نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 گروه الکترونیک، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی جندی شاپور دزفول، دزفول
2 استادیار، گروه الکترونیک، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی جندی شاپور دزفول
3 گروه الکترونیک، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی جندی شاپور دزفول
چکیده
فشارخون بالا مهمترین عامل مرگومیر در جهان است. اندازهگیری پیوسته فشارخون در سالمندان و افراد با سابقه سکته قلبی، بیماری قلبی عروقی، بیماری کلیوی و فشارخون بارداری بسیار ضروری است. هولترهای فشارخون مبتنی بر کاف به عنوان مرسومترین روش اندازهگیری پیوسته فشارخون، به دلیل استفاده از کاف بادی باعث ناراحتی شخص به خصوص در حین خواب میشوند. یک راه حل برای چنین مشکلاتی، اندازهگیری فشارخون به روش نوری با استفاده از سیگنال فوتوپلتیسموگرام است. در این پژوهش یک چارچوب یادگیری عمیق انتقالی برای تخمین فشارخون سیستولیک و دیاستولیک بر مبنای یک سیگنال فوتوپلتیسموگرام ارائه شده است. چارچوب پیشنهادی شامل سه بخش اصلی است: 1) کاهش نرخ نمونهبرداری با ضریب 4 با هدف کاهش پیچیدگی مدل، 2) طراحی یک مدل پیشآموزش شامل لایههای CNN و BiLSTM و 3) ایجاد مدل شخصیسازیشده 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 فشارخون) انجام شد. مدل پیشنهادی بر روی محدوده وسیعی از مقادیر فشارخون 100 بیمار از پایگاه داده MIMIC-III ارزیابی شد. نتایج نشان میدهد خطا و ضریب همبستگی پیرسون برای فشارخون سیستولیک به ترتیب برابر با 38/7±14/0 (انحراف معیار±میانگین) میلیمترجیوه و 95/0 و برای فشارخون دیاستولیک برابر با 67/4±00/0 میلیمترجیوه و 92/0 است. روش پیشنهادی الزامات استاندارد AAMI، IEEE-1708a و درجه A استاندارد BHS را برآورده میکند. این پژوهش میتواند چشمانداز روشنی را برای مانیتورینگ بلندمدت فشارخون و پیشگیری از رویدادهای قلبی عروقی ترسیم نماید.
کلیدواژهها
- حافظه طولانی کوتاه&lrm؛ مدت دوجهته (Bi-LSTM)
- شخصی&lrm؛ سازی
- شبکه عصبی کانولوشن (CNN)
- فشارخون
- فوتوپلتیسموگرافی
- یادگیری انتقالی
موضوعات
عنوان مقاله [English]
A Personalized Method for Cuff-less Blood Pressure Estimation from Single PPG Sensor Based on Deep Transfer Learning
نویسندگان [English]
- Marziyeh Ghanavaty 1
- Seyyedeh Fatemeh Molaeezadeh 2
- Mojtaba Navidi 3
1 Department of Electrical and Computer Engineering, Jundi-Shapur University of Technology
2 Assistant Professor, Department of Electrical and Computer Engineering, Jundi-Shapur University of Technology
3 Department of Electrical and Computer Engineering, Jundi-Shapur University of Technology
چکیده [English]
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.
کلیدواژهها [English]
- Bidirectional Long Short-Term Memory (Bi-LSTM)
- Personalizing
- Convolutional Neural Network (CNN)
- Blood Pressure
- Photoplethysmography
- Transfer Learning