Seismokardiografi: grisdataset för hypovolemi för signalkvalitetsindexering och validerade hjärt‑tidsstämplar

Lyssna på hjärtat utan att bryta hud

Föreställ dig att kontrollera hur väl ditt hjärta pumpar med något så enkelt som en liten plåsterliknande rörelsesensor på bröstet, istället för slangar och katetrar i artärerna. Det är löftet med seismokardiografi, en teknik som registrerar de små bröstvibrationer som varje hjärtslag orsakar. Denna artikel presenterar ett noggrant märkt dataset insamlat från grisar som utsattes för kontrollerad blodförlust, vilket ger forskare en tillförlitlig referens de behöver för att omvandla bröstvibrationer till robusta verktyg för tidig upptäckt av farliga volymsänkningar och hjärtproblem.

Varför hjärtvibrationer spelar roll

Hjärtsjukdomar är fortfarande en ledande dödsorsak, och många visar kritiska symtom första gången utanför sjukhuset. Kontinuerlig, lågkostnadsövervakning skulle kunna upptäcka problem tidigare, särskilt i ambulanser, landsbygdscliniker eller hemma. Seismokardiografi (SCG) registrerar det subtila skakandet i bröstkorgen med små accelerometrar och kan avslöja när hjärtklaffar öppnas och stängs, hur kraftfullt hjärtat pumpar och hur blodvolymen förändras. Tidigare studier antyder att dessa vibrationsbaserade mätningar kan uppskatta blodtryck, slagvolym och blodvolymsstatus mer känsligt än enkla vitala tecken som hjärtfrekvens eller genomsnittligt blodtryck. Men ett stort hinder har bromsat framsteg: forskare har saknat en stor, öppet tillgänglig uppsättning SCG‑signaler som noggrant kontrollerats och märkts av experter.

Den saknade pusselbiten: pålitliga referensdata

Befintliga publika databaser innehåller SCG tillsammans med andra signaler som elektrokardiogram (EKG), som mäter hjärtats elektriska aktivitet, och blodtrycksvågor. De flesta av dessa samlingar saknar dock tydliga markeringar av centrala hjärthändelser, såsom den exakta tidpunkten för aortaklaffens öppning (AO) eller stängning (AC), eller någon konsekvent bedömning av hur ren eller brusig varje hjärtslag är. Utan sådana etiketter är det svårt att träna eller testa datoralgoritmer som måste fungera tillförlitligt på verkliga signaler fulla av rörelse, tal och annan interferens. Författarna till denna studie satte därför uppgiften att täppa till detta gap genom att bygga ett noggrant annoterat dataset och verktygen för att skapa det, med fokus på ett krävande scenario: hypovolemi, den farliga förlusten eller omfördelningen av blodvolym som kan leda till chock.

En kontrollerad studie av blodförlust hos grisar

För att konstruera detta dataset använde teamet sex Yorkshire‑grisar vars hjärt‑ och bröstanatomi beter sig mycket likt människors. Medan djuren låg på rygg under anestesi förändrade forskarna gradvis blodvolymen på två sätt: genom att ta ut blod (absolut hypovolemi) och genom att använda läkemedel som vidgar blodkärlen (relativ hypovolemi), följt av återupplivning med djurens eget blod. Under dessa skeden registrerades kontinuerligt SCG från sensorer på bröstbenet och ryggen, EKG från standardelektroder och mycket noggrant blodtryck från en kateter placerad i aortaroten. De delade sedan upp inspelningarna i enskilda hjärtslag med hjälp av EKG som tidsguide och valde var femte slag för manuell inspektion, vilket gav 17 059 SCG‑slag som spänner över normala förhållanden, svår blodförlust och återhämtning.

Hur experter markerade varje hjärtslag

Forskarna skapade ett skräddarsytt grafiskt gränssnitt för att göra expertmärkning snabb och konsekvent. Varje SCG‑slag visas tillsammans med sitt matchande EKG‑slag och en värmekarta som visar hur närliggande slag utvecklas över tid. Tränade annotatörer — doktorander och postdoktorer specialiserade på kardiovaskulära signaler — klickade på fyra nyckellynkar på varje SCG‑slag: aortaklaffens öppning (AO), aortaklaffens stängning (AC), en dal precis efter AC (ACv) och mitralklaffens öppning (MO), som markerar när kammaren börjar fyllas igen. De bedömde också signalens kvalitet som "bra", "medel" eller "dålig" beroende på hur tydligt de viktiga dragen kunde ses. Varje slag märktes oberoende av två annotatörer, med en tredje som skiljedomare vid behov. Slutliga värden för varje tidsangivelse och kvalitetsbetyg fastställdes genom medianen av de tre besluten, vilket minskar påverkan av avvikande bedömningar och meningsskiljaktigheter.

Jämförelse med gulstandarden

För att säkerställa att markeringarna verkligen speglar vad hjärtat gjorde jämförde författarna expertmarkeringarna med tidpunkter extraherade från den invasiva aortakateterns tryckmätning, som direkt känner av tryckökningen och -fallet orsakad av hjärtats pumpning. Genom signalbehandlingssteg som filtrering, medelvärdesbildning och undersökning av tryckvågens krökning uppskattade de de sanna AO‑ och AC‑ögonblicken för varje valt slag. Därefter mätte de hur väl de mänskliga annotationerna överensstämde med dessa kateter‑baserade tidpunkter. Över alla grisar visade de annoterade AO‑händelserna mycket stark korrelation (r = 0,926) med katetermätningarna, och AC‑händelserna var likaledes korrekta (r = 0,911). Statistiska överensstämmelsemått, inklusive flera former av inter‑bedömar‑reliabilitetsmetoder, visade att annotatörerna generellt var konsekventa sinsemellan, särskilt för visuellt tydligare landmärken som AO och de stora dalarna i fyllnadsfasen.

Vad detta betyder för framtida hjärtövervakning

Ur ett allmänt perspektiv levererar detta arbete ett pålitligt "lexikon" som översätter bröstvibrationer till precisa hjärthändelser, validerat mot de mest exakta interna mätningarna som finns tillgängliga. Genom att öppet dela både råa vågformer och expertetiketter, tillsammans med annoteringsprogramvaran, erbjuder författarna en grund att bygga smartare algoritmer på för att upptäcka blodförlust, övervaka hjärtsvikt eller följa återhämtning efter operationer med bärbara sensorer. Enkelt uttryckt hjälper detta dataset till att överbrygga klyftan mellan lovande labbprototyper och robusta verktyg som en dag kan varna läkare, sjukvårdare eller till och med patienter själva när hjärtat har problem — långt innan det är för sent.

Citering: Cho, M.J., Yaldiz, C.O., Nawar, A. et al. Seismocardiography Pig Hypovolemia Dataset for Signal Quality Indexing and Validated Cardiac Timings. Sci Data 13, 423 (2026). https://doi.org/10.1038/s41597-026-06733-2

Nyckelord: seismokardiografi, hjärtövervakning, upptäckt av blodförlust, bärbara sensorer, annoterade biomedicinska dataset