استفاده از شبکه ی UNet با نظارت عمیق برای تخمین فشار خون پیوسته از سیگنال فوتوپلتیسموگرافی

پایش فشار خون، یکی از مولفه های حیاتی برای حفظ سلامتی است. فشار خون بالا، به عنوان یک عامل خطر می تواند منجر به بروز حمله قلبی، سکته، نارسایی قلبی و کلیوی شود. همچنین، فشار خون پایین نیز می تواند خطرناک باشد و منجر به گیجی، ضعف، غش و اختلال در اکسیژن رسانی به اندام ها و آسیب به مغز و قلب گردد. از این رو پایش مداوم میزان فشار خون در افراد با ریسک بالا بسیار حائز اهمیت می باشد، به طوری که استفاده از دستگاه هولتر فشارخون به دلیل قابلیت ثبت طولانی مدت و ارزشمند اطلاعات فشارخون برای بسیاری از بیماران تجویز می شود. تلاش برای دستیابی به تکنیک های نرم افزاری و توسعه دستگاههای اندازه گیری فشارخون بدون کاف، با حفظ آسایش و راحتی بیمار، از مهم ترین چالش هایی است که ذهن پژوهشگران را به خود اختصاص داده است. در این پژوهش یک چهارچوب یادگیری عمیق بر مبنای شبکهUNet  یک­بعدی 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 ۹۴۲ بیمار تحت مراقبت ویژه، به میانگین خطای مطلق  ۸۸/۸ ، ۴۳/۴ و ۳۲/۳ و انحراف معیار ۰۱/۱۱، ۱۸/۶ و ۱۵/۴ میلی­متر 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

کلیدواژه ها:

Photoplethysmography signal ، Blood pressure estimation ، Non-invasive technique ، Artificial intelligence ، Deep learning ، Machine learning ، سیگنال فوتوپلتیسموگرافی ، تخمین فشار خون ، روش غیرتهاجمی ، هوش مصنوعی ، یادگیری عمیق ، یادگیری ماشین