مدل¬سازی آشوب¬گرای سیگنال فوتوپلتیسموگرام جهت تخمین فشارخون مبتنی بر شبکه¬های عصبی¬عمیق کانولوشنی

Abstract

تخمین فشار خون به صورت غیرتهاجمی از طریق پردازش سیگنال­های محیطی شامل سیگنال­های قلبی و فوتوپلتیسموگرام از مسائل مورد توجه در حوزه پردازش سیگنال­های پزشکی است. عمده مطالعات بر استخراج ویژگی­های متنوع از سیگنال­های محیطی و تخمین فشار خون به وسیله مدل­های مبتنی بر هوش محاسباتی متمرکز هستند. در این مقاله یک مدل شبکه عصبی عمیق کانولوشنی پیشنهاد شده که با به کارگیری شکل موج سیگنال فوتوپلتیسموگرام و ویژگی­های آشوبگرای آن می­تواند فشار خون را با دقت بالایی تخمین زند. ویژگی آشوب­گرای سیگنال در فضای فاز با نام آنالیز کمی بازرخداد به همراه نمونه­های سری زمانی فوتوپلتیسموگرام به عنوان ورودی مدل شبکه عصبی عمیق کانولوشنی در نظر گرفته شده­اند. نتایج آزمون مدل پیشنهادی بر روی دادگان استخراجی از مجموعه داده MIMIC-II بر اساس استانداردهای انجمن فشار خون بریتانیا (BHS) و انجمن توسعه ابزار پزشکی (AAMI) نشان می­دهد که این ترکیب در ورودی می­تواند دقت بالایی در تخمین فشار خون فراهم کند. به طور خاص در تخمین فشار خون دیاستول و سیستول، معیار ضریب همبستگی پیرسون (R) برای روش پیشنهادی به ترتیب 93916/0 و 93357/0 به دست آمد. مطابق استاندارد BHS این روش حائز درجه کیفی A در تخمین فشارخون است و دارای میانگین و انحراف معیار خطای تخمین برای فشار خون دیاستول و سیستول به ترتیب برابر 5/3±45/0 و 69/6±48/0 مطابق نیازمندی­های استاندارد AAMI می­باشد.

Keywords

• پردازش سیگنال، شبکه¬های عصبی کانولوشنی، یادگیری عمیق، آشوب، آنالیز کمی بازرُخداد