تولید سیگنال فوتوپلتیسموگرام (PPG) مصنوعی با استفاده از مدل سازنده مبتنی بر برنامه نویسی ژنتیک

امروزه تحولات فناوری اطلاعات و ارتباطات در حوزه سلامت، به ویژه در نظارت بر فعالیت های قلبی، به افزایش استفاده از تکنولوژی فوتوپلتیسموگرام (PPG: Photoplethysmogram) در دستگاه های هوشمند و تلفن های همراه منجر شده است. توسعه مدل های سازنده به جهت تولید سیگنال های مصنوعی PPG نیازمند حل چالش هایی مانند کمبود تنوع و محدودیت داده ها در آموزش مدل های یادگیری عمیق است. این مقاله، یک رویکرد مبتنی بر برنامه نویسی ژنتیک (GP: Genetic Programming) را به کار می گیرد تا مدل سازنده ای را ارائه دهد که با کمک یک نمونه اولیه از سیگنال PPG، قادر به تولید داده هایی با تنوع بیشتر و دقت افزوده شده باشد. برخلاف رگرسیون معمول، در برنامه نویسی ژنتیک ساختار و ترکیبات مدل ریاضی به صورت خودکار تعیین می گردد. رویکرد پیشنهادی، با داشتن اندازه خطای میانگین (MSE: Mean Squared Error) برابر با ۰.۰۰۰۱، ریشه میانگین مربعات خطا (RMSE: Root Mean Squared Error) به اندازه ۰.۰۱ و همبستگی ۰.۹۹۹ نشان می دهد که به دلیل بهینگی مناسب و دقت قابل قبول در تولید داده های PPG مصنوعی، نسبت به دیگر روش ها برتری دارد و ازنظر کارایی و قابلیت اجرا در محیط های با منابع محدود نیز موثر عمل می کند.

کلیدواژه ها:

فوتوپلتیسموگرام ، مدل سازنده ، برنامه نویسی ژنتیک ، مقیاس پذیری ، مدل ریاضی