Estimativa dos pontos de sístole e diástole para identificação de hipertensão a partir de sinais de fotopletismografia
Loading...
Date
Authors
Advisor(s)
Co-advisor(s)
Committee members
Giusti, Rafael
Carvalho, Moisés Gomes de
Carvalho, Moisés Gomes de
Graduate program
Journal Title
Journal ISSN
Volume Title
Publisher
Universidade Federal do Amazonas
Type
Access rights
DOI
Resumo (Portuguese)
As doenças cardiovasculares têm sido uma das principais causas de mortalidade e
comorbidade dos últimos anos. O principal fator de risco para o desenvolvimento de
doenças cardiovasculares é a hipertensão, caracterizada pela elevação da pressão
sanguínea arterial (ABP – Arterial Blood Pressure), definida pelos movimentos cardíacos
sistólico e diastólico. O seu diagnóstico pode ser obtido por meio de monitoramento
contínuo, o qual está relacionado a métodos invasivos e não invasivos. A maneira mais
precisa (padrão ouro) para se obter a ABP advém da técnica de canulação, uma forma
incômoda e invasiva, submetendo o indivíduo a uma perfuração arterial. Em
contrapartida, a pressão sanguínea pode ser obtida pela técnica não invasiva de
Fotopletismografia (PPG – Photoplethysmography). Esse sinal é obtido pelo processo de
reflexão ou refração da luz, com a vantagem de permitir o monitoramento contínuo da
pressão sanguínea fora de ambiente hospitalar e ser implementado em dispositivos
vestíveis de baixo custo. Embora exista correlação nas formas de onda entre os sinais PPG
e ABP, ambos se diferenciam pelos seus valores de escala, proporcionando uma relação
não linear desses sinais. No entanto, essa correlação permite que, a partir do sinal PPG
seja possível realizar a estimativa da pressão sanguínea por meio de algoritmos que
encontrem correlações não lineares entre esses dois sinais. O método proposto,
denominado Modelo Neural da Pressão Sanguínea (MoNePS), tem como objetivo realizar
a estimativa da sístole e diástole a partir do sinal PPG e avaliar as suas predições conforme
o estado da pressão sanguínea por um determinado período. Portanto, com as estimativas
de sístole e diástole obtidas, o problema é tratado como uma tarefa de classificação binária
considerando as classes Normotenso e Hipertenso. Além disso, este trabalho também
investiga o desempenho do método em classificar diferentes tipos de pressão sanguínea
(Normotenso, Pré-hipertenso, Hipertenso de grau 1, Hipertenso de grau 2). Para isso,
MoNePS consiste em uma rede neural convolucional com blocos de dilatação para obter
escalabilidade na extração das características do PPG e correlacionar os valores
correspondentes à pressão sanguínea de uma determinada janela temporal. A avaliação
do método proposto foi realizada usando dados da base de dados pública MIMIC-III. Os
resultados experimentais mostram que o método proposto consegue atingir resultados
comparáveis a modelos mais complexos com menor número de parâmetros. Com o
método proposto, foi possível obter um erro médio absoluto para sístole e diástole de
5.02mmHg e 3.11mmHg, respectivamente. Além disso, os resultados preditos submetidos
à classificação de múltiplas classes retornaram valores de F1-Score de até 94% para classe
Normotenso. Quando submetido a classificação binária, o modelo apresentou respectivos
94% e 80% para as classes de Hipertenso e Normotenso.
Abstract
Cardiovascular diseases have been among the main causes of mortality and
comorbidity in recent years. The main risk factor for the development of cardiovascular
diseases is hypertension, characterized by the elevation of Arterial Blood Pressure (ABP),
defined by systolic and diastolic heart movements. The diagnosis can be obtained through
continuous monitoring by invasive and non-invasive methods. The most accurate way
(gold standard) to obtain ABP comes from the cannulation technique, an uncomfortable
and invasive way, subjecting the individual to an arterial perforation. On the other hand,
blood pressure can be obtained by the non-invasive technique of Photoplethysmography
(PPG). This signal is obtained by the process of reflection or refraction of light, with the
advantage of allowing continuous monitoring of blood pressure outside the hospital
environment and being implemented in low-cost wearable devices. Although there is a
correlation in the waveforms among the PPG and ABP signals, both differ by their scale
values providing a non-linear relationship of these signals. However, this correlation
makes it possible to estimate blood pressure from the PPG signal using algorithms that
find non-linear correlations between these two signals. The proposed Neural Model of
Blood Pressure (MoNePS) method aims to estimate systole and diastole from the PPG
signal and evaluate its predictions according to the state of blood pressure. Therefore,
with the systole and diastole estimates obtained, the problem is treated as a binary
classification task considering the Normotensive and Hypertensive classes. In addition,
this work also investigates the performance of the method in classifying different types of
blood pressure (Normotensive, Prehypertensive, Grade 1 Hypertensive, Grade 2
Hypertensive). For this, MoNePS consists of a convolutional neural network with
dilatation blocks to obtain scalability in extracting PPG features and correlating the values
corresponding to blood pressure in a given time window. The evaluation of the proposed
method was performed using data from the public database MIMIC-III. The experimental
results show that the proposed method can achieve results comparable to more complex
models with fewer parameters. With the proposed method, it was possible to obtain a
mean absolute error for systole and diastole of 5.02mmHg and 3.11mmHg, respectively.
Furthermore, predicted outcomes subjected to multiple-class classification returned F1-
Score values of up to 94% for Normotensive class. When submitted to binary
classification, the model presented respective 94% and 80% for the classes of
Hypertensive and Normotensive.
Description
Controlled term
Sustainable Development Goals (SDG)
Citation
OLIVEIRA, Hygo Sousa de. Estimativa dos pontos de sístole e diástole para identificação de hipertensão a partir de sinais de fotopletismografia. 2022. 67 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2022.
Collections
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwise noted, this item's license is described as Acesso Aberto

