Acquisizione di parametri vitali in dispositivi della linea

Mobile Care Systems (MoCaS)

Whitepaper

Indice 1. Introduzione.................................................................3 2. Architettura MoCaS.....................................................3 3. I sensori di MoCaS......................................................5

3.1 Attivit fisica, caduta e moto.................................................................................5 3.2 Frequenza cardiaca (Heart Rate, HR) e variabilit cardiaca (HRV).....................7 3.3 Temperatura..........................................................................................................9 3.4 Galvanic skin response (GSR)............................................................................10 4. Futuri sviluppi per i dispositivi MoCaS.......................................................................11 4.1 Localizzazione.....................................................................................................11 4.2 Centro di ascolto.................................................................................................11 Bibliografia......................................................................................................................13

1. Introduzione Con il termine Body Sensors Networks (BSN) si indicano reti di dispositivi wireless per lacquisizione e il monitoraggio di parametri vitali [1, 2]. In una tipica BSN, tutti i segnali inviati dai sensori vengono solitamente raccolti da un Personal Mobile Hub (PMH), ovvero un apparato in grado di elaborare i dati grezzi trasmessi dai sensori e inviarli a un centro di ascolto remoto secondo criteri definiti da uno specifico protocollo (allarmi, funzionalit di tipo holter, monitoraggio continuo, ecc...). Come emerge da questa descrizione, lapproccio tradizionale delle BSN basato su sensori stupidi che si limitano a raccogliere sequenze di dati, digitalizzarli e inviarli al PMH che si occupa di elaborarli e reindirizzarli opportunamente. Tutta lintelligenza, quindi, risiede nel PMH che pu essere implementato tramite un palmare, un telefono cellulare di nuova generazione o ununit di elaborazione progettata ad hoc. I dati raccolti tramite PMH vengono quindi inviati a un centro di ascolto. Larchitettura dei dispositivi della linea Mobile Care Systems (MoCaS) presenta vari elementi innovativi rispetto allo scenario implementativo sin qui descritto, soprattutto perch i sensori utilizzati sono sensori intelligenti, capaci di inviare al PMH non semplici valori grezzi, bens dati elaborati. Nel seguito del presente documento verranno descritte a grandi linee le funzionalit dei dispositivi della linea MoCaS 2. Architettura MoCaS Lelemento cardine di qualsiasi rete distribuita il protocollo di comunicazione; per quanto riguarda MoCaS, si scelto di sviluppare i dispositivi rendendoli compatibili con una tecnologia standard e ampiamente diffusa come il Bluetooth. Il sistema pu essere facilmente adattato ad altri protocolli wireless come Zigbee [3], che consentirebbe di ridurre i consumi di potenza. Tuttavia, la compatibilit Bluetooth garantisce unagevole interfacciamento con unampia scelta di PMH disponibili sul mercato (cellulari, PC, palmari, ecc...) a cui possibile inviare allarmi o sequenze di segnali fisiologici. Come emerge dallanalisi di figura 1, larchitettura del sistema si adatta facilmente a diversi contesti: Il PMH si limita a ricevere i dati via Bluetooth e ritrasmetterli tramite la rete di comunicazione disponibile (PSTN, GSM, IP,), senza svolgere alcuna postelaborazione. Questo consente di utilizzare come PMH dispositivi ampiamente disponibili e poco costosi (ad esempio, un cellulare), senza doverli modificare o dover installare applicativi particolarmente complessi. I dispositivi MoCaS sono multifunzione e a singolo punto di misura (attivit fisica e identificazione di caduta, frequenza cardiaca, temperatura, galvanic skin response, ecc) Lelaborazione dei dati, compresa la logica che porta alla generazione degli allarmi, viene effettuata direttamente all'interno del dispositivo di misura. 3

Il dispositivo un semplice braccialetto, agevole da indossare e poco ingombrante. In prospettiva, nella sua configurazione pi semplice, un dispositivo MoCaS pu essere integrato in un orologio.

Figura 1. Architettura dei dispositivi MoCaS

Esistono attualmente due principali configurazioni dei prodotti della linea MoCaS: MoCaLab: si tratta di un semplice sistema di monitoraggio in grado di fornire informazioni circa la frequenza cardiaca, lattivit fisica, la temperatura e la GSR. Ai segnali possibile associare dei tag generati tramite la pressione di tasti funzione. Questo tipo di prodotto, estremamente versatile e scalabile, pu essere utilizzato sia per misure sperimentali di laboratorio, sia per il monitoraggio di parametri vitali (ad esempio, monitoraggio di pazienti anziani o di soggetti coinvolti in attivit di fitness). MoCaWatch: si tratta di un sistema per lallarmistica in grado di inviare un allarme quando si verifica unemergenza, che pu essere rilevata incrociando le informazioni provenienti da diversi sensori (frequenza cardiaca, temperatura, attivit fisica, ecc...). Lallarme verr generato quando tali sensori rileveranno una situazione anomala (ad esempio, il paziente a riposo e la frequenza cardiaca alta, oppure la variabilit cardiaca presenta caratteristiche anomale, oppure vi uneccessiva differenza tra la temperatura epidermica e quella ambientale). Tali allarmi verranno inviati via Bluetooth al PMH. Questa soluzione consente di concentrare tutti gli elementi strategici del dispositivo in un singolo apparato e di scegliere il PMH desiderato tra tutti quelli compatibili con Bluetooth.

Nei prossimi capitoli esamineremo in maggior dettaglio le caratteristiche dei sensori che vengono utilizzati nella linea MoCaS 4

3. I sensori di MoCaS 3.1 Attivit fisica, caduta e moto Non sempre possibile definire modelli statistici o deterministici per rappresentare segnali generati da sistemi reali e, in particolare, da quelli fisiologici. Nella realt sperimentale vi sono processi (come il riconoscimento di forme o lanalisi dello stato di attivit fisica e stato posturale) che poco si prestano ad unelaborazione a soglia, ma sono pi adeguatamente descritti e controllati mediante lausilio della logica fuzzy. Gli insiemi rappresentati in figura 2 sono un tipico esempio di eventi e stati caratterizzati da transizioni sfumate, ben modellabili tramite la logica fuzzy.

Figura 2. Stati di attivit fisica.

Figura 3. Segnali accelerometrici sui tre assi cartesiani.

Per classificare i vari stati riportati in figura 2, necessario stabilire quali siano i segnali fisici che caratterizzano il moto e la postura (nel nostro caso, i dati acquisiti dallaccelerometro), e definire quindi le cosiddette features dei segnali, ovvero 5

caratteristiche quantificabili che consentano di distinguere i diversi stati uno dallaltro [4]. In questo contesto, gli oggetti che vogliamo esaminare sono i soggetti in movimento (attivit fisica) e le classi in cui vogliamo catalogarli sono stasi, movimento e caduta. Gli oggetti caratterizzati da features simili verranno raggruppati nella medesima classe. Lanalisi sperimentale ha evidenziato che unattivit fisica intensa genera features molto simili a quelle della classe caduta. Quindi, per distinguere tra queste due diverse situazioni si reso necessario introdurre un ulteriore algoritmo di tipo euristico. Lobiettivo principale dei dispositivi MoCaS comunque quello di individuare eventi anomali, ovvero riuscire a distinguere chiaramente gli eventi caduta. Il fatto che il sistema sia in grado di distinguere nettamente gli oggetti appartenenti alle altre classi (movimento, attivit fisica intensa e stasi) importante, ma non critico come lidentificazione certa della caduta. In ogni caso, al fine di individuare condizioni di allarme, tutte le informazioni legate allattivit fisica e posturale possono sempre essere incrociate con i dati provenienti dagli altri sensori (frequenza cardiaca, GSR, temperatura,). Per effettuare la classificazione e individuare le feature, i segnali accelerometrici acquisiti sui tre assi sono stati analizzati sia nel dominio del tempo che in quello della frequenza. Al termine di tale analisi, considerazioni fisiologiche ed euristiche hanno consentito di definire due feature: una (F1) collegata alla potenza spettrale di un ben definito intervallo di frequenza, laltra (F2) legata allampiezza complessiva del segnale. Entrambe le feature sono calcolate nellintervallo temporale che caratterizza un tipico evento caduta. Il valore di questo intervallo stato dedotto sia dallosservazione sperimentale che dalla letteratura scientifica sullargomento.

Figura 4. Features F1 (sinista) ed F2 (destra) calcolate sui tre assi, durante gli eventi caduta (rosso), movimento (verde) e stasi (giallo).

I dati accelerometrici sono stati acquisiti su un insieme di soggetti di sesso, et e caratteristiche fisiche diverse tra loro (longilinei, brevilinei, sovrappeso, magri, ecc...). Le varie condizioni di stato fisico prese in considerazione sono le seguenti: Stasi: seduto, sdraiato, o fermo in piedi. 6

Movimento: normale attivit fisica, passeggio per casa, movimento da seduto, alzarsi da una sedia, ecc... Caduta: laterale, frontale e allindietro.

Le feature acquisite in questi tre stati sono rappresentate in figura 4 e caratterizzano tre insiemi ben definiti e abbastanza ben distinti. Le feature ottenute nello stato di Intensa attivit fisica (ovvero corsa, salto, ecc...) risultano invece molto simili a quelle relative alla caduta: anche modificando la scelta delle feature, sarebbe estremamente complesso mantenere separati i due insiemi; questo risulta infatti, in genere, un limite dei dispositivi per lindividuazione delle cadute. Per limitare la possibilit che le due diverse condizioni vengano confuse, stato introdotto un algoritmo euristico nel tempo, in grado di distinguere caduta da attivit fisica intensa grazie a una macchina a stati. A partire dalla definizione di tali cluster di oggetti, viene applicato un algoritmo di fuzzy CMean [5]. In altri termini, si calcolano le feature per un segnale accelerometrico acquisito in tempo reale e si valuta la distanza dai centroidi dei cluster relativi alle varie classi. Tali distanze vengono quindi utilizzate per calcolare la membership, ovvero un parametro che stabilisce se il dato misurato si riferisce a un insieme o allaltro. Il parametro im rappresenta la membership delloggetto m rispetto alla classe i ed calcolato iterativamente come segue:

m=1,..,M; i=1,2, 3

(1)

dove d im la distanza di ogni punto nello spazio delle feature dal centro della classe i, ed M il numero dei campioni acquisiti. Al termine della classificazione fuzzy si applica un algoritmo euristico per verificare se la sequenza identificata relativa a una caduta o a unintensa attivit fisica. 3.2 Frequenza cardiaca (Heart Rate, HR) e variabilit cardiaca (HRV) La pulsazione del muscolo cardiaco legata alla variazione della polarit delle cellule che costituiscono il muscolo stesso. Landamento delle polarizzazioni e depolarizzazioni strettamente legato alla funzionalit del muscolo cardiaco e allo stato emotivo e di salute del soggetto [6, 7]. Linformazione relativa allattivit fisica assume pertanto una valenza molto pi rilevante se viene incrociata con una grandezza come la frequenza cardiaca (HR). Tra le varie tecnologie che consentono di stimare la frequenza cardiaca, la fotopletismografia (PPG) tra le pi affidabili [8, 9]. Si tratta di un esame non invasivo basato sulla stima del microcircolo mediante una valutazione qualitativa e quantitativa della circolazione sanguigna periferica. Il rilevatore costituito da una fotocellula e una sorgente luminosa: la fotocellula viene colpita da stimoli riflessi in rapporto al grado di vascolarizzazione del sistema esaminato. Il segnale risultante, opportunamente filtrato, pu essere utilizzato per valutare la frequenza cardiaca (HR) e le sue variazioni (Heart Rate Variance, HRV). 7

I dispositivi MoCaS consentono di acquisire londa pressoria e di ricavarne i valori di HR tramite metodo pletismografico. Lanalisi della PPG consente di determinare la distanza tra i picchi RR e quindi anche la frequenza cardiaca (HR). Alcuni tipici problemi legati alla stima di HR a partire dalla PPG sono legati a due fattori. I sensori di PPG sono estremamente sensibili al movimento; se i movimenti del soggetto fanno modificare la posizione del sensore, la misura pu essere affetta da derive e rumori molto rilevanti. In soggetti diversi, la pelle pu presentare comportamenti molto differenti dal punto di vista ottico: il medesimo segnale pu condurre a saturazione con un soggetto ed essere insufficiente con un altro.

Figura 5. HR misurata tramite metodo fotopletismografico.

I dispositivi MoCaS sono progettati per ovviare a questi inconvenienti: Linformazione sullattivit fisica consente di stabilire a priori laffidabilit di una misura effettuata. Per esempio, in caso di attivit fisica intensa, molto probabile che la misura sia inaffidabile. La HR pu essere stimata utilizzando un algoritmo in frequenza che fornisce una stima media molto stabile, in grado di fornire informazioni anche in alcuni casi in cui lalgoritmo che opera nel dominio del tempo non pu essere utilizzato. Il sistema in grado di valutare se avvengono fenomeni di saturazione, o se il segnale luminoso troppo poco intenso. In questi casi, la potenza di illuminazione pu essere variata automaticamente.

Questi accorgimenti consentono di determinare con una certa accuratezza se e quando la misura di HR affidabile; a partire quindi dalle misure affidabili ottenute possibile stabilire se sia il caso di inviare un allarme.

La formula tradizionalmente utilizzata per stabilire il massimo valore di HR dovuta a Tanaka [10]: HRmax = 220 0.7*(et in anni). (2)

A partire da questo valore si pu ricavare il parametro Intensity (I), che indica quanto unattivit fisica sia pesante per il soggetto che la sta praticando. La pi semplice formulazione di tale parametro la seguente: I = HR/HRmax (3)

Una formulazione pi articolata di I dovuta invece a Karvonen [11]: I = HR/(HRmax-HRrest) (4)

Dove HRrest indica il valore di HR in condizioni di riposo. La letteratura scientifica indica che, durante un esercizio fisico, unintensit dell85% o pi legata ad attivit di tipo anaerobico. Quando tale valore viene raggiunto in corrispondenza a una condizione di normale attivit fisica, pu essere un indicatore di stress psicologico o di qualche tipo di problema cardiaco. Tale valore di I, rapportato a un paziente anziano, potr quindi determinare la generazione di un allarme. I dispositivi MoCaS sono in grado di individuare tali situazioni anomale. Ulteriori indicazioni sulla salute del soggetto possono essere dedotte dallanalisi della HRV: esiste infatti unampia letteratura scientifica che indica come la variabilit della frequenza cardiaca e la funzionalit cardiaca siano strettamente correlati. Lanalisi della HRV pu essere effettuata a partire dai dati raccolti dai dispositivi MoCaS tramite varie tecniche di elaborazione (statistiche, caotiche, analisi della potenza spettrale,). 3.3 Temperatura Come tutti i mammiferi, gli esseri umani hanno un sistema di controllo termico che permette un adattamento a condizioni ambientali molto variabili. Il nostro organismo in grado di misurare il flusso termico in ingresso e quello in uscita e di attivare delle regolazioni affinch la temperatura corporea rimanga sempre mediamente attorno ai 37 C. La temperatura cutanea pu invece variare molto di pi al mutare delle condizioni ambientali. La pelle funziona infatti come scambiatore di calore con lesterno. Si hanno quindi rilevanti differenze fra la temperatura corporea interna (praticamente costante) e quella cutanea che varia in funzione della temperatura ambientale e della posizione corporea. Il valore medio della temperatura epidermica in condizioni normali si aggira sui 33C. In ambienti caldi o per attivit intense il meccanismo di regolazione adottato in primo luogo la dilatazione dei vasi sanguigni dellepidermide con conseguente aumento del flusso di calore verso la pelle e aumento del calore superficiale. Nel caso la vasodilatazione sia insufficiente, si attiva la produzione di sudore che evaporando causa una ulteriore dissipazione di calore. In ambienti freddi invece lorganismo economizza il calore riducendo lafflusso di sangue 9

verso la cute attraverso la vasocostrizione e quindi riducendo il calore disperso per convezione e irraggiamento. Nel caso la vasocostrizione risultasse insufficiente sopraggiungono i brividi che incrementano il metabolismo muscolare e quindi la produzione di calore. Oltre un dato limite queste regolazioni automatiche del nostro organismo non sono pi sufficienti e allora si hanno sensazioni di malessere. Superando questi limiti, possono sopraggiungere gravi disturbi fino alla morte (mediamente sotto i 35 C e sopra i 40 C di temperatura corporea profonda). La temperatura corporea, pertanto, un parametro indicativo di vari tipi di anomalie e situazioni patologiche: unanomala temperatura corporea pu essere determinato da vari fattori, quali la disidratazione, stati infiammatori, stress psicologico. Una misura affidabile della temperatura corporea (intesa come temperatura interna del corpo) richiede che il sensore sia posto in posizioni opportune (orecchio, retto, ascella). Tuttavia, anche la misura della temperatura superficiale della pelle e delle sue variazioni anche minime nel tempo pu offrire alcune utili informazioni, soprattutto se viene correlata a una misura della temperatura esterna. I dispositivi della linea MoCaS misurano sia la temperatura corporea che quella esterna. Lanalisi comparata di tali due valori pu fornire segnali macroscopici di problemi di tipo fisiologico o psicologico [12]. Tali misure assumono una rilevanza ancor maggiore, in quanto possono essere incrociate con gli altri parametri fisiologici acquisiti dal dispositivo. 3.4 Galvanic skin response (GSR) Gli apparati della linea MoCaS possono acquisire la risposta elettro-dermica (galvanic skin response, GSR) tramite due sensori da applicare alla pelle. La conducibilit epidermica pu cambiare nel tempo per varie ragioni, ad esempio a causa di stress mentale, fisico o emotivo. La GSR quindi un buon indicatore dello stato di ansiet, e pu essere agevolmente acquisito con una semplice misura effettuata a una frequenza di campionamento relativamente bassa [13]. La conducibilit epidermica viene misurata applicando una tensione costante a due elettrodi. Le variazioni in conducibilit determinano variazioni della corrente che fluisce tra i due elettrodi. La tensione di 0.5V considerata in letteratura come un valore standard di riferimento per effettuare tale misura; tuttavia, lobiettivo non tanto ricavare il valore assoluto della conducibilit dermica, quanto le sue variazioni. Pertanto, laccuratezza del valore assoluto del resistore e la tensione di riferimento non sono elementi critici, quanto la corretta acquisizione delle variazioni di corrente determinate dalle variazioni di conducibilit dermica. La conducibilit epidermica viene misurata in Siemens o mho. Dato che i valori sono estremamente piccoli, si utilizzano solitamente i micro-siemens o ( S) or micro-mho ( mho, 1 S = 1 mho). Il segnale della GSR caratterizzato da due componenti distinte in due diversi intervalli di frequenza: la GSR tonica e quella fasica. La componente tonica legata a fenomeni che variano lentamente nel tempo e allo stato generale di vigilanza e attenzione (arousal). Tale componente indicata come skin conductance level (SCL). La componente fasica, invece, legata a variazioni impulsive, di breve periodo, determinate da reazioni a stimoli istantanei. Tali stimoli possono determinare variazioni transitorie, di breve durata. Questa 10

componente viene detta skin conductance response (SCR). I dispositivi della linea MoCaLab forniscono in output un segnale GSR grezzo che pu essere gestito da un opportuno software di post-processing per estrarre le due componenti caratteristiche. MoCaWatch pu utilizzare (opzionalmente) la GSR per individuare cambiamenti nello stato emotivo del soggetto monitorato.

4. Futuri sviluppi per i dispositivi MoCaS Come descritto nei precedenti capitoli, i dispositivi MoCaS sono stati sviluppati come elementi di un sistema aperto, in cui i singoli elementi rispondono a protocolli standard di comunicazione. Questa architettura consente di estendere agevolmente le funzionalit del sistema e di integrare i dispositivi in un contesto aperto. La localizzazione del soggetto e la gestione di allarmi tramite centro di ascolto sono due funzionalit che sono state prese in considerazione durante la progettazione dei prodotti MoCaS e sono previste come futuri sviluppi. 4.1 Localizzazione La comunicazione wireless Bluetooth (probabilmente, in futuro, anche Zigbee) consente di utilizzare come PMH un comune telefono cellulare. Tuttavia, i telefoni cellulari di nuova generazione, consentono in genere di implementare agevolmente funzionalit di localizzazione, sia tramite antenne GPS integrate, sia con una semplice stima della potenza erogata dalle celle GSM. Tali funzionalit possono essere implementate in vario modo: ad esempio, utilizzando il servizio My Location di Google Maps for mobile. My Location in grado di utilizzare lidentificativo inviato dalle celle GSM per fornire una localizzazione approssimata del dispositivo mobile, consentendo di sviluppare un servizio di localizzazione anche su dispositivi non dotati di antenne GPS [14]. Questa funzionalit ha una precisione ridotta rispetto a quella tradizionale basata su GPS (circa 50 metri o pi contro i 10 o meno del GPS), tuttavia ha il vantaggio di coprire anche ambienti senza copertura satellitare, come dentro a un edificio o tra i vicoli di una citt. Il servizio di localizzazione pu quindi essere utilizzato per integrare i dati posizionali con gli allarmi che MoCaWatch pu generare quando determinate soglie vengono superate dai parametri vitali. Quindi, ad esempio, quando lattivit fisica (caduta), la frequenza cardiaca (intensity) o la temperatura indicano che si sta verificando una situazione anomala, la segnalazione dallarme sar corredata da informazioni utili per la localizzazione del soggetto, rendendo pi efficace lintervento di emergenza.

4.2 Centro di ascolto Gli allarmi generati dai dispositivi MoCaS possono essere gestiti da remoto tramite vari tipi di protocolli operativi: ad esempio, tramite un centro di ascolto che comunica con la struttura di emergenza di un ospedale, oppure da una rete di medici, o addirittura da parenti o amici che ricevono la segnalazione di un problema in corso. In tutti questi casi, i 11

dispositivi MoCaS sono indipendenti dal gateway utilizzato (il PMH) e possono essere facilmente integrati con diversi tipi di centri di ascolto. Fondamentalmente, larchitettura di un centro di ascolto costituita da tre elementi:

Una base dati contenente informazioni anagrafiche; nel nostro caso si tratter di un

database medicale, in cui le informazioni relative alla salute del paziente possono essere raggiunte e analizzate tramite web, in accordo con tutte le condizioni imposte dalle regole per la privacy dei dati sensibili. Uninfrastruttura per la comunicazione che consenta di: Ricevere chiamate di emergenza o semplicemente sequenze di dati o allarmi dai dispositivi MoCaS Contattare lutente per una chiamata di controllo o di emergenza. La rete di dispositivi MoCaS distribuiti agli utenti sul territorio; gli utenti possono essere singoli o multipli, come nel caso di una casa di riposo.

Figure 6. Gestione di una coda di assistiti tramite N operatori e un sistema IVR (Interactive Voice Response)

Il centro di ascolto deve essere in grado di effettuare le seguenti operazioni. Effettuare e ricevere chiamate per controlli di routine. Effettuare chiamate uscenti per emergenze determinate da allarmi generati da dispositivi MoCaS), oppure ricevere chiamate di emergenza dagli utenti. Accedere alla base dati per esaminare lanagrafica relativa agli utenti che si stanno contattando. Consentire unagevole interazione tra gli utenti assistiti e gli operatori. Ricevere e analizzare i dati dei monitoraggi e degli allarmi generati dai dispositivi MoCaS 12

Questo tipo di centro di ascolto pu essere sviluppato a partire da uninfrastruttura standard (ad esempio, basata su SIP), integrata con una base dati medicale. Un esempio di gestione di una coda di utenti effettuata da N operatori mostrato in figura 6. Unarchitettura di questo tipo pu essere agevolmente adattata alle esigenze di diverse tipologie di centri di ascolto che si occupano della gestione degli utenti remoti (ospedali, assicurazioni, reti di centri di assistenza per anziani, ecc). Bibliografia 1. P.L. Lo, S. Thiemjarus, R. King, G. Z. Yang. Body sensor network a wireless sensor platform for pervasive healthcare monitoring, 3rd International Conference on Pervasive Computing, Munich Germany, 2005 2. 3. 4. 5. 6. M. Yacoub, G. Z. Yang. Body Sensors Networks, Springler, March 2006 P. Wotton. Providing reliable sensing and control using ZigBee wireless networks, RF Design Magazine, June 2006 Windham, M P. Cluster Validity for Fuzzy Clustering Algorithms. In: Fuzzy Sets and Systems, vol. 5, pp. 177-185, 1981. Bezdek, J C 1992. Fuzzy Models for Pattern Recognition. IEEE Press, New York, USA. Penaz, J, J Roukenz, H J Van der Waal. Spectral analysis of some spontaneous rhythm in the circulation. Biokybernetik, ed. H.Drischel, N. Tiedt (Leipzig, Karl Marx Univ.), 233-241, 1968. Porta, A, S Guzzetti, N Montano, R Furlan, M Pagani, A Malliani, S Cerutti. Entropy, entropy rate and pattern classification as tools to typify complexity in short heart period variability series. IEEE Trans Biomed Eng, 48(11):1282-91, 2001 Foo JYA, Wilson SJ, Williams G, Harris M, Cooper D. Motion artefact reduction of the photoplethysmographic signal in pulse transit time measurement. Aust Phys Eng Sci Med 27:165173, 2004. Lindberg L-G, Ugnell H, Oberg PA. Monitoring of respiratory and heart rates using a fibre-optic sensor. Med Biol Eng Comput 30:533537, 1992. Tanaka H, Monahan KD, Seals DR. Age-predicted maximal heart rate revisited. J Am Coll Cardiol;37:153-157, 2001 Karvonen MJ, Kentala E, Mustala O. The effects of training on heart rate; a longitudinal study. Ann Med Exp Biol Fenn. 35(3):307315, 1957. B. Mittelmann. Emotions And Skin Temperature. Observations On Patients During Psychotherapeutic (Psychoanalytic) Interviews. Psychosomatic Medicine, 5:211231, 1943.

7.

8.

9. 10. 11. 12.

13

13. 14.

R. W. Picard and J. Scheirer. (August 2001) The Galvactivator: A glove that senses and communicates skin conductivity, MIT Media Laboratory Google Maps per mobile, http://www.google.com/gmm/index.html

14