استفاده از شبکه‌ی unet با نظارت عمیق برای تخمین فشار خون پیوسته از سیگنال فوتوپلتیسموگرافی

پایش فشار خون، یکی از مولفه‌های حیاتی برای حفظ سلامتی است. فشار خون بالا، به عنوان یک عامل خطر می‌تواند منجر به بروز حمله قلبی، سکته، نارسایی قلبی و کلیوی شود. همچنین، فشار خون پایین نیز می‌تواند خطرناک باشد و منجر به گیجی، ضعف، غش و اختلال در اکسیژن رسانی به اندام‌ها و آسیب به مغز و قلب گردد. از این رو پایش مداوم میزان فشار خون در افراد با ریسک بالا بسیار حائز اهمیت می‌باشد، به طوری که استفاده از دستگاه هولتر فشارخون به دلیل قابلیت ثبت طولانی مدت و ارزشمند اطلاعات فشارخون برای بسیاری از بیماران تجویز می‌شود. تلاش برای دستیابی به تکنیک‌های نرم افزاری و توسعه دستگاه‏های اندازه‌گیری فشارخون بدون کاف، با حفظ آسایش و راحتی بیمار، از مهم‌ترین چالش‌هایی است که ذهن پژوهشگران را به خود اختصاص داده است. در این پژوهش یک چهارچوب یادگیری عمیق بر مبنای شبکهunet  یک بعدی با نظارت عمیق جهت تخمین فشار خون پیوسته از روی سیگنال فوتوپلتیسموگرافی بدون استفاده از روش کالیبراسیون فردی ارائه شده است. مدل ارائه شده بر روی بانک داده uci برای 942 بیمار تحت مراقبت ویژه، به میانگین خطای مطلق  8.88 ، 4.43 و 3.32 و انحراف معیار 11.01، 6.18 و 4.15 میلی متر جیوه به ترتیب برای فشار خون سیستول ، دیاستول و فشار خون میانگین دست یافت. طبق استاندارد بین المللی bhs، روش پیشنهادی، درجه‏ی a برای فشار خون دیاستول و میانگین و نیز درجه‏یc  برای فشار خون سیستول را برآورده می‏کند. نتایج حاصل از این پژوهش حاکی از آن است که چهارچوب یادگیری عمیق پیشنهادی 

using deep supervised unet network for continuous estimation of blood pressure based on photoplethysmography signal

blood pressure monitoring is a vital component of maintaining overall health. high blood pressure values, as a risk factor, can lead to heart attacks, strokes, and heart and kidney failures. similarly, low blood pressure values can also be dangerous, causing dizziness, weakness, fainting, and impaired oxygen delivery to organs, resulting in brain and heart damage. consequently, continuous monitoring of blood pressure levels in high-risk individuals is very important. a holter blood pressure monitoring device is prescribed for many patients due to its ability to provide long-term and valuable blood pressure data. the pursuit of software techniques and the development of cuffless blood pressure measurement devices, while ensuring patient comfort and convenience, are among the significant challenges that researchers are focusing on. in this study, a deep learning framework based on the unet network is proposed for continuous blood pressure estimation from photoplethysmography signals. the proposed model was evaluated on the uci database, involving 942 patients under intensive care, and achieved mean absolute errors of 8.88, 4.43, and 3.32, with standard deviations of 11.01, 6.18, and 4.15, respectively, for systolic, diastolic, and mean arterial blood pressure values. according to the international bhs standard, the proposed method meets grade a criteria for diastolic and mean blood pressure estimations and grade c for systolic blood pressure estimation. the results of this study demonstrate that the suggested deep learning framework has the necessary potential for blood pressure estimation from ppg signals in real-world applications.