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

فشارخون بالا مهم‌ترین عامل مرگ‌ومیر در جهان است. اندازه‌گیری پیوسته فشارخون در سالمندان و افراد با سابقه سکته قلبی، بیماری قلبی و عروقی و فشارخون بارداری بسیار ضروری است. در این پژوهش یک چارچوب یادگیری عمیق انتقالی برای تخمین فشارخون سیستولیک و دیاستولیک برمبنای یک سیگنال فوتوپلتیسموگرام ارائه‌شده است. چارچوب پیشنهادی شامل سه بخش اصلی است: 1) کاهش نرخ نمونه‌برداری با ضریب 4 با هدف کاهش پیچیدگی مدل، 2)طراحی یک مدل پیش آموزش شامل لایه‌های cnn و bi-lstm و 3) ایجاد مدل شخصی‌سازی شده برای هر فرد با استفاده از یادگیری انتقالی. آنالیز بلند آلتمن و هم‌بستگی برای مقایسه روش پیشنهادی با روش کاتتر شریانی (روش استاندارد طلایی برای اندازه‌گیری فشار خون) انجام شد. مدل پیشنهادی بر روی محدوده‌ی وسیعی از مقادیر فشارخون 100 بیمار از پایگاه داده mimic-iii ارزیابی شد. نتایج نشان می‌دهد خطا و ضریب هم‌بستگی پیرسون برای فشارخون فشارخون سیستولیک به‌ترتیب برابر با 0/14±7/38(انحراف معیار ± میانگین) میلی‌متر جیوه و 0/95برای فشارخون دیاستولیک برابر با 0/00±4/67میلی‌متر جیوه و 0/92است. روش پیشنهادی الزامات استاندارد aamiو درجه a استاندارد bhs را برآورده می کند. این پژوهش می تواند چشم انداز روشنی را برای مانیتورینگ بلند مدت فشارخون و پیشگری از رویداد های قلبی عروقی ترسیم نماید.