Profundo

Scientific Reports volumen 13, Número de artículo: 9311 (2023) Citar este artículo

67 Accesos

1 Altmetric

Detalles de métricas

Recientemente, varios estudios han propuesto métodos para medir la presión arterial (PA) sin manguito utilizando señales de fotopletismograma (PPG) del dedo. Este estudio presenta un nuevo sistema de estimación de la PA que mide las señales de PPG bajo una presión progresiva de los dedos, lo que hace que el sistema sea relativamente resistente a los errores causados por la posición de los dedos cuando se usa el método oscilométrico sin manguito. Para reducir los errores causados por la posición de los dedos, desarrollamos un sensor que puede medir simultáneamente PPG multicanal y señales de fuerza en un amplio campo de visión (FOV). Proponemos un algoritmo basado en aprendizaje profundo que puede aprender a enfocarse en el canal PPG óptimo de PPG multicanal utilizando un mecanismo de atención. Los errores (ME ± STD) del sistema multicanal propuesto fueron 0,43 ± 9,35 mmHg y 0,21 ± 7,72 mmHg para PAS y PAD, respectivamente. A través de extensos experimentos, encontramos una diferencia de rendimiento significativa según la ubicación de la medición de PPG en el sistema de estimación de BP usando la presión del dedo.

El método de medición de la presión arterial (PA) más preciso implica un catéter médico1, en el que la PA se mide directamente insertando un catéter en una arteria. Este método es adecuado para la observación a largo plazo de los cambios de PA en pacientes ingresados en la unidad de cuidados intensivos (UCI). Sin embargo, existe un riesgo de infección debido a su naturaleza invasiva2. Los métodos de medición de la PA no invasivos incluyen métodos con manguito3 y sin manguito. Los métodos de medición de la PA basados en manguitos utilizan un dispositivo de esfigmomanómetro electrónico y son ampliamente aceptados como el estándar de oro porque pueden lograr una precisión relativamente alta. Además, los usuarios pueden medir fácilmente la PA en casa sin la ayuda del personal médico4. Sin embargo, existen desventajas en el sentido de que el usuario se siente incómodo debido a la presión aplicada. Además, un dispositivo de esfigmomanómetro electrónico no es fácil de transportar.

Recientemente, varios estudios han propuesto métodos de medición de la PA sin manguito5,6, en los que la PA se predice utilizando varias señales biomédicas, como el fotopletismograma (PPG) y el electrocardiograma (ECG). El tiempo de tránsito del pulso (PTT) o el tiempo de llegada del pulso (PAT) se pueden calcular usando señales PPG y ECG medidas simultáneamente5. Se calculan utilizando la diferencia de tiempo entre los picos de las dos señales medidas por el sensor en dos puntos diferentes de la arteria. Aunque varios estudios han utilizado la correlación entre PTT o PAT y BP6,7 para la predicción de BP, no son adecuados para dispositivos móviles como teléfonos inteligentes o relojes inteligentes porque requieren dos sensores en diferentes ubicaciones para medir las señales de PPG y ECG. Un método para superar esta desventaja es predecir la PA utilizando el análisis de ondas de pulso (PWA) a partir de señales PPG. Una señal PPG es una señal de onda de pulso periódica que se correlaciona con el sistema cardiovascular. Por lo tanto, algunos investigadores extrajeron características de ingeniería como la altura y el ancho dentro de la onda del pulso y las usaron para predecir BP8. Sin embargo, extraer características de ingeniería precisas es un desafío porque las características del sistema cardiovascular difieren de una persona a otra debido a factores como la edad, la enfermedad y los medicamentos administrados9.

Recientemente, Mukkamala et al. propusieron la medición de la PA en un teléfono inteligente usando el método de presión digital10, que estima la PA usando el cambio en la envolvente de PPG durante la constricción de los vasos sanguíneos causada por un aumento gradual en la presión del dedo sobre el sensor de PPG. Sin embargo, debido a que el sensor utiliza un PPG de un solo canal, la precisión de la predicción de la PA puede verse significativamente afectada por la posición del dedo en el sensor PPG.

En este estudio, proponemos un enfoque novedoso para la estimación de la PA sin manguito. Las contribuciones de este estudio comprenden dos aspectos principales. Primero, desarrollamos un sensor que puede adquirir señales PPG multicanal con diferentes longitudes de onda utilizando un método de presión digital similar al utilizado por Mukkamala et al.10. El sensor PPG propuesto mide simultáneamente señales PPG multicanal y una señal de presión del dedo, mientras que la yema del dedo del sujeto presuriza gradualmente el sensor durante 40 s. Las señales de presión digital y PPG multicanal medidas representan características de presión progresivas y tienen características similares a las de las señales de onda oscilométrica (OMW) y las señales de presión del manguito utilizadas en los métodos de medición de PA basados en manguito. Además, se espera que la extensión multicanal en la medición de la señal PPG alivie la variación en la posición del dedo en el sensor PPG. En segundo lugar, propusimos un sistema de estimación de PA basado en aprendizaje profundo que utiliza señales de presión digital y PPG multicanal. El sistema de predicción de la PA basado en el aprendizaje profundo propuesto consta de dos partes. En primer lugar, se diseñó un modelo basado en una red neuronal convolucional (CNN), que extrae las características específicas del canal para la estimación de la PA a partir de las señales de presión digital y PPG multicanal. En segundo lugar, se propuso una red de atención multicanal para mejorar la precisión de la estimación de la PA, que combinaba las características latentes obtenidas de los estimadores de PA de un solo canal para producir una nueva característica ponderada por la atención. La función combinada se utilizó posteriormente para la estimación final de la PA.

El método oscilométrico para medir la PA utiliza los cambios en las amplitudes del PPG causados por la oclusión de los vasos sanguíneos. Para medir con precisión las señales PPG con una relación señal/ruido alta, la ruta óptica del sensor debe incluir vasos sanguíneos. Sin embargo, debido a que los dedos tienen una estructura vascular compleja, hay pequeñas arterias a ambos lados del dedo y en la punta de la uña. Por lo tanto, es difícil formar con precisión un camino óptico que incluya vasos sanguíneos usando un sensor PPG de un solo canal. Para superar este desafío, desarrollamos un sensor PPG multicanal con un amplio campo de visión (FOV).

El sensor PPG propuesto consta de los siguientes componentes, como se muestra en la Fig. 1a: tres diodos emisores de luz (LED) verdes y tres infrarrojos (IR) (longitudes de onda de 535 nm y 850 nm, respectivamente) y nueve fotodetectores (PD). El LED y el PD para PPG multicanal funcionan de acuerdo con el gráfico de tiempo, como se muestra en la Fig. 1b: tres LED para posiciones de fila (PD superior, central e inferior) y tres PD para posiciones de columna (derecha, centro e izquierda). PD). Se colocaron LED a ambos lados de los PD para tener en cuenta la estructura de los vasos sanguíneos de los dedos. Además, el FOV para el multicanal era de 5 mm \(\times\) 4,5 mm, y el tamaño total era de 12 mm \(\times\) 7,5 mm, lo que permitía cubrir todo el sensor con un dedo. Utilizamos este sensor para medir señales PPG de 9 canales desde un LED IR con una frecuencia de muestreo de 43 Hz. La figura 2 muestra la configuración del sistema para el experimento. El sensor PPG se configuró como un botón en el soporte experimental, y el sensor de fuerza comercial se ubicó debajo del sensor PPG para detectar la señal de fuerza ejercida por el dedo. En particular, las señales de fuerza y PPG de 9 canales se sincronizaron, midieron y posteriormente se alimentaron al convertidor de analógico a digital de la placa base incorporada.

Estructura del sensor PPG multicanal: (a) estructura del sensor LED-PD y Force y (b) tiempo de funcionamiento del PPG multicanal.

Configuración experimental del sensor propuesto.

Los ensayos clínicos se realizaron por separado en dos sitios diferentes: el Hospital MONIKI en Rusia y el Centro Médico Samsung en Corea. El conjunto de datos 1 se recopiló en el Hospital MONIKI y contenía 1450 casos de 290 participantes; se utilizó para entrenar el sistema de estimación de PA propuesto. El conjunto de datos 2 se recopiló en el Samsung Medical Center y contenía 865 casos de 186 participantes; se usó para entrenamiento y pruebas. Cada caja incluía señales de fuerza y PPG sincronizadas de 9 canales de 40 s. Y también se incluyó la PA de referencia obtenida de dos miembros del personal médico mediante auscultación. La recopilación de datos fue aprobada por el comité ético de Samsung Medical Center (Protocolo IRB No: 2020-06-065). El diseño del estudio siguió el estándar internacional (ISO 81060-2)11 que describía las pautas relevantes para la investigación clínica de esfigmomanómetros no invasivos, incluidos los requisitos de los sujetos (mínimo de 85 sujetos y 255 valores de PA), lecturas de referencia (valor medio de 2 observadores usando estetoscopio doble). Todos los examinados dieron su consentimiento informado antes de realizar las mediciones.

Para los ensayos clínicos, se utilizó el sistema PPG multicanal propuesto de conformidad con los protocolos estándar (ISO 81060-2). La PA de referencia fue medida por dos miembros del personal médico utilizando el método de auscultación, y se realizaron cinco mediciones para cada sujeto. Los participantes tomaron un descanso de al menos 5 minutos entre las mediciones para garantizar la estabilidad. Luego se colocó el dedo sobre una guía premarcada. Después de que comenzó la medición, se les pidió que presionaran gradualmente el sensor con el dedo índice durante 40 s mientras observaban la guía de aumento de presión que se mostraba en la pantalla de la computadora. La Tabla 1 enumera la información demográfica del conjunto de datos.

Utilizamos el conjunto de datos 1 de 290 participantes y el conjunto de datos 2 de 186 participantes para la capacitación, validación y prueba del sistema de estimación de la PA. Dividimos los datos de entrenamiento, validación y prueba de manera que no hubiera participantes superpuestos. Dataset1 se usó solo para entrenamiento y validación, mientras que dataset2 se usó solo para entrenamiento y prueba. dividimos dataset1 con 183 participantes para entrenamiento y 107 participantes para validación del modelo. Además, el conjunto de datos 2 se dividió en pliegues de archivo sin participantes superpuestos, se usó un pliegue para la prueba y los pliegues restantes se usaron para el entrenamiento, y cada uno de los pliegues quíntuples se probó por turno. Por lo tanto, realizamos la verificación del modelo a través de una validación cruzada de cinco veces del conjunto de datos2. Todos los resultados de la estimación quíntuple de la PA obtenidos con el conjunto de datos 2 se presentan en.

Para entrenar los nueve extractores de características basados en CNN de un solo canal y el mecanismo de atención multicanal, se usó Adam Optimizer12 con \(\beta _1=0.9\) y \(\beta _2=0.999\), una tasa de aprendizaje de 0.005, y un tamaño de mini-lote de 64. Para mejorar la generalización del sistema de estimación de BP propuesto, se utilizó un término de regularización \(\ell _2\) con una escala de 0,005 y una tasa de abandono de 0,3. Los parámetros detallados del modelo se resumen en la Tabla 2.

Utilizamos la media del error (ME), la desviación estándar del error (STD) y el coeficiente de correlación de Pearson (r) como métricas de evaluación para la predicción de la PA. Además de evaluar el sistema general de estimación de BP, se comparó y analizó el rendimiento de la estimación de BP del modelo de extracción de características basado en CNN para un solo PPG y mecanismo de atención.

La mayoría de los estudios que han desarrollado un modelo de predicción de la PA utilizan la base de datos de forma de onda en línea de monitorización inteligente multiparámetro en cuidados intensivos (MIMIC) de Physionet13 o el conjunto de datos de signos vitales de la Universidad de Queensland14. Estos conjuntos de datos públicos contienen señales PPG y ECG de un solo canal sin presión. Aunque los estudios15,16 han utilizado conjuntos de datos hechos por ellos mismos, estos generalmente contienen señales de PPG de un solo canal no presurizadas o señales de ECG. En este estudio, diseñamos un sistema de predicción de PA utilizando las señales obtenidas de los sensores de presión digital y PPG multicanal propuestos. Debido a que nuestro conjunto de datos hecho por nosotros mismos contiene señales PPG multicanal aplicadas bajo presión y señales de presión de los dedos, es difícil realizar una comparación directa con otros estudios de estimación de la PA. Por lo tanto, analizamos el sistema de estimación de PA basado en PPG multicanal propuesto y sus componentes.

Las tablas 3 y 4 comparan los rendimientos de estimación de PAS y PAD para cada uno de los nueve canales de PPG. En términos de la métrica de STD, los rendimientos de estimación de PAS y PAD fueron los mejores cuando se utilizaron las señales PPG de los canales 2 y 3, respectivamente. En comparación, cuando se utilizaron las señales PPG de los canales 7 y 6, los rendimientos de estimación de la PAS y la PAD fueron los peores. Hubo una brecha de rendimiento relativa de aproximadamente 9,6 % en el rendimiento de la PAS entre los canales 2 y 7, y el rendimiento de la PAD tuvo una diferencia de aproximadamente 3,7 % entre los canales 3 y 6. Aunque las señales de PPG multicanal se adquirieron simultáneamente, la diferencia significativa en el rendimiento de predicción de PA entre los diferentes canales podría atribuirse a la diferencia en la posición del dedo colocado en el sensor de PPG para cada usuario y la diferencia característica de los dedos. Por lo tanto, se puede afirmar que es difícil recolectar señales de PPG de manera consistente para todos los usuarios a través de un sensor de PPG de un solo canal.

La Tabla 5 compara los rendimientos de estimación de PAS y PAD de uno de los estimadores de PA de un solo canal y el estimador de PA basado en la atención multicanal propuesto. Al combinar funciones multicanal con el mecanismo de atención multicanal, el rendimiento de la estimación de PAS mejoró significativamente en comparación con su mejor contraparte de un solo canal. Más concretamente, los rendimientos de estimación de la PAS de los sistemas monocanal y multicanal fueron de 9,94 y 9,35, respectivamente, mostrando una mejora relativa del 6%. Como se muestra en la Tabla 5, el rendimiento de la predicción de la PAD también mejoró en un 4,7 % cuando se utilizó el método del mecanismo de atención que utiliza la señal PPG multicanal. Además, para las tareas de estimación de PAS y PAD, los valores del coeficiente de correlación de Pearson mejoraron cinco veces. Desde el punto de vista de la adquisición de datos, se utilizan 9 canales para la recopilación de datos, pero la frecuencia de muestreo es de 43 Hz, que es solo un aumento menor y puede manejarse suficientemente. Por otro lado, en términos de rendimiento, si el canal se selecciona incorrectamente, puede ocurrir un gran error (por ejemplo, el SDE del canal 7 es 10,99, mostrando una diferencia de 1,64 mmHg). Por lo tanto, se muestra que este algoritmo reduce efectivamente la cantidad de cambio de error debido a la selección de canales y los resultados sugieren que el mecanismo de atención propuesto que usa señales PPG multicanal es efectivo.

El mecanismo de atención de nuestro sistema de estimación de BP propuesto es importante para mejorar el rendimiento de la estimación de BP. La Figura 3 muestra los pesos de atención de los datos de hipertensión, hipotensión y normotensión obtenidos para las tareas de estimación de PAS y PAD. Se obtuvo el valor promedio de los pesos de atención de cada grupo de BP y se presentó como un gráfico de barras. Curiosamente, los pesos de atención de algunos canales específicos fueron relativamente mayores que los de otros, tanto en los datos de hipertensión como de hipotensión. En el mecanismo de atención de la PAS, los datos de hipertensión e hipotensión exhibieron grandes pesos de atención en los canales 2 y 4, respectivamente. Además, el canal con el mayor peso de atención en los datos de hipertensión tendía a tener un peso de atención relativamente bajo en los datos de hipotensión, y viceversa. Estas tendencias también se observaron para los pesos de atención del mecanismo de atención DBP. Mientras tanto, el peso de atención de los datos normotensos reveló pesos de atención distribuidos relativamente uniformemente para las tareas de estimación de PAS y PAD. Estos resultados sugieren que nuestro sensor PPG multicanal propuesto con un mecanismo de atención multicanal se puede usar de manera efectiva para diferenciar a los usuarios hipertensos e hipotensos, lo que lleva a mejoras que superan los modelos de estimación de PA basados en PPG de un solo canal.

Esta figura es un gráfico de barras del peso de la atención. En cada uno de los 8 gráficos de barras, el eje x representa 9 canales y el eje y representa los valores de probabilidad de la importancia de los canales. Se divide en datos de hipertensos, hipotensos y normotensos, y se presenta por PAS y PAD.

Verificamos que el mecanismo de atención multicanal propuesto podría mejorar el rendimiento de predicción de PA de los modelos de un solo canal. El mecanismo de atención podría predecir la PA con mayor precisión al considerar la importancia de las características latentes extraídas de múltiples señales PPG de un solo canal. En esta subsección, confirmamos la efectividad del mecanismo de atención al cambiar su método de atención. La Tabla 6 compara el rendimiento de la PAS y la PAD al utilizar parte de las funciones de los nueve canales en lugar de usarlas todas. En el mecanismo de atención aprendido, los dos y tres mejores sistemas de un solo canal para el rendimiento del conjunto de validación se seleccionaron y aplicaron al conjunto de datos de prueba. Como se muestra en la tabla, aunque los pesos de atención promedio indican la importancia relativa de los canales PPG, la selección estricta de los dos o tres canales PPG con los valores de peso de atención más altos no fue efectiva. En comparación, el mecanismo de atención de 9 canales propuesto mejora significativamente los métodos de selección de canales duros en los pliegues 2, 3 y 4. Esto indica que al usar el mecanismo de atención propuesto, la combinación adaptativa de señales PPG multicanal por sujeto es efectiva.

Comparamos la precisión de la estimación de la PA de acuerdo con la combinación de la señal de entrada en el modelo de estimación de la PA de un solo canal para la PAS y la PAD, respectivamente. Comparamos el rendimiento cuando solo se usaron PPG, señales diferenciales primera y segunda y señales de presión con los dedos, el rendimiento cuando se usaron señales envolventes y señales de presión con los dedos, y el rendimiento cuando se usaron ambas. Como se muestra en la Tabla 7, en el modelo SBP, se probó el canal dos, y en el modelo DBP, se probó el canal tres. El desempeño fue mejor para las señales PPG que para las señales envolventes, y el mejor desempeño se obtuvo cuando se usaron todas las señales.

Para verificar aún más el sistema de estimación de PA propuesto, el gráfico de dispersión y el gráfico de Bland-Altman17 para la estimación de PAS y PAD se muestran en las Figs. 4 y 5, respectivamente. Como se muestra en la figura 4, el sistema de predicción de PA propuesto mostró coeficientes de correlación de Pearson altos de 0,86 y 0,8 para PAS y PAD, respectivamente. El diagrama de Bland-Altman mostró que la mayoría de las muestras de datos de PAS y PAD estaban dentro de los límites de concordancia.

Gráfico de diagrama de dispersión para la estimación de (a) PAS y (b) PAD.

Gráfica de Bland-Altman para la estimación de (a) PAS y (b) PAD.

En este estudio, desarrollamos un sensor PPG multicanal que detecta señales PPG multicanal y señales de presión de los dedos y propusimos un sistema de estimación de PA sin manguito. Las señales PPG multicanal adquiridas se obtuvieron colocando un dedo en el sensor propuesto y aplicando presión gradualmente. Usando el sensor desarrollado, dataset1 y dataset2 fueron recolectados del Hospital MONIKI en Rusia y el Centro Médico Samsung en Corea, respectivamente. El conjunto de datos 1 y el conjunto de datos 2, que contienen 290 y 186 participantes, respectivamente, son conjuntos de datos pequeños en comparación con la base de datos de formas de onda en línea MIMIC y los conjuntos de datos de signos vitales de la Universidad de Queensland, que muchos investigadores utilizan para entrenar sus modelos predictivos de PA18,19. Debido a que se sabe que el tamaño del conjunto de datos de entrenamiento afecta sustancialmente el rendimiento de los modelos de predicción de PA basados en redes neuronales20, se pueden esperar mejoras de rendimiento adicionales al recopilar conjuntos de datos de entrenamiento adicionales utilizando el sensor desarrollado. Sin embargo, la recopilación de datos clínicos se ve obstaculizada por el alto costo, el tiempo excesivo y otras limitaciones. La inclusión de la variación de la PA interindividual e intraindividual es importante para la evaluación de los dispositivos sin manguito, pero es difícil de obtener21. Nuestro conjunto de datos adquirido solo adquirió BP en condiciones estáticas y no consideró la variación de BP dentro de cada individuo. Además, los datos demográficos (p. ej., edad, sexo) se utilizan a menudo como datos de entrada adicionales para los modelos de predicción de la PA21. Sin embargo, nuestro modelo propuesto no aprovecha esto para aliviar la molestia de requerir que los usuarios ingresen información demográfica.

En nuestro estudio, dataset1 y dataset2 tenían condiciones ligeramente diferentes, como el entorno de adquisición de datos, la ubicación y algunas especificaciones del sensor. Como se mencionó anteriormente, cuando el sistema de estimación de la PA se entrena utilizando dos conjuntos de datos con diferentes dominios, es difícil esperar una alta precisión en el conjunto de datos de destino22. El sistema de estimación de BP propuesto se verificó mediante la validación cruzada de cinco mediante el establecimiento de dataset2 como el conjunto de datos de destino. utilizamos términos de regularización y técnicas de abandono para evitar el sobreajuste del modelo. y mostramos el desempeño del modelo a través de una validación cruzada de 5 veces. en ese momento, se mostraban todos los rendimientos de cada quíntuple. aplicamos los métodos para evitar el sobreajuste del modelo con datos clínicos insuficientes, como en otros estudios. Si aplicamos una técnica de adaptación de dominio23 que pueda lograr un mejor rendimiento para el conjunto de datos de destino mientras se reduce el intervalo entre conjuntos de datos en diferentes dominios24, creemos que podemos obtener una PA estimada más precisa a partir del conjunto de datos2.

De acuerdo con el estándar de la Association for the Advancement of Medical Instrumentation (AAMI)25, el error de estimación de la PA debe estar entre 5±8mmHg. El sistema de estimación de la PA propuesto cumplió con el criterio de la AAMI para la PAD, y la PAS también estuvo cerca del criterio de la AAMI. La precisión de nuestro sistema de estimación de BP propuesto se puede mejorar si se recopilan más datos y se resuelve el desajuste de dominio en los conjuntos de datos recopilados en diferentes entornos entre conjuntos de datos debido a características de diferentes dominios. Planeamos mejorar el sistema de estimación de PA basado en aprendizaje profundo para obtener valores de PA predichos más precisos mediante la aplicación de técnicas de adaptación de dominio a nuestros dos conjuntos de datos con diferentes características.

Proponemos un novedoso sistema de predicción de PA con un mecanismo de atención que utiliza señales PPG multicanal y una señal de presión digital. El sistema de predicción de BP propuesto puede aprender a extraer características de PPG sin procesar y señales de presión de los dedos utilizando un método de aprendizaje profundo de extremo a extremo sin depender de métodos de extracción de características hechos a mano y diseñados por humanos. Además, un mecanismo de atención permite que el sistema propuesto combine de manera efectiva características extraídas de cada canal PPG.

Propuesta de sistema de estimación de la presión arterial.

Diagrama de bloques de preprocesamiento de señales de PPG sin procesar y señales de presión de los dedos.

Debido a que las señales PPG sin procesar y de presión de los dedos adquiridas contenían componentes de ruido, se aplicó un filtrado para eliminar el ruido. Específicamente, para usar varias señales de entrada para el modelo de extracción de características, se realizaron pasos de preprocesamiento para obtener la envolvente de la señal PPG filtrada y las señales diferenciales (es decir, las derivadas temporales de primer y segundo orden). Estudios previos sobre la predicción de PA usando señales de PPG mostraron que usando las señales diferenciales de primer y segundo orden de PPG además de la señal de PPG, el modelo de predicción de PA puede predecir con mayor precisión la PA modelando diversa información26,27. Por lo tanto, modelamos el sistema de predicción de PA agregando la señal envolvente y las señales diferenciales de primer y segundo orden. En la Fig. 7 se muestra en detalle un diagrama de bloques del método de preprocesamiento de la señal. Para eliminar los componentes de ruido, la señal PPG sin procesar se pasó a través de un filtro de paso de banda con una frecuencia de corte de 0,8 a 8 Hz para cada señal multicanal. . También obtuvimos la envolvente PPG \({X}_{e}\) de la señal PPG filtrada \({X}_{p}\) para proporcionar varios tipos de información al extractor de características basado en CNN. La envolvente de PPG se calculó mediante la detección de picos de la señal de PPG filtrada y la interpolación. Después de obtener las señales PPG filtradas y la envolvente PPG, se obtuvieron las señales derivadas de primer y segundo orden \((\triangle {X}_{p}, \triangle ^{2}{X}_{p}, \triangle {X}_{e},\) y \(\triangle ^{2}{X}_{e})\) para aumentar la diversidad de la entrada como se describe anteriormente. La señal de presión de los dedos sin procesar se pasó a través de un filtro de paso bajo con una frecuencia de corte de 0,2 Hz. Segmentamos la señal de presión de los dedos desde el punto máximo de la señal de la envolvente PPG a los intervalos izquierdo y derecho de 5 segundos.

Mediante el preprocesamiento de señales descrito anteriormente, construimos un conjunto de datos \(({X}_{1}, {X}_{2}, {X}_{3},\) e Y) para entrenar el sistema de predicción de PA propuesto , donde \({X}_{1}(={X}_{p} \oplus \triangle {X}_{p} \oplus \triangle ^{2}{X}_{p})\) es una entrada concatenada de señales relacionadas con PPG con dimensiones de 1720\(\times\)3. Además, \({X}_{2}(={X}_{e} \oplus \triangle {X}_{e} \oplus \triangle ^{2}{X}_{e})\) es la entrada concatenada de señales relacionadas con la envolvente PPG con dimensiones de 1720\(\times\)3, y \({X}_{3}(={X}_{f})\) es una señal de presión digital filtrada con dimensiones de 215\(\times\)1.

La CNN aprende con éxito la relación entre los puntos de datos vecinos a través de una operación de convolución y puede comprimir la información de la señal de entrada a través de una capa de agrupación28. Por lo tanto, construimos tres flujos de entrada paralelos del modelo CNN de modo que se extrajeron las características para cada uno de los \({X}_{1}\), \({X}_{2}\) y \({ X}_{3}\) entradas. La arquitectura general del sistema de estimación de BP basado en aprendizaje profundo propuesto se muestra en la Fig. 6. Los tres flujos de entrada, expresados como \(C(\cdot ): X_{i} \rightarrow Z_{i}\), donde X y Z, denotan las características de entrada y extraídas, respectivamente, y i \(\in\) \(\{1, 2, 3\}\) denota el tipo de característica de entrada. Cada flujo de entrada aplica primero una convolución, normalización por lotes (BN) y la función de activación de ReLU, seguido de una operación de agrupación máxima. Posteriormente, se apilan tres bloques CNN, cada uno con dos repeticiones de convolución, BN y ReLU con una conexión residual, y una capa de agrupación promedio agrega la información de cada flujo de características. Finalmente, las características extraídas de los tres flujos de entrada se concatenan para formar una sola característica \(Z= {Z}_{1} \oplus {Z}_{2} \oplus {Z}_{3}\). La característica concatenada, Z, luego se introduce en una capa completamente conectada con no linealidad sigmoidea, produciendo la característica latente final que contiene varios tipos de información extraída de diferentes señales de entrada. Las conexiones residuales resuelven el problema del gradiente de fuga29 cuando se entrena el modelo de extracción de características. Después de entrenar los modelos de extracción de características basados en CNN para cada canal PPG, el mecanismo de atención se puede entrenar para combinar características multicanal para la predicción de PA.

Para entrenar el modelo de extracción de características, la última capa de salida produce el BP estimado \({\hat{y}} \in {\mathbb {R}}\). Luego, el modelo se entrena para minimizar el error cuadrático medio (MSE) entre la referencia y los BP estimados:

donde N denota el número de muestras; \({y}_{i}\) denota el BP de referencia; y \({\hat{y}}_{i}\) denota el BP estimado. Para extraer características de cada una de las señales PPG de 9 canales, entrenamos nueve modelos de extracción de características para cada canal PPG. Los modelos de extracción de características de 9 canales entrenados se pueden expresar como \(f(\cdot ) : [{X}^{i}_{1}, {X}^{i}_{2}, {X}^{ i}_{3}] \rightarrow Z_{i}\), donde Z es la característica latente final e i \(\in \{1,2,...,9\}\) es el índice del canal PPG . Nueve características latentes \({Z} \in {\mathbb {R}}^{16\times 9}\) con 16 dimensiones se utilizaron como entradas para el modelo de atención multicanal para la predicción final de BP. El rendimiento de la estimación de la PA multicanal basado en la atención se compara con el rendimiento de la estimación de la PA por canal en la Sección IV.

Recientemente, los mecanismos de atención han demostrado su eficacia en muchos campos, como el reconocimiento de voz30,31 y el procesamiento del lenguaje natural32. Los mecanismos de atención son redes neuronales que se enfocan en regiones importantes. Extrajimos cada característica de un modelo de extracción de características basado en CNN utilizando PPG multicanal y señales de presión de los dedos. Sin embargo, debido a que la posición del dedo colocado en el sensor PPG multicanal propuesto y las características de los dedos pueden ser diferentes para cada usuario, la importancia de cada canal para la estimación de la PA también puede diferir para cada usuario. Por lo tanto, aplicamos un mecanismo de atención al sistema de estimación de BP propuesto para ponderar de forma adaptativa las características del canal según su importancia en la estimación de BP para cada usuario.

Como se muestra en la Fig. 6, se introdujeron las funciones extraídas, \({Z}^{i}\), para los canales PPG, \({i} \in \{1, \ldots, 9\}\). a la capa de atención que comprende un perceptrón de una sola capa, \({s}(\cdot ) : {Z}^{i} \rightarrow {S}^{i}\), para obtener una puntuación, \({S} ^{i}\) que representa la importancia de cada canal. La puntuación, \({S}^{i}\), se obtiene de la siguiente manera:

donde \(\omega\) y b son los pesos y sesgos entrenables, respectivamente. Posteriormente, a partir de la puntuación obtenida, \({S}^{i}\), se calculó el peso de la atención, \({W}^{i}\), utilizando la función softmax para indicar la importancia de cada canal como valor de probabilidad. el peso de la atención, \({W}^{i}\), se calculó de la siguiente manera:

La característica de atención ponderada, \({Z}^{\prime } \in {\mathbb {R}}^{16\times 1}\), se obtuvo mediante la suma ponderada del peso de atención, \({W }^{i}\), y la característica correspondiente, \({Z}^{i}\). El sistema de estimación de BP propuesto produce una BP estimada a través de la capa de salida utilizando la característica de atención ponderada, \({Z}^{\prime }\). Para entrenar el modelo del mecanismo de atención, se calculó la pérdida de MSE entre la referencia y los BP estimados \({\hat{y}}\) obtenidos de la capa de salida del mecanismo de atención. El modelo propuesto se entrenó por separado para minimizar el MSE para la PA sistólica y diastólica.

En este estudio, desarrollamos un sensor PPG multicanal que adquiere señales PPG multicanal en diferentes longitudes de onda. Además, diseñamos un sistema de estimación de PA basado en aprendizaje profundo que puede predecir la PA a partir de señales PPG multicanal adquiridas del sensor propuesto y la señal de presión del dedo. El sistema de estimación de BP propuesto puede extraer características sin ingeniería humana y predecir con precisión la BP a través de un mecanismo de atención. A través del análisis del peso de la atención, confirmamos que el mecanismo de atención puede mejorar el rendimiento de predicción de hipertensión e hipotensión. Debido a que el sistema de estimación de la PA basado en el aprendizaje profundo propuesto es un método sin manguito y sin calibración, es posible monitorear la PA regularmente y tiene el potencial de diagnosticar la hipertensión en una etapa temprana. El sistema de estimación de la PA propuesto puede potencialmente permitir el monitoreo regular de la PA de múltiples usuarios a través de dispositivos móviles, como teléfonos inteligentes o relojes de pulsera inteligentes.

Los datos que respaldan los hallazgos de este estudio están disponibles por correo electrónico del autor correspondiente a pedido razonable.

Fassbender, H. et al. Sensor de presión arterial totalmente implantable para pacientes hipertónicos. En Actas de la 7.ª Conferencia de sensores IEEE, 1226–1229 (2008).

Ward, M. & Langton, JA Medición de la presión arterial. Contin. Educ. Anestesia crítico Cuidado del dolor 7, 122–126 (2007).

Artículo Google Académico

Babbs, CF El origen de los sonidos de Korotkoff y la precisión de las mediciones auscultatorias de la presión arterial. Mermelada. Soc. hipertensos. 9, 935–950 (2015).

Artículo PubMed Google Académico

Nachman, D. et al. Comparación de las mediciones de presión arterial entre un dispositivo de manometría basado en fotopletismografía y uno estándar basado en manguito. ciencia Rep. 10, 1–9 (2020).

Artículo Google Académico

Ding, X. et al. Estimación continua de la presión arterial sin manguito basada en el tiempo de tránsito del pulso: una nueva extensión y una evaluación integral. ciencia Rep. 7, 1–11 (2017).

Artículo ANUNCIOS Google Académico

Kim, C.-S., Carek, AM, Mukkamala, R., Inan, OT y Hahn, J.-O. Balistocardiograma como referencia de tiempo proximal para la medición del tiempo de tránsito del pulso: potencial para el control de la presión arterial sin manguito. Trans. IEEE. biomedicina Ing. 62, 2657–2664 (2015).

Artículo PubMed PubMed Central Google Académico

Chandrasekhar, A., Yavarimanesh, M., Natarajan, K., Hahn, J.-O. & Mukkamala, R. La presión de contacto del sensor PPG debe tenerse en cuenta para la medición de la presión arterial sin manguito. Trans. IEEE. biomedicina Ing. 67, 3134–3140 (2020).

Artículo PubMed PubMed Central Google Académico

Yoon, Y.-Z. et al. Estimación de la presión arterial sin manguito mediante el análisis de la forma de onda del pulso y el tiempo de llegada del pulso. IEEE J. Biomédica. Informe de Salud. 22, 1068–1074 (2017).

Artículo PubMed Google Académico

Baek, S., Jang, J. y Yoon, S. Predicción de la presión arterial de extremo a extremo a través de redes totalmente convolucionales. Acceso IEEE 7, 185458–185468 (2019).

Artículo Google Académico

Chandrasekhar, A. et al. Monitoreo de la presión arterial basado en teléfonos inteligentes a través del método oscilométrico de presión con los dedos. ciencia Traducir Medicina. 10, 8674 (2018).

Artículo Google Académico

Norma internacional ISO 81060-2:2018. Esfigmomanómetros no invasivos: Parte 2: Investigación clínica del tipo de medición automatizada intermitente (2018).

Kingma, DP & Ba, J. Adam: Un método para la optimización estocástica. preimpresión de arXiv arXiv: 1412.6980 (2014).

Saeed, M. et al. Monitoreo inteligente multiparámetro en cuidados intensivos II (MIMIC-II): una base de datos de unidades de cuidados intensivos de acceso público. crítico Cuidado Med. 39, 952 (2011).

Artículo PubMed PubMed Central Google Académico

Liu, D., Görges, M. & Jenkins, SA Conjunto de datos de signos vitales de la Universidad de Queensland: desarrollo de un repositorio accesible de datos de seguimiento de pacientes con anestesia para la investigación. anesth. Anal. 114, 584–589 (2012).

Artículo CAS PubMed Google Académico

Ahmad, S. et al. Estimación de la presión arterial asistida por electrocardiograma. Trans. IEEE. biomedicina Ing. 59, 608–618 (2012).

Artículo PubMed Google Académico

Chandrasekaran, V., Dantu, R., Jonnada, S., Thiyagaraja, S. & Subbu, KP Estimación de la presión arterial diferencial sin manguito utilizando teléfonos inteligentes. Trans. IEEE. biomedicina Ing. 60, 1080–1089 (2012).

Artículo PubMed Google Académico

Dewitte, K., Fierens, C., Stockl, D. & Thienpont, LM Aplicación del gráfico de Bland-Altman para la interpretación de estudios de comparación de métodos: una investigación crítica de su práctica. clin. química 48, 799–801 (2002).

Artículo CAS PubMed Google Académico

Harfiya, LN, Chang, C.-C. & Li, Y.-H. Estimación continua de la presión arterial utilizando exclusivamente fotopletismografía mediante traducción de señal a señal basada en lstm. Sensores 21, 2952 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Khalid, SG, Zhang, J., Chen, F. y Zheng, D. Estimación de la presión arterial usando solo fotopletismografía: comparación entre diferentes enfoques de aprendizaje automático. J. Salud c. Ing. 2018, 13 (2018).

Artículo Google Académico

Feng, S., Zhou, H. y Dong, H. Uso de una red neuronal profunda con un pequeño conjunto de datos para predecir defectos materiales. Mate. Des. 162, 300–310 (2019).

Artículo Google Académico

Mukkamala, R. et al. Evaluación de la precisión de los tensiómetros sin manguito: Desafíos y propuestas. Hipertensión 78, 1161–1167 (2021).

Artículo CAS PubMed Google Académico

Zhang, L. et al. Desarrollo de modelos personalizados de estimación de la presión arterial a partir de datos de sensores portátiles utilizando redes neuronales antagónicas de dominio mínimamente entrenadas. En Actas de la Conferencia Machine Learning for Healthcare, 97–120 (2020).

Thompson, B., Gwinnup, J., Khayrallah, H., Duh, K. y Koehn, P. Superar el olvido catastrófico durante la adaptación del dominio de la traducción automática neuronal. En Actas de la NAACL, 2062–2068 (2019).

Tzeng, E., Hoffman, J., Saenko, K. & Darrell, T. Adaptación de dominio discriminatorio adversario. En Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones, 7167–7176 (2017).

O'brien, E., Waeber, B., Parati, G., Staessen, J. & Myers, MG Dispositivos para medir la presión arterial: recomendaciones de la sociedad europea de hipertensión. BMJ 322, 531–536 (2001).

Artículo PubMed PubMed Central Google Académico

Liu, M., Po, L.-M. & Fu, H. Estimación de la presión arterial sin manguito basada en la señal de fotopletismografía y su segunda derivada. En t. J. Cómputo. ciencia Ing. 9, 202 (2017).

Google Académico

Shimazaki, S., Bhuiyan, S., Kawanaka, H. y Oguri, K. Extracción de características para la estimación de la presión arterial sin manguito mediante codificador automático a partir de fotopletismografía. En Actas de la Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología del IEEE, 2857–2860 (2018).

Albawi, S., Mohammed, TA y Al-Zawi, S. Comprensión de una red neuronal convolucional. En Actas de la Conferencia Internacional sobre Ingeniería y Tecnología, 1–6 (2017).

He, K., Zhang, X., Ren, S. y Sun, J. Aprendizaje residual profundo para el reconocimiento de imágenes. En Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones, 770–778 (2016).

Chorowski, JK, Bahdanau, D., Serdyuk, D., Cho, K. y Bengio, Y. Modelos basados en la atención para el reconocimiento de voz. En Proceedings of the Advances in Neural Information Processing Systems, 28 (2015).

Bahdanau, D., Chorowski, J., Serdyuk, D., Brakel, P. y Bengio, Y. Reconocimiento de voz de vocabulario extenso basado en la atención de extremo a extremo. En Actas de la Conferencia Internacional IEEE sobre Acústica, Habla y Procesamiento de Señales, 4945–4949 (2016).

Galassi, A., Lippi, M. & Torroni, P. Atención en el procesamiento del lenguaje natural. Trans. IEEE. Red neuronal Aprender. sist. 32, 4291–4308 (2020).

Artículo Google Académico

Descargar referencias

Este trabajo fue apoyado en parte por la subvención del Instituto de Planificación y Evaluación de Tecnologías de la Información y las Comunicaciones (IITP) financiada por el gobierno de Corea (MSIT) (No. 2020-0-01373, Programa de la Escuela de Posgrado en Inteligencia Artificial (Universidad de Hanyang)) y la Innovación Tecnológica Programa (20013726, Desarrollo de Tecnología Industrial Inteligente para Smart Factory) financiado por el Ministerio de Comercio, Industria y Energía (MOTIE, Corea) y el Instituto de Tecnología Avanzada de Samsung (Seúl, Corea).

Departamento de Ingeniería Electrónica, Universidad de Hanyang, Seúl, 04763, República de Corea

Jehyun Kyung, Joon-Young Yang, Jeong-Hwan Choi y Joon-Hyuk Chang

SAIT, Samsung Electronics, Laboratorio de sensores avanzados, Suwon-si, Gyeonggi-do, 16677, República de Corea

Sangkon Bae, Jin-Woo Choi y Younho Kim

También puede buscar este autor en PubMed Google Scholar

JK concibió el estudio, realizó los experimentos, analizó los resultados y escribió el manuscrito. J.-YY y J.-HC revisaron críticamente el estudio y ayudaron a redactar el manuscrito. SB analizó los datos, revisó críticamente el estudio y ayudó a redactar el manuscrito. JC y YK analizaron los datos y revisaron críticamente el estudio. J.-HC diseñó el estudio general y ayudó a escribir el manuscrito final. Todos los autores revisaron el manuscrito.

Correspondencia a Joon-Hyuk Chang.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Kyung, J., Yang, JY., Choi, JH. et al. Estimación de la presión arterial basada en el aprendizaje profundo mediante fotopletismograma multicanal y presión digital con mecanismo de atención. Informe científico 13, 9311 (2023). https://doi.org/10.1038/s41598-023-36068-6

Descargar cita

Recibido: 01 Diciembre 2022

Aceptado: 29 de mayo de 2023

Publicado: 08 junio 2023

DOI: https://doi.org/10.1038/s41598-023-36068-6

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias