por el cambio en las propiedades combinadas de absorción/reflexión de la piel/agua en longitudes de onda específicas. Por ejemplo, a 970 nm la señal PPG combinada para piel húmeda generalmente (pero no siempre) da como resultado una tendencia alcista en comparación con la línea base, mientras que a 1450 nm exhibe una tendencia bajista segura ya que se sitúa en el pico de absorción de agua conocido, correspondientemente. Además del agua, se ha descubierto que la señal a 970 nm es más sensible al tipo de piel, su grosor y los efectos asociados con la pulsación de la sangre. Ambas señales PPG se ven afectadas por el movimiento de la muñeca y los artefactos de medición resultantes.

Sin embargo, la transición de los conocimientos de laboratorio a las mediciones obtenidas con el dispositivo en entornos de consumo sigue siendo un desafío. Por lo tanto, realizamos un análisis avanzado de un conjunto de datos único (19 sujetos humanos que participaron en 103 pruebas de carrera en interiores de una distancia total de 5 km). Se puede encontrar más información sobre las características de los sujetos y las condiciones ambientales en el capítulo “Materiales y métodos” y ver (ref.6).

La diversidad de las condiciones experimentales iniciales, la fisiología del sujeto, etc. hace que sea un desafío determinar el momento exacto en el que comienza a aparecer la película de sudor. No siempre se percibe si hay sudor debajo del SmartWatch o no, es decir, la percepción del sudor en la cara es más pronunciada que la sensación de sudor en la mano. Además, las peculiaridades del proceso de sudoración de cada persona y la velocidad de saturación del sudor en la superficie de la piel provocan diferencias considerables en la cantidad de líquido bajo el reloj.

Nuestro objetivo principal es poder detectar el momento dentro de un cierto intervalo de confianza en el que aparece la película utilizando los cambios en la señal PPG. Utilizamos un método simple de etiqueta de papel estándar en el que un sensor de papel con tinta seca incorporada cambia de color debido a la presencia de sudor. En este estudio utilizamos esto como nuestro método de referencia para determinar el momento en que se produce una película de sudor bajo un reloj inteligente. El sensor de pegatinas se colocó en la mano del corredor y se colocó debajo de un reloj inteligente. En particular, el momento exacto en que se produjo la película de sudor, determinado con el sensor de pegatinas, se capturó ligeramente antes que la sensación personal de sudoración del corredor. Dado que todos los corredores estaban sudando, investigamos todo el conjunto de datos PPG a lo largo de la carrera para ver qué cambios generalizados ocurren en la señal durante toda la carrera. La actividad física crea varios artefactos distintos, en su mayoría relacionados con el movimiento. Hemos investigado exhaustivamente estos problemas y descubrimos que la señal PPG puede corromperse fácilmente por la combinación e influencia de varios factores externos, incluidos el movimiento de la muñeca, las actividades físicas, la luz ambiental, la temperatura ambiente y la presión que surge del contacto entre el sensor PPG y la piel.

En particular, la influencia del movimiento de la muñeca se hace más evidente en el caso de extremos: por ejemplo, la tensión de la correa del reloj inteligente es demasiado floja o demasiado apretada. Hemos monitoreado la presión y el efecto asociado para una variedad de tensiones de correa de nuestro reloj inteligente. Por lo tanto, monitorear esos artefactos es crucial para la adquisición continua y desarrollamos específicamente un enfoque de fusión de sensores para investigar los artefactos resultantes de la actividad física, que estaban relacionados principalmente con el movimiento.

Utilizamos un enfoque de fusión de sensores para investigar los artefactos resultantes de la actividad física que están relacionados principalmente con el movimiento (Fig. 7). En nuestro SmartWatch, los artefactos en las señales PPG se estiman a partir de los datos IMU (unidad de medición inercial) recopilados simultáneamente con las señales PPG. Los componentes individuales de la señal PPG se investigaron transformándolos del dominio del tiempo al dominio de la frecuencia. Para proporcionar un ejemplo adicional, podemos detectar distintas frecuencias correspondientes al componente del latido del corazón en PPG y las demás correspondientes a una variedad de contribuciones de artefactos de movimiento.

La fusión de sensores permite distinguir varios tipos de artefactos como movimiento, movimiento de brazos, pasos, latidos del corazón, etc.

Observamos una correlación de alto orden con los siguientes factores: velocidad de carrera, balanceo de brazos, tensión de la banda, la posición real del Smart Watch en la muñeca y la física corporal del corredor. Probablemente, la naturaleza de los artefactos de ruido no esté cambiando y aún pueden cuantificarse mediante varios algoritmos bien conocidos. En el marco de esta investigación, creamos un proceso completo de captura, modelado y análisis (representado en la Fig. 2) diseñado específicamente para acceder a las propiedades de hidratación de la piel con SmartWatch con el fin de identificar el momento exacto en que se produce la sudoración. Por lo tanto, podríamos hacer varias suposiciones con respecto a los cambios clave que ocurren durante la ejecución y que pueden afectar la señal de PPG. En primer lugar, es probable que se produzcan cambios en los pasos por minuto (spm) cuando una persona se cansa o cuando comienza la prueba. En segundo lugar, los distintos cambios en la frecuencia cardíaca por minuto (bmp) son muy probables durante las carreras. Por último, la aparición de sudor es una consecuencia plausible de un ejercicio intenso. Abordamos la tarea intentando clasificar el inicio y el final de las carreras. Esta tarea se puede representar como un problema de clasificación binaria, donde la clase positiva es el final de la ejecución y la clase negativa es su comienzo. Posteriormente, comprobamos la hipótesis de que si somos capaces de clasificar con seguridad los distintos tramos de la carrera, podemos encontrar los signos que indican indirectamente el momento de aparición de una película de sudor.

Después del modelado y la validación experimental, nos centramos específicamente en investigar las características de los datos en longitudes de onda de 970 y 1450 nm mediante el entrenamiento de varios clasificadores basados en ML. Nuestro flujo de trabajo de análisis se presenta en la Fig. 8 e incluye varios pasos importantes. En primer lugar, seleccionando dos ventanas (de 3,5 minutos de duración) a la izquierda (iniciar ejecución) y a la derecha (finalizar ejecución). De cada ventana extrajimos características del dominio del tiempo y la frecuencia. Habiendo hecho esto para la ejecución de cada usuario, reunimos un conjunto de datos para entrenar el clasificador (LightGBM)39 donde la ventana izquierda representa una clase negativa y la ventana derecha representa una clase positiva. Después de acercar las ventanas entre sí en pasos de 20 s, repetimos el mismo procedimiento y entrenamos un nuevo clasificador. Movemos las ventanas entre sí hasta que empiezan a superponerse. En total hemos formado a 23 clasificadores.

Presentación esquemática del flujo de trabajo utilizado para investigar la calidad de los modelos de ML para una identificación confiable de la apariencia de la película de sudor. Se han obtenido varios modelos destacados con distintas calidades de clasificación. Cada columna del gráfico SHAP representa un modelo LightGBM diferente, la fila representa las 20 características principales y el color representa su importancia. El nombre de cada característica tiene un patrón de nombre ___ .

En cada clasificador entrenado realizamos un análisis de importancia de características de Explicaciones Aditivas de Shapley (SHAP)40. Después de clasificar las características, seleccionamos las 20 más importantes para el análisis (Fig. 9). Las características del dominio del tiempo se obtuvieron a partir de una señal sin procesar completamente sin procesar, las características del dominio de la frecuencia implicaron la conversión al espectro de ondas. Se ha investigado la importancia de las siguientes características: Media, Mediana, Máx., Mín., Estándar, Var, Sesgo, Curtosis, IQR, Desviación abs mediana y Pendiente de tendencia. Para los datos en el dominio del tiempo, estas funciones se aplicaron a la señal sin procesar. Para el dominio de la frecuencia, las funciones se aplicaron a cada canal del espectro de transformada wavelet. Obtuvimos un total de 642 funciones. Para la transformación wavelet utilizamos la biblioteca ssqueezepy41. Como función wavelet utilizamos la Wavelet Morse generalizada42. Cada modelo LightGBM ha sido entrenado con los mismos parámetros max_profundidad = 2 y tasa de aprendizaje = 0,01, el resto de los parámetros eran predeterminados. Para estimar el rendimiento, utilizamos una validación cruzada de 4 veces.

Un ejemplo de la tendencia de 1450 nm que muestra los cambios monótonos en la reflexión en comparación con la línea de base, como la saturación de la piel, la apariencia y el desarrollo de una película de sudor (a). Representación 3D de la tendencia generalizada de 1450 nm para todo el estudio de consumidores (b).

Un total de 23 modelos correspondientes a los diferentes horarios entre ventanas. Se ha obtenido una alta calidad de clasificación entre ventanas de más de 15 minutos, lo que da como resultado valores de puntuación de precisión superiores a 0,7. Esto se refiere a diferencias significativas al principio y al final de la carrera. Para estudios posteriores, seleccionamos tres características candidatas principales, que incluyen: características del dominio de frecuencia correspondientes a la frecuencia cardíaca. Por ejemplo, el valor medio del espectro en el período 7 correspondiente a una frecuencia de 2,6 Hz con una frecuencia de muestreo de 25 Hz está ocupado por la onda del pulso. Debido a los cambios de frecuencia cardíaca durante las carreras de prueba, esta señal es importante para clasificar las secciones individuales de la carrera. Esta hipótesis se ha evaluado ampliamente tomando la señal PPG a 970 nm y filtrándola de cualquier otra frecuencia, por lo que podemos ver alguna analogía con la onda del pulso. Confirmó la característica 970_td_skew que tiene poca contribución al principio y al final de la carrera debido a que la frecuencia cardíaca se estabiliza en estas regiones, similar al caso de 10 minutos después del inicio de la carrera. Suponemos que ambas características son consecuencia del cambio de frecuencia cardíaca durante una carrera.

Sin embargo, nuestra característica principal para la clasificación es el cambio monótono en la señal de longitud de onda de 1450 nm (1450_nn_slope). Asociamos este fenómeno con la aparición de una película de sudor. El cambio monótono encaja bien con las simulaciones numéricas de MC y el hecho de que la película no aparece instantáneamente. Este proceso no es instantáneo y se prolonga en el tiempo, es decir, pasa de la línea base a la saturación de la piel y, en algún momento, aparece una película de sudor en la superficie de la piel. La evaluación de la señal PPG a 1450 nm captura estos cambios monótonos en la reflexión, respectivamente.

La Figura 9 muestra la presencia de tales tendencias de 4 a 10 min y de 11 a 20 min asociadas con la formación de la película de sudor.

Podemos ver que a partir del cuarto minuto la tendencia comienza su monótono aumento, llevándose este proceso hasta el minuto 10, posteriormente la tendencia se revierte. Para determinar la dirección de la tendencia se ha seleccionado un intervalo de tiempo práctico. Encontramos que el suavizado óptimo de la señal se encuentra en una ventana de 2 a 5 min. Estas ventanas de tiempo nos permiten detectar con bastante claridad la aparición de tendencias durante el tiempo de ejercicio. Realizamos este procedimiento para todas las pruebas y promediamos los valores en una ventana de 5 minutos y en 5 sujetos, y también normalizamos el valor de la pendiente. Con el gráfico tridimensional podemos ver que en promedio la pendiente positiva aparece desde ~5 min con pico a ~9 min, que cambia a negativa desde ~14 min a ~20 min. Esto se ajusta bien a nuestra tarea de detección óptica de la formación de películas de sudor dentro de una ventana de precisión de 2 minutos y allana el camino para futuras evaluaciones de la pérdida corporal de sudor y el desarrollo de aplicaciones prácticas que notifiquen al consumidor sobre la necesidad de rehidratarse.

En este artículo consideramos la tarea de suma importancia establecida para su implementación en la futura generación de dispositivos portátiles: la evaluación continua no invasiva de la hidratación corporal. Por primera vez, demostramos cómo se puede realizar esta tarea mediante un enfoque de fusión de sensores ampliando las capacidades de la detección óptica y los algoritmos de análisis modernos. Presentamos una metodología de detección novedosa y un proceso para capturar, modelar y analizar las etapas de hidratación de la piel. La investigación realizada proporciona conocimientos novedosos sobre la interacción entre la luz y el tejido, la multitud de características importantes y los avances liderados por la industria en el trabajo sobre la detección del sudor y la pérdida de agua corporal. Nuestro enfoque permite visualizar las distribuciones de la señal óptica detectada dentro del tejido para la configuración del sensor geométrico, espectral y de otro tipo objetivo, así como realizar estudios in silico de la fina película de sudor y su influencia en la señal de PPG detectada. Construimos un prototipo de dispositivo y soluciones basadas en ML para estimar la sudoración de la piel humana. Se ha encontrado que las tendencias detectadas concuerdan con el modelado óptico y están respaldadas por investigaciones teóricas y estudios de laboratorio. Aunque 1450 nm proporciona la mejor SNR para la estimación del contenido de agua, anticipamos que la deshidratación activa (sudoración) debida a la actividad deportiva puede detectarse potencialmente con los sensores disponibles actualmente. Sin embargo, detectar la pérdida de agua debido a una simple ingesta fortuita requerirá más investigaciones importantes.

Para monitorear la hidratación de la piel humana y la pérdida de sudor corporal, realizamos un análisis avanzado de un estudio de usuarios que involucró a 19 sujetos humanos (hombres y mujeres, de 21 a 52 años) que participaron en 103 pruebas de carrera en interiores de una distancia total de 5 km. Se prepararon salas de pruebas especializadas con cintas de correr y condiciones ambientales controladas (rango de temperatura ambiente de 10 a 34 °C y rango de humedad relativa de 25 a 60%) para las pruebas de carrera en interiores. Se puede encontrar más información sobre las características de los sujetos y las condiciones ambientales en (ref.5). Se supuso que todos los sujetos tenían la capacidad de completar distancias de carrera en condiciones ambientales específicas (consentimiento preliminar). La admisión a las pruebas y el control de la condición individual de los sujetos durante las pruebas de carrera fueron supervisados por un médico calificado. Los datos se recopilaron de sujetos de ascendencia de Europa del Este en el Instituto de Problemas Biomédicos de Moscú, Federación de Rusia. El protocolo de recolección de datos fue revisado y aprobado por el Comité de Ética Biomédica del RF SRC—Instituto de Problemas Biomédicos de la Academia Rusa de Ciencias/Sección de Fisiología del Comité Ruso de Bioética Comisión Nacional de la Federación Rusa para la UNESCO (Protocolo No 541 del 11 de mayo de 2020). El comité declaró que el protocolo del estudio estaba alineado con la Declaración de Helsinki. Antes de los ensayos, todos los sujetos recibieron una explicación detallada de las pruebas clínicas y firmaron consentimientos informados. Los datos se mantuvieron anonimizados y se utilizaron únicamente para los fines de investigación previstos. De acuerdo con el protocolo, cada sujeto fue examinado por personal médico y se registraron una serie de parámetros antropométricos (incluida la altura) e información general como edad, sexo, historial médico, hábitos de ejercicio y medicación actual. Después de la evaluación inicial, se pidió a los sujetos que se pusieran el prototipo de dispositivo SmartWatch modificado en la muñeca izquierda y realizaran las siguientes acciones (Fig. 10): descansar (sentado) durante 20 minutos en una habitación con temperatura normal (aproximadamente 23 °C ); realizar el primer pesaje de cuerpos desnudos con una báscula precisa CAS‑HB‑150 (Corea del Sur); correr una distancia de 5 km con condiciones predefinidas. Durante las pruebas se registraron continuamente los siguientes indicadores: señales del acelerómetro, giroscopio y PPG para longitudes de onda de 535, 940, 970, 1450 nm muestreadas a 25 Hz.

Una serie de acciones de los panelistas durante la recopilación de datos incluyeron descanso, pesaje antes y después de las carreras de prueba mientras se eliminaba el sudor con una toalla.

Las señales PPG se registraron mediante un prototipo de hardware desarrollado de un novedoso sensor óptico PPG de múltiples longitudes de onda (535, 645, 970 y 1450 nm) que se había integrado en el Samsung Galaxy Watch Active 2 común. Los receptores se habían fabricado en forma cuadrada con 1,5 mm. lados, dos detectores de silicio reemplazados por otros de germanio. La distancia de separación LED-PD se eligió para dos configuraciones de 3,5 a 5,5 mm, dependiendo del par particular de LED y PD (Fig. 4b).

La evaluación de la precisión y las características de los sensores PPG se ha realizado utilizando un marco de simulación basado en óptica biomédica con simulaciones de Monte Carlo. Utilizamos una plataforma de simulación MC acelerada por GPU. Un diseño orientado a objetos, junto con la paralelización a través de CUDA (Arquitectura de dispositivo unificado de cómputo) de NVIDIA, permite que el modelo codifique interacciones entre fotones y tejidos y produzca resultados en tiempo real. Usamos una estación de trabajo con dos GPU GeForce RTX 2080 Ti (NVIDIA, EE. UU.) instaladas. Cada GPU proporciona 12 GB de RAM integrada y cuenta con 4352 núcleos CUDA. Para simular el transporte de luz y estudiar la formación de señales del sensor, utilizamos un modelo óptico de siete capas de piel humana con una capa de sudor tópica.

Se ha investigado la importancia de las características: Media, Mediana, Máx., Mín., Estándar, Var, Sesgo, Curtosis, IQR, Desviación abs mediana y Pendiente de tendencia. Las explicaciones aditivas de Shapley (SHAP) se han calculado para las 30 características más importantes y su importancia (Fig. 8). Para la transformación wavelet utilizamos la biblioteca ssqueezepy. Como función wavelet utilizamos la Wavelet Morse Generalizada. Entrenamos un modelo de clasificación binaria (LightGBM) con las dos ventanas: inicio de ejecución y final de ejecución. LightGBM ha sido entrenado con max_profundidad = 2 y tasa de aprendizaje = 0,01 utilizando validación cruzada de 4 pliegues.

Los espectros de reflectancia de la piel de cuatro voluntarios sanos, hombres y mujeres, se registraron en el rango de 450 a 1750 nm con una resolución de 1 nm con el espectrofotómetro Cary 5000 Varian (un modelo UV-Vis y NIR de alto rendimiento). En nuestras mediciones se ha utilizado doble haz y una geometría de medición de 0°/d con DRA (accesorio de reflectancia difusa) interno que incluye una esfera integradora de 110 mm de diámetro. Los voluntarios no usaron ningún producto cosmético en la zona de estudio (lado dorsal de la muñeca) durante al menos 24 h y se lavaron las manos 2 h antes de realizar las mediciones. Se obtuvo el consentimiento informado de todos los sujetos antes de participar en el estudio y los datos recopilados se codificaron adecuadamente y se procesaron posteriormente. Inicialmente, capturamos espectros de reflectancia de la piel seca y húmeda de la superficie dorsal de las muñecas de la mano izquierda. Los espectros de reflectancia se adquirieron repetidamente en la región medial de la superficie dorsal de la mano izquierda en 3 puntos en cada sitio ubicados a 2 cm uno del otro.

Se investigó el espesor de la piel en tres zonas de la superficie dorsal (región medial) de la muñeca de la mano izquierda (3 puntos en cada zona situados a una distancia de 5 a 7 mm entre sí). Se utilizó ultrasonido de alta frecuencia DUB SKINSCANNER (tpm taberna pro medicum, Alemania) con un sensor de agua lineal ultrasónico de alta frecuencia de 75 MHz (resolución de 21 micrones en la frecuencia central) como técnica de imagen. Se ha utilizado el método típico de sección de escanograma para obtener los valores de distancia exactos. Por ejemplo, los espesores dérmicos se obtuvieron dibujando líneas rectas perpendiculares desde la superficie de la piel hasta la unión dérmica-hipodérmica utilizando el software Dub Skinscanner Ver 5.1. A partir de estas mediciones se ha estimado el espesor medio de la piel por zona del cuerpo y por sujeto. El espesor del “eco entrante” se consideró sin tener en cuenta los artefactos (pelos, microburbujas de aire) en una región de piel lisa con manifestaciones mínimas de deformación, cuyo espesor corresponde principalmente a la capa corneal de la epidermis.

Los conjuntos de datos generados durante el estudio actual no están disponibles públicamente debido a las reglas de la empresa, pero están disponibles a través del autor correspondiente previa solicitud razonable y con el permiso de Samsung Electronics.

Fitzgerald, M. Runner's World El corredor de vanguardia: cómo utilizar la ciencia y la tecnología más recientes para correr más tiempo, más fuerte y más rápido (Rodale, Estados Unidos de América, 2005).

Samsung aborda un creciente mercado de salud móvil con el primer bioprocesador inteligente de la industria. Sala de prensa de Samsung. https://news.samsung.com/global/samsung-addresses-a-growing-mobile-health-market-with-industrys-first-smart-bio-processor (2015).

Samsung lidera la innovación en salud integral con Galaxy Watch5 y Galaxy Watch5 Pro. Sala de prensa de Samsung. https://news.samsung.com/global/samsung-leads-holistic-health-innovation-with-galaxy-watch5-and-galaxy-watch5-pro (2022).

Dunn, J. y col. Los sensores portátiles permiten predicciones personalizadas de mediciones de laboratorio clínico. Nat. Medicina. 27, 1105-1112 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Alavi, A. et al. Sistema de alerta en tiempo real para COVID-19 y otros eventos estresantes utilizando datos portátiles. Nat. Medicina. 28, 175–184 (2022).

Artículo CAS PubMed Google Scholar

Pavlov, K. y col. Solución de estimación de pérdida de sudor para Smartwatch. En 2022, Conferencia internacional IEEE-EMBS sobre redes de sensores corporales implantables y portátiles (BSN). https://doi.org/10.1109/BSN56160.2022.9928473 (2022).

[Editorial] Innovación, conectividad y colaboración allanan el camino para una comprensión más profunda de uno mismo con Samsung Wellness. Sala de prensa de Samsung. https://news.samsung.com/global/innovation-connectivity-collaboration-pave-the-way-for-a-deeper-understanding-of-yourself-with-samsung-wellness (2022).

Bayoumy, K. y col. Dispositivos portátiles inteligentes en el cuidado cardiovascular: dónde estamos y cómo avanzar. Nat. Rev. Cardiol. 18, 581–599 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Charlton, PH, Marozas, V. Dispositivos de fotopletismografía portátiles. En Fotopletismografía: tecnología, análisis de señales y aplicaciones (eds. Allen, J. & Kyriacou, P.) Cap. 12 (Prensa Académica, 2021).

Pereira, T. et al. Detección de fibrilación auricular basada en fotopletismografía: una revisión. Dígito NPJ. Medicina. 3, 3. https://doi.org/10.1038/s41746-019-0207-9 (2020).

Artículo PubMed PubMed Central Google Scholar

Pipek, LZ, Vidigal-Nascimento, RF, Pagliarelli-Acencio, M. & Teixeira, LR Comparación de los valores de SpO2 y frecuencia cardíaca en Apple Watch y dispositivos oxímetros comerciales convencionales en pacientes con enfermedad pulmonar. Ciencia. Rep. 11, 18901. https://doi.org/10.1038/s41598-021-98453-3 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Vulcan, RS, André, S. & Bruyneel, M. Fotopletismografía en el sueño normal y patológico. Sens. (Basilea) 21(9), 2928. https://doi.org/10.3390/s21092928 (2021).

Artículo ADS CAS Google Scholar

Bashar, SK y cols. Detección de fibrilación auricular a partir de señales de fotopletismografía de muñeca mediante relojes inteligentes. Ciencia. Rep. 9, 15054. https://doi.org/10.1038/s41598-019-49092-2 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Dall'Olio, L. et al. Predicción del envejecimiento vascular basada en señales PPG adquiridas en teléfonos inteligentes. Ciencia. Rep. 10, 19756. https://doi.org/10.1038/s41598-020-76816-6 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Convertino, VA y cols. Stand de posición ACSM: ejercicio y reposición de líquidos. Medicina. Ciencia. Ejercicio deportivo. 28(10), i-ix. https://doi.org/10.1097/00005768-199610000-00045 (1996).

Artículo CAS PubMed Google Scholar

Mclellan, TM y cols. Efectos de la deshidratación, hipohidratación e hiperhidratación sobre la tolerancia durante el estrés por calor incompensable. Poder. J. Aplica. Fisiol. 24(4), 349–361 (1999).

Artículo CAS PubMed Google Scholar

Sed. Instituto europeo de hidratación. https://www.europeanhydrationinstitute.org/human-hydration/thirst/ (2022).

Zonios, G., Bykowski, J. & Kollias, N. Las propiedades de dispersión de luz, hemoglobina y melanina de la piel se pueden evaluar cuantitativamente in vivo mediante espectroscopia de reflectancia difusa. J. Investigar. Dermatol. 117 (6), 1452-1457 (2001).

Artículo CAS PubMed Google Scholar

Jacques, SL Propiedades ópticas de los tejidos biológicos: Una revisión. Física. Medicina. Biol. 58, 5007–5008 (2013).

Artículo de Google Scholar

Meglinski, I., Doronin, A., Genina, EA, Bashkatov, AN y Tuchin, VV Modelado óptico basado en componentes dérmicos de la translucidez de la piel: impacto en el color de la piel. En Biofísica computacional de la piel (ed. Querleux, B.) Capítulo 2 (Pan Stanford Publishing Pte. Ltd, 2015).

Bykov, A., Doronin, A. y Meglinski, I. Propagación de la luz en medios de dispersión turbios similares a tejidos. En Imágenes profundas en tejidos y materiales biomédicos: uso de métodos ópticos lineales y no lineales (eds. Shi, L. & Alfano, RR) Capítulo 9 (Pan Stanford, 2017).

Meglinski, I. & Doronin, A. Modelado Monte Carlo de la migración de fotones para las necesidades de la óptica biomédica y la biofotónica. En Biofotónica avanzada: corte óptico de tejidos (ed. Tuchin, VV) Capítulo 1 (Taylor y Francis, 2014).

van de Hulst, H. Dispersión de la luz por partículas pequeñas (Dover, 1957).

Google Académico

Bohren, C. y Huffman, D. Absorción y dispersión de luz por partículas pequeñas (Wiley, 1983).

Google Académico

Furutsu, K. & Yamada, Y. Aproximación de difusión para un medio aleatorio disipativo y su aplicación. Física. Rev.E 50, 3634–3640 (1994).

Artículo ADS CAS Google Scholar

Patterson, M., Wilson, B. & Wyman, D. La propagación de la radiación óptica en el tejido I. Modelos de transporte de radiación y su aplicación. Láseres Med. Ciencia. 6, 155-167 (1991).

Artículo de Google Scholar

Ishimaru, A. Difusión de la luz en material turbio. Aplica. Optar. 28, 2210–2215 (1989).

Artículo ADS CAS PubMed Google Scholar

Durduran, T., Yodh, A., Chance, B. y Boas, D. ¿Depende el coeficiente de difusión de fotones de la absorción? J. Optar. Soc. Soy. 14, 3358–3365 (1997).

Artículo ADS CAS Google Scholar

Núñez, A. Un modelo físico de piel humana y su aplicación para búsqueda y rescate. En doctorado. tesis, Instituto de Tecnología de la Fuerza Aérea (2009).

Prahl, S. El método de sumar-duplicar. En Respuesta óptico-térmica del tejido irradiado con láser (eds. Welch, A. & van Gemert, M.) Ch.5 (Plenum Press, 1995).

Wilson-Brian, C. y Adam, G. Un modelo de Monte Carlo para la absorción y distribución del flujo de luz en los tejidos. Medicina. Física. 10(6), 824–830 (1983).

Artículo de Google Scholar

Doronin, A. & Meglinski, I. Herramienta computacional Monte Carlo orientada a objetos en línea para las necesidades de la biomédica. Biomédica. Optar. Expreso 2, 2461–2469 (2011).

Artículo PubMed PubMed Central Google Scholar

Doronin, A. & Meglinski, I. Simulación Monte Carlo de igual a igual de la migración de fotones en aplicaciones tópicas de óptica biomédica. J. Biomed. Optar. 17, 090504. https://doi.org/10.1117/1.jbo.17.9.090504 (2012).

ADS del artículo Google Scholar

Keijzer, M., Jacques, S., Prahl, S. y Welch, A. Distribuciones de luz en el tejido arterial: simulaciones de Monte Carlo para rayos láser de diámetro finito. Cirugía con Láser. Medicina. 9, 148-154 (1989).

Artículo CAS PubMed Google Scholar

Wang, L., Jacques, S. y Zheng, L. MCML: modelado Monte Carlo del transporte de luz en tejidos multicapa. Computadora. Métodos Programas Biomédicos. 47, 131-146 (1995).

Artículo CAS PubMed Google Scholar

Mohamad, M., Sabbri, ARM, Mat-Jafri, MZ y Omar, AF Correlación entre la espectroscopia del infrarrojo cercano y las técnicas eléctricas para medir el contenido de humedad de la piel. J. Física. Conf. Ser. 546, 012021. https://doi.org/10.1088/1742-6596/546/1/012021 (2014).

Artículo de Google Scholar

Cloud Monte Carlo para transporte ligero. http://www.lighttransport.net (2022).

Shibasaki, M. & Crandall, CG Mecanismos y controladores de la sudoración ecrina en humanos. Frente. Biosci. (Ed. Escolar) 2, 685–696 (2010).

PubMed Google Académico

Ke, G. y col. LightGBM: un árbol de decisión que impulsa el gradiente altamente eficiente. Adv. Neural. inf. Proceso. Sistema. 30, 3149–3157 (2017).

Google Académico

Lundberg, SM, Lee, K. & Su-In, K. Un enfoque unificado para interpretar las predicciones de los modelos. En Proc. Avances en sistemas de procesamiento de información neuronal (Curran Associates, Inc., 2017). https://proceedings.neurips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf

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

Olhede, SC y Walden, AT Wavelets morse generalizados. Traducción IEEE. Proceso de señal. 50(11), 2661–2670 (2002).

Artículo ADS MathSciNet MATH Google Scholar

Descargar referencias

Laboratorio de soluciones de sensores, Instituto de Investigación y Desarrollo de Samsung Rusia, 127018, Moscú, Rusia

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

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

Parque Jaehyuck, Namseok Chang, Wonseok Lee y Justin Younghyun Kim

Escuela de Ingeniería y Ciencias de la Computación, Universidad Victoria de Wellington, 6140, Wellington, Nueva Zelanda

Alejandro Doronin

También puedes buscar este autor en PubMed Google Scholar.

Todos los autores contribuyeron por igual.

Correspondencia a Elena Volkova.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Volkova, E., Perchik, A., Pavlov, K. et al. Fusión de sensores multiespectrales en SmartWatch para monitoreo continuo in situ de la hidratación de la piel humana y la pérdida de sudor corporal. Representante científico 13, 13371 (2023). https://doi.org/10.1038/s41598-023-40339-7

Descargar cita

Recibido: 19 de diciembre de 2022

Aceptado: 09 de agosto de 2023

Publicado: 17 de agosto de 2023

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

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.