Fotopletismografi sinyal ile manşetsiz giyilebilir kan basıncı tahmin sistemi

Kan basıncındaki anormalliklerin erken tespiti, kronik kalp yetmezliği, kalp krizi ve felç gibi hastalık risklerini önemli ölçüde azaltmaya yardımcı olmaktadır. Mevcut klinik uygulamalarda, kan basıncı (KB) ölçümü tekniklerinin çoğu manşet tabanlı, invaziv, ya da birden fazla sensör içeren sistemlerden oluşmaktadır. Bu teknikler, hastalar için rahatsız edici olması ve sık kalibrasyon gerektirmesi nedeniyle pratik değildir. Bu çalışmada, sadece fotopletismografi (PPG) sinyal verileri ile KB'nin sürekli, manşetsiz, invaziv olmayan ve kalibrasyon gerektirmeyen tahmini amaçlanmıştır. PPG ve Aortik KB sinyalleri PhysioNet tarafından sağlanan ve erişime açık MIMIC-II veri setinden elde edilmiştir. Önceden eğitilmiş ResNet50, VGG16, DenseNet121, MobileNetV2 ve Xception modelleri kullanılarak PPG sinyallerinden ve türevlerinden derin öznitelikler çıkartıldı. Tüm derin özniteliklere özyinelemeli öznitelik eleme algoritması uygulandı ve azaltılmış seçili öznitelik seti elde edildi. Seçili derin öznitelikler klasik makine öğrenimi ve derin öğrenme algoritmaları ile kullanıldı ve KB tahmin modelleri elde edildi. Modellerin değerlendirilmesinde, istatistiksel metrikler ve görsel analitik araçlar kullanıldı. Ayrıca AAMI ve BHS protokolleri kullanılarak KB tahmin modelleri derecelendirilmiştir. Sonuçlar, DenseNet121 modeli ile elde edilen derin özniteliklerin diğer modellere göre daha yüksek bir performansa sahip olduğunu göstermiştir. Ayrıca, derin öğrenme algoritmalarının klasik makine öğrenimi yöntemlerine göre daha etkili bir performans ortaya koydukları sonucuna varılmıştır. Önerilen KB tahmin modellerinin MAE±STD hata değerleri SKB, DKB ve OKB için sırasıyla 5,63±8,83, 2,82±5,60, 4,39±5,95 olarak hesaplanmıştır. Sonuçlar, KB tahmin modellerinin BHS protokolüne göre A seviye olduğunu ve AAMI kriterini karşıladığını göstermektedir.