یک روش شخصی ‌سازی شده برای تخمین فشار خون بدون کاف از یک سنسور ppg مبتنی بر یادگیری انتقالی عمیق

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 0.14±7.38 (انحراف معیار±میانگین) میلی‌مترجیوه و 0.95 و برای فشار خون دیاستولیک برابر با 0.00±4.67 میلی‌مترجیوه و 0.92 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.

a personalized method for cuff-less blood pressure estimation from single ppg sensor based on deep transfer learning

hypertension is the leading cause of death worldwide. continuous blood pressure (bp) measurement is crucial for the elderly and people with myocardial infarction, cardiovascular disease, kidney disease and gestational hypertension. cuff-based blood pressure holters are the most common method for continuous blood pressure measurement, but due to the use of an inflatable cuff, they often cause discomfort, particularly during sleep. a solution to such problems is the optical measurement of blood pressure using the photoplethysmogram (ppg) signal. this paper introduces a transfer deep learning framework for estimating systolic bp (sbp) and diastolic bp (dbp) using a single ppg signal. the proposed framework consists of three main parts: 1) downsampling by a factor of 4 aimed at reducing model complexity, 2) designing a pre-trained model including cnn and bilstm layers, and 3) personalizing the pre-trained model for each patient through transfer learning. we carry out bland-altman and correlation analysis to compare our method to the invasive arterial catheter (the gold-standard bp measurement method). our model was validated on a wide range of bp signals acquired from 100 patients in mimic-iii database. results showed that the error and pearson correlation coefficient of our model are 0.14±7.38 mmhg (mean±standard deviation) and 0.95 for sbp, and 0.00±4.67 mmhg and 0.92 for dbp. the proposed method satisfies the requirements the aami and ieee-1708a standard and receives a grade a according to the bhs standard. this research has shed light on long-term bp monitoring and the prevention of cardiovascular events.