A ballistocardiogram (BCG) is a versatile bio-signal that enables ambient remote monitoring of heart failure (HF) patients in a home setting, achieved through embedded sensors in the surrounding environment. Numerous methods of analysis are available for extracting physiological information using the BCG; however, most have been developed based on non-clinical subjects. While the difference between clinical and non-clinical populations are expected, quantification of the difference may serve as a useful tool. In this work, the differences in resting-state BCGs of the two cohorts in a sitting posture were quantified. An instrumented chair was used to collect the BCG from 29 healthy adults and 26 NYHA HF class I and II patients while seated without any stress test for five minutes. Five 20-second epochs per subject were used to calculate the waveform fluctuation metric at rest (WFMR). The WFMR was obtained in two steps. The ensemble average of the segmented BCG heartbeats within an epoch were calculated first. Mean square errors (MSE) between different ensemble average pairs were then retrieved. The MSEs were averaged to produce the WFMR. The comparison showed that the clinical cohort had higher fluctuation than the non-clinical population and had at least 82.2% separation, suggesting that greater errors may result when existing algorithms were used. The WFMR acts as a bridge that may enable important features, including the addition of error margins in parameter estimation and ways to devise a calibration strategy when resting-state BCG is unstable.

中文翻译：

---

静息状态心冲击图的静息量化临床和非临床人群之间的差异，用于心力衰竭的环境监测

心冲击图 (BCG) 是一种多功能生物信号，可通过周围环境中的嵌入式传感器实现在家中对心力衰竭 (HF) 患者进行环境远程监测。许多分析方法可用于使用 BCG 提取生理信息；然而，大多数是基于非临床主题开发的。虽然预期临床和非临床人群之间存在差异，但对差异进行量化可能是一种有用的工具。在这项工作中，量化了两个坐姿队列的静息状态 BCG 的差异。使用仪器椅从 29 名健康成人和 26 名 NYHA HF I 级和 II 级患者中收集 BCG，同时在没有任何压力测试的情况下坐下 5 分钟。每个受试者使用五个 20 秒的 epochs 来计算静止时的波形波动指标 (WFMR)。WFMR 分两步获得。首先计算一个时期内分段 BCG 心跳的整体平均值。然后检索不同整体平均对之间的均方误差 (MSE)。平均 MSE 以产生 WFMR。比较表明，临床队列比非临床人群具有更高的波动性，并且至少有 82.2% 的分离，这表明使用现有算法可能会导致更大的错误。WFMR 充当桥梁，可以启用重要功能，包括在参数估计中添加误差容限以及在静息状态 BCG 不稳定时设计校准策略的方法。首先计算一个时期内分段 BCG 心跳的整体平均值。然后检索不同整体平均对之间的均方误差 (MSE)。平均 MSE 以产生 WFMR。比较表明，临床队列比非临床人群具有更高的波动性，并且至少有 82.2% 的分离，这表明使用现有算法可能会导致更大的错误。WFMR 充当桥梁，可以启用重要功能，包括在参数估计中添加误差容限以及在静息状态 BCG 不稳定时设计校准策略的方法。首先计算一个时期内分段 BCG 心跳的整体平均值。然后检索不同整体平均对之间的均方误差 (MSE)。平均 MSE 以产生 WFMR。比较表明，临床队列比非临床人群具有更高的波动性，并且至少有 82.2% 的分离，这表明使用现有算法可能会导致更大的错误。WFMR 充当桥梁，可以启用重要功能，包括在参数估计中添加误差容限以及在静息状态 BCG 不稳定时设计校准策略的方法。平均 MSE 以产生 WFMR。比较表明，临床队列比非临床人群具有更高的波动性，并且至少有 82.2% 的分离，这表明使用现有算法可能会导致更大的错误。WFMR 充当桥梁，可以启用重要功能，包括在参数估计中添加误差容限以及在静息状态 BCG 不稳定时设计校准策略的方法。平均 MSE 以产生 WFMR。比较表明，临床队列比非临床人群具有更高的波动性，并且至少有 82.2% 的分离，这表明使用现有算法可能会导致更大的错误。WFMR 充当桥梁，可以启用重要功能，包括在参数估计中添加误差容限以及在静息状态 BCG 不稳定时设计校准策略的方法。