یک روش شخصی‌سازی شده برای تخمین فشار خون بدون کاف از یک سنسور PPG مبتنی بر یادگیری انتقالی عمیق

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه الکترونیک، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه صنعتی جندی شاپور، دزفول، ایران

2 دانشجوی کارشناسی ارشد، گروه الکترونیک، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه صنعتی جندی شاپور، دزفول، ایران

3 استادیار، گروه الکترونیک، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه صنعتی جندی شاپور، دزفول، ایران

doi
10.22041/ijbme.2024.2015090.1869
چکیده

فشار خون بالا مهم‎ترین عامل مرگ و میر در جهان است. اندازه‌گیری پیوسته‌ی فشار خون در سالمندان و افراد با سابقه‌ی سکته‌ی قلبی، بیماری قلبی عروقی، بیماری کلیوی و فشار خون بارداری بسیار ضروری است. هولترهای فشار خون مبتنی بر کاف به عنوان مرسوم‎ترین روش اندازه‎گیری پیوسته‌ی فشار خون به دلیل استفاده از کاف بادی باعث ناراحتی شخص به خصوص در حین خواب می‎شوند. یک راه حل برای چنین مشکلاتی، اندازه‎گیری فشار خون به روش نوری با استفاده از سیگنال فوتوپلتیسموگرام است. در این پژوهش یک چارچوب یادگیری عمیق انتقالی برای تخمین فشار خون سیستولیک و دیاستولیک بر مبنای یک سیگنال فوتوپلتیسموگرام ارائه شده است. چارچوب پیشنهادی شامل سه بخش اصلی کاهش نرخ نمونه‌برداری با ضریب 4 با هدف کاهش پیچیدگی مدل، طراحی یک مدل پیش‌آموزش شامل لایه‌های CNN و BiLSTM و ایجاد مدل شخصی‌سازی شده برای هر فرد با استفاده از یادگیری انتقالی است. آنالیز بلند آلتمن و همبستگی برای مقایسه‌ی روش پیشنهادی با روش کاتتر شریانی (روش استاندارد طلایی برای اندازه‌گیری فشار خون) انجام شده است. مدل پیشنهادی روی محدوده‌ی وسیعی از مقادیر فشار خون 100 بیمار از پایگاه داده‌ی MIMIC-III ارزیابی شده است. نتایج نشان داده که خطا و ضریب همبستگی پیرسون برای فشار خون سیستولیک به ترتیب برابر با 14/0±38/7 (انحراف معیار±میانگین) میلی‌مترجیوه و 95/0 و برای فشار خون دیاستولیک برابر با 00/0±67/4 میلی‌مترجیوه و 92/0 است. روش پیشنهادی الزامات استاندارد AAMI، IEEE-1708a و درجه‌ی A استاندارد BHS را برآورده کرده است. این پژوهش می‌تواند چشم‌انداز روشنی برای مانیتورینگ بلندمدت فشار خون و پیش‌گیری از رویدادهای قلبی عروقی ترسیم نماید.