Predição de pressão sanguínea através de sinais de fotopletismografia usando redes neurais MLP e LSTM

Autores

  • Gustavo dos Santos Cardoso UNICAMP
  • Mateus Gomes Lucas UFSC
  • Samuel dos Santos Cardoso UFSC

DOI:

https://doi.org/10.29384/rbfm.2021.v15.19849001637

Palavras-chave:

fotopletismografia, aprendizado de máquina, pressão arterial, LSTM

Resumo

A pressão arterial é um dos sinais vitais básicos dos seres humanos e sua aferição deve ser feita regularmente durante o dia por pessoas que possuam algum tipo de doença cardiovascular. Os métodos tradicionais de medição geralmente precisam realizar a oclusão de uma artéria, causando desconforto ao paciente. Isto impede o monitoramento contínuo de pressão e até mesmo desencoraja um monitoramento regular durante o dia. Tendo em vista tal problema, neste trabalho são apresentados e comparados dois algoritmos de aprendizado de máquinas que utilizam sinais de fotopletismografia (PPG) para estimar a pressão arterial sem a necessidade da oclusão da artéria. O primeiro algoritmo implementado foi uma reprodução do método proposto por Kurylyak et al., o qual serviu de referência para o desenvolvimento da rede LSTM (Long Short-Term Memory) proposta neste trabalho, a qual utilizou as características temporais do sinal de PPG como parâmetros de entrada. Para o treinamento dos algoritmos foi utilizada a base de dados MIMIC II (Multiparameter Intelligent Monitoring in Intensive Care). Para avaliação desses métodos foram feitas análises estatísticas dos resultados obtidos com relação aos valores de referência da pressão arterial, já definidos nas bases de dados. Os resultados obtidos indicam que a arquitetura baseada na rede LSTM utilizando características temporais do sinal de PPG como parâmetro de entrada podem produzir melhores resultados quando comparado com a rede MLP (Multi Layer Perceptron).

Downloads

Não há dados estatísticos.

Referências

1. Malachias MV, Plavnik FL, Machado CA, Malta D, Scala LC, Fuchs S. 7ª Diretriz Brasileira de Hipertensão Arterial: Capítulo 1-Conceituação, Epidemiologia e Prevenção Primária. Arquivos Brasileiros de Cardiologia. 2016 Sep;107(3):1-103.
2. Brasil. Ministério da Saúde. Cadernos de Atenção Básica – nº 15: Hipertensão Arterial Sistêmica. Brasil: 2006.
3. Hall JE. Guyton e Hall: Tratado de Fisiologia Médica. 13th ed Rio de Janeiro: Elsevier Editora Ltda. 2017:227-41.
4. Shioya K, Dohi T. Blood pressure measurement device based on the arterial tonometry method with micro triaxial force sensor. In2013 Transducers & Eurosensors XXVII: The 17th International Conference on Solid-State Sensors, Actuators and Microsystems (TRANSDUCERS & EUROSENSORS XXVII) 2013 Jun 16 (pp. 2389-2392). IEEE.
5. Kachuee M, Kiani MM, Mohammadzade H, Shabany M. Cuff-less high-accuracy calibration-free blood pressure estimation using pulse transit time. In2015 IEEE international symposium on circuits and systems (ISCAS) 2015 May 24 (pp. 1006-1009). IEEE.
6. Nabeel PM, Jayaraj J, Mohanasankar S. Single-source PPG-based local pulse wave velocity measurement: a potential cuffless blood pressure estimation technique. Physiological measurement. 2017 Nov 28;38(12):2122.
7. Kurylyak Y, Lamonaca F, Grimaldi D. A Neural Network-based method for continuous blood pressure estimation from a PPG signal. In2013 IEEE International instrumentation and measurement technology conference (I2MTC) 2013 May 6 (pp. 280-283). IEEE.
8. Xing X, Sun M. Optical blood pressure estimation with photoplethysmography and FFT-based neural networks. Biomedical optics express. 2016 Aug 1;7(8):3007-20.
9. Khalid SG, Zhang J, Chen F, Zheng D. Blood pressure estimation using photoplethysmography only: comparison between different machine learning approaches. Journal of healthcare engineering. 2018 Oct 23;2018.
10. Slapničar G, Mlakar N, Luštrek M. Blood pressure estimation from photoplethysmogram using a spectro-temporal deep neural network. Sensors. 2019 Jan;19(15):3420.
11. Association for the Advancement of Medical Instrumentation. American national standards for electronic or automated sphygmomanometers. ANSI/AAMI SP 10-1987. 1987.
12. Liu M, Po LM, Fu H. Cuffless blood pressure estimation based on photoplethysmography signal and its second derivative. International Journal of Computer Theory and Engineering. 2017 Jun 1;9(3):202.
13. Bersano N, Sanson H. Non-invasive blood pressure estimation from photoplethysmography signals using artificial neural networks. In2018 20th International Conference on Advanced Communication Technology (ICACT) 2018 Feb 11 (pp. 29-35). IEEE.
14. Kavsaoğlu AR, Polat K, Bozkurt MR. An innovative peak detection algorithm for photoplethysmography signals: an adaptive segmentation method. Turkish Journal of Electrical Engineering & Computer Sciences. 2016 Mar 23;24(3):1782-96.

Downloads

Publicado

2021-09-29

Como Citar

dos Santos Cardoso, G., Gomes Lucas, M., & dos Santos Cardoso, S. (2021). Predição de pressão sanguínea através de sinais de fotopletismografia usando redes neurais MLP e LSTM. Revista Brasileira De Física Médica, 15, 637. https://doi.org/10.29384/rbfm.2021.v15.19849001637

Edição

Seção

Artigo Original