Артериальное давление (АД) давно признано возможным фактором риска сердечно-сосудистых заболеваний. Одним из наиболее полезных параметров для ранней диагностики, профилактики и лечения сердечно-сосудистых заболеваний является измерение артериального давления. В настоящее время измерение АД в основном основано на методах на основе манжеты, которые неудобны и неудобны для пользователей. Хотя некоторые из современных прототипов методов измерения АД без манжеты могут обеспечить приемлемую общую точность, они требуют электрокардиограммы (ЭКГ) и фотоплетизмографа (ФПГ), что делает их непригодными для настоящих носимых приложений. Таким образом, разработка единого алгоритма оценки АД без манжеты на основе ФПГ с достаточной точностью была бы полезна как с клинической, так и с практической точки зрения.

В этой статье мы реализуем подход глубокого обучения для достижения наших целей. Метод оценки артериального давления заключается в использовании датчика фотоплетизмографа (ФПГ), который измеряет кровоток через кожу, обнаруживая изменения в поглощении света. Этот метод является неинвазивным и может использоваться для оценки артериального давления с использованием одноканального сигнала PPG.

Набор данных:

Набор данных BloodPressureDataset на Kaggle содержит данные, собранные у пациентов с гипертонией. Набор данных включает в себя следующие функции:

Patient ID    :   a unique identifier for each patient
Gender        :   the gender of the patient (male or female)
Age           :   the age of the patient
SBP           :   the top number in a blood pressure reading, indicating the pressure in the arteries when the heart beats
DBP           :   the bottom number in a blood pressure reading, indicating the pressure in the arteries when the heart is at rest
Pulse rate    :   the number of times the heart beats per minute
PPG signal    :   a single channel photoplethysmograph signal collected from the patient's finger

Подготовка данных:

Мы будем использовать эти три функции (сигнал ДАД, САД и ФПГ) из набора данных в нашем эксперименте. Набор данных включает 500 образцов пациентов с частотой дискретизации 125 Гц, причем каждый образец содержит указанную выше информацию. Сигнал ppg должен быть передискретизирован, чтобы получить эпизоды сигнала, в нашем случае мы выберем 8 секунд для одного эпизода для набора данных из-за частоты 125 Гц, поэтому у нас будет 1000 (8 * 125) точек данных в одном эпизод.

Методология:

Предлагаемый алгоритм представляет собой процесс оценки кривых артериального давления (АД) по сигналам фотоплетизмографа (ФПГ). Алгоритм состоит из нескольких этапов:

  1. Извлечение сегмента PPG: мы извлекаем сегменты PPG длиной 8 секунд из исходного набора данных.
  2. Предварительная обработка: извлеченные сегменты PPG затем подвергаются минимальным операциям предварительной обработки, таким как фильтрация, для уменьшения неоднородностей и шумов, присутствующих в сигнале.
  3. Сеть аппроксимации: отфильтрованный сигнал затем проходит через сеть аппроксимации, которая представляет собой нейронную сеть 1D U-Net, которая аппроксимирует формы сигналов АД на основе входных сигналов PPG.
  4. Уточняющая сеть: предварительная грубая оценка АД, полученная из аппроксимационной сети, дополнительно уточняется с помощью уточняющей сети.
  5. Вычисление АД: Наконец, значения систолического артериального давления (САД), диастолического артериального давления (ДАД) и среднего артериального давления (САД) вычисляются простым способом с использованием предполагаемой формы волны АД.

В целом конвейер изображен на рисунке, он начинается с сигналов PPG, затем сегментирует их, предварительно обрабатывает, использует сети аппроксимации и уточнения для оценки ABP и, наконец, вычисляет значения SBP, DBP и MAP.

Выбор модели

После этапов предварительной обработки аппроксимирующая сеть представляет собой нейронную сеть, используемую в алгоритме для оценки формы волны артериального давления (АД) по предварительно обработанным сигналам фотоплетизмографа (ФПГ). Сеть представляет собой одномерную, тщательно контролируемую модель U-Net, которая является типом модели CNN, которая обычно используется для задач сегментации изображений. Мы адаптировали архитектуру U-Net для восстановления одномерных сигналов, что в первую очередь является задачей регрессии. Последний сверточный слой использует линейную функцию активации для получения выходных данных регрессии. Глубокий контроль — это метод, который используется в аппроксимационной сети для уменьшения общих ошибок путем управления процессом обучения скрытых слоев.

Выходные данные сети аппроксимации иногда отклоняются от цели, поэтому для уточнения выходных данных сети аппроксимации используется дополнительная сеть, называемая сетью уточнения. Уточняющая сеть — это одномерная модель MultiResUNet, которая является улучшенной версией модели U-Net. Модель MultiResUNet включает в себя блоки Multi-Residual или MultiRes и пути Residual или Res, которые включают компактную форму анализа с несколькими разрешениями и накладывают дополнительные сверточные операции вдоль коротких соединений, чтобы уменьшить несоответствие между картами признаков соответствующих уровней кодировщиков и декодеры.

Подобно сети аппроксимации, сеть уточнения включает одномерные версии операций свертки, объединения и повышения дискретизации, а последний сверточный слой использует линейную активацию. Однако эта модель не подвергается глубокому надзору.

Методика обучения

В этом исследовании мы использовали специальную методологию обучения для сетей аппроксимации и уточнения. Функция потерь, используемая для сети аппроксимации, представляет собой среднюю абсолютную ошибку (MAE), а для сети уточнения — среднеквадратичную ошибку (MSE). Для минимизации этих потерь используется оптимизатор Адама, который адаптивно вычисляет разные скорости обучения для отдельных параметров на основе оценок первого и второго моментов градиентов. Мы использовали параметры оптимизатора Adam по умолчанию, как указано в оригинальной статье. Модели обучались в течение 100 эпох с терпением 20, что означает, что если производительность модели не улучшается в течение 20 эпох, процесс обучения останавливается.

Мы использовали метод перекрестной проверки K-Fold, который представляет собой метод оценки производительности модели путем разделения данных на k-кратность, где k-1 кратность используется для обучения, а оставшаяся кратность используется для проверки. Этот процесс повторяется k раз, при этом каждый сгиб служит проверочным набором один раз. В этом исследовании мы использовали 10-кратную перекрестную проверку, что означает, что данные разделены на 10 частей, и каждая часть служит набором проверки один раз. Этот подход повторяется 10 раз с использованием различных разделений данных, и таким образом разрабатывается 10 моделей. Выбирается наиболее эффективная модель, которая затем оценивается по независимому тестовому набору.

Полученные результаты:

Пример представлен на рисунке ниже, который показывает, что выходные данные сети аппроксимации не так точны, как выходные данные сети уточнения. Было обнаружено, что средняя абсолютная ошибка построения этой кривой артериального давления составляет 4,604 ± 5,043 мм рт.ст. по всему набору тестовых данных. Кроме того, средняя абсолютная ошибка прогнозирования диастолического артериального давления, среднего артериального давления и систолического артериального давления составляет 3,449 ± 6,147 мм рт.ст., 2,310 ± 4,437 мм рт.ст. и 5,727 ± 9,162 мм рт.ст. соответственно.

Оценка:

Представлены результаты с точки зрения прогнозирования диастолического артериального давления (ДАД), среднего артериального давления (САД) и систолического артериального давления (САД) по сигналам фотоплетизмографа (ФПГ). Мы использовали график Бланда-Альтмана, чтобы показать, что ошибка прогнозирования ДАД, САД и САД для 90 % образцов находится между [15,063:-11,825], [10,357:- 9,095] и [19,366:-22,5308] мм рт.ст. соответственно.

Он показывает, что корреляция между прогнозами и истинными фактами очевидна на графиках регрессии для прогнозов ДАД, САД и САД. Значения коэффициента корреляции Пирсона (PCC) для прогнозов ДАД, САД и САД составляют 0,78, 0,88 и 0,87 соответственно, что указывает на хорошую положительную корреляцию.

Если вам нравится читать это, пожалуйста, поставьте лайк этой статье. Если вы хотите обсудить, как достичь этих результатов, свяжитесь со мной в LinkedIn: https://www.linkedin.com/in/lucky-verma/

Спасибо за прочтение!