یک روش شخصی سازی شده برای تخمین فشار خون بدون کاف از یک سنسور PPG مبتنی بر یادگیری انتقالی عمیق

فشار خون بالا مهم‎ترین عامل مرگ و میر در جهان است. اندازه گیری پیوسته ی فشار خون در سالمندان و افراد با سابقه ی سکته ی قلبی، بیماری قلبی عروقی، بیماری کلیوی و فشار خون بارداری بسیار ضروری است. هولترهای فشار خون مبتنی بر کاف به عنوان مرسوم‎ترین روش اندازه‎گیری پیوسته ی فشار خون به دلیل استفاده از کاف بادی باعث ناراحتی شخص به خصوص در حین خواب می‎شوند. یک راه حل برای چنین مشکلاتی، اندازه‎گیری فشار خون به روش نوری با استفاده از سیگنال فوتوپلتیسموگرام است. در این پژوهش یک چارچوب یادگیری عمیق انتقالی برای تخمین فشار خون سیستولیک و دیاستولیک بر مبنای یک سیگنال فوتوپلتیسموگرام ارائه شده است. چارچوب پیشنهادی شامل سه بخش اصلی کاهش نرخ نمونه برداری با ضریب ۴ با هدف کاهش پیچیدگی مدل، طراحی یک مدل پیش آموزش شامل لایه های CNN و BiLSTM و ایجاد مدل شخصی سازی شده برای هر فرد با استفاده از یادگیری انتقالی است. آنالیز بلند آلتمن و همبستگی برای مقایسه ی روش پیشنهادی با روش کاتتر شریانی (روش استاندارد طلایی برای اندازه گیری فشار خون) انجام شده است. مدل پیشنهادی روی محدوده ی وسیعی از مقادیر فشار خون ۱۰۰ بیمار از پایگاه داده ی MIMIC-III ارزیابی شده است. نتایج نشان داده که خطا و ضریب همبستگی پیرسون برای فشار خون سیستولیک به ترتیب برابر با ۱۴/۰±۳۸/۷ (انحراف معیار±میانگین) میلی مترجیوه و ۹۵/۰ و برای فشار خون دیاستولیک برابر با ۰۰/۰±۶۷/۴ میلی مترجیوه و ۹۲/۰ است. روش پیشنهادی الزامات استاندارد AAMI، IEEE-۱۷۰۸a و درجه ی A استاندارد BHS را برآورده کرده است. این پژوهش می تواند چشم انداز روشنی برای مانیتورینگ بلندمدت فشار خون و پیش گیری از رویدادهای قلبی عروقی ترسیم نماید.

کلیدواژه ها:

حافظه ی طولانی کوتاه مدت دوجهته ، شخصی سازی ، شبکه ی عصبی کانولوشن ، فشار خون ، فوتوپلتیسموگرافی ، یادگیری انتقالی