Profond

Rapports scientifiques volume 13, Numéro d'article : 9311 (2023) Citer cet article

67 accès

1 Altmétrique

Détails des métriques

Récemment, plusieurs études ont proposé des méthodes de mesure de la pression artérielle (TA) sans brassard à l'aide de signaux de photopléthysmogramme du doigt (PPG). Cette étude présente un nouveau système d'estimation de la pression artérielle qui mesure les signaux PPG sous pression progressive du doigt, ce qui rend le système relativement robuste aux erreurs causées par la position du doigt lors de l'utilisation de la méthode oscillométrique sans brassard. Pour réduire les erreurs causées par la position des doigts, nous avons développé un capteur capable de mesurer simultanément les signaux PPG et de force multicanaux dans un large champ de vision (FOV). Nous proposons un algorithme basé sur l'apprentissage en profondeur qui peut apprendre à se concentrer sur le canal PPG optimal à partir d'un PPG multicanal en utilisant un mécanisme d'attention. Les erreurs (ME ± STD) du système multicanal proposé étaient de 0,43 ± 9,35 mmHg et 0,21 ± 7,72 mmHg pour SBP et DBP, respectivement. Grâce à des expériences approfondies, nous avons trouvé une différence de performance significative en fonction de l'emplacement de la mesure PPG dans le système d'estimation de la pression artérielle utilisant la pression du doigt.

La méthode de mesure de la pression artérielle (PA) la plus précise implique un cathéter médical1, dans lequel la PA est mesurée directement en insérant un cathéter dans une artère. Cette méthode convient à l'observation à long terme des modifications de la pression artérielle chez les patients admis à l'unité de soins intensifs (USI). Cependant, il existe un risque d'infection en raison de son caractère invasif2. Les méthodes de mesure non invasives de la PA comprennent les méthodes avec brassard3 et sans brassard. Les méthodes de mesure de la pression artérielle basées sur le brassard utilisent un dispositif de sphygmomanomètre électronique et sont largement acceptées comme l'étalon-or car elles peuvent atteindre une précision relativement élevée. De plus, les utilisateurs peuvent facilement mesurer la PA à domicile sans l'aide de personnel médical4. Cependant, il existe des inconvénients en ce que l'utilisateur se sent mal à l'aise en raison de la pression appliquée. De plus, un dispositif sphygmomanomètre électronique n'est pas facilement transportable.

Récemment, plusieurs études ont proposé des méthodes de mesure de la pression artérielle sans brassard5,6, dans lesquelles la pression artérielle est prédite à l'aide de divers signaux biomédicaux, tels que le photopléthysmogramme (PPG) et l'électrocardiogramme (ECG). Le temps de transit du pouls (PTT) ou le temps d'arrivée du pouls (PAT) peut être calculé à l'aide de signaux PPG et ECG mesurés simultanément5. Ils sont calculés à partir de la différence de temps entre les pics des deux signaux mesurés par le capteur en deux points différents de l'artère. Bien que plusieurs études aient utilisé la corrélation entre PTT ou PAT et BP6,7 pour la prédiction de BP, elles ne conviennent pas aux appareils mobiles tels que les smartphones ou les montres intelligentes car elles nécessitent deux capteurs à des endroits différents pour mesurer à la fois les signaux PPG et ECG. Une méthode pour surmonter cet inconvénient consiste à prédire la BP à l'aide d'une analyse d'onde de pouls (PWA) à partir de signaux PPG. Un signal PPG est un signal d'onde de pouls périodique qui est corrélé avec le système cardiovasculaire. Par conséquent, certains chercheurs ont extrait des caractéristiques techniques telles que la hauteur et la largeur de l'onde de pouls et les ont utilisées pour prédire BP8. Cependant, l'extraction de caractéristiques techniques précises est difficile car les caractéristiques du système cardiovasculaire diffèrent d'une personne à l'autre en raison de facteurs tels que l'âge, la maladie et les médicaments administrés9.

Récemment, Mukkamala et al. ont proposé la mesure de la PA sur un smartphone en utilisant la méthode de la pression du doigt10, qui estime la PA en utilisant le changement de l'enveloppe PPG lors de la constriction des vaisseaux sanguins causée par une augmentation progressive de la pression du doigt sur le capteur PPG. Cependant, étant donné que le capteur utilise un PPG à canal unique, la précision de la prédiction de la PA peut être considérablement affectée par la position du doigt sur le capteur PPG.

Dans cette étude, nous proposons une nouvelle approche pour l'estimation de la pression artérielle sans brassard. Les apports de cette étude comportent deux aspects principaux. Tout d'abord, nous avons développé un capteur capable d'acquérir des signaux PPG multicanaux avec différentes longueurs d'onde en utilisant une méthode de pression du doigt similaire à celle utilisée par Mukkamala et al.10. Le capteur PPG proposé mesure simultanément des signaux PPG multicanaux et un signal de pression du doigt, tandis que le bout du doigt du sujet met progressivement le capteur sous pression pendant 40 s. Les signaux PPG multicanaux et de pression des doigts mesurés représentent des caractéristiques de pression progressives et ont des caractéristiques similaires à celles des signaux d'onde oscillométrique (OMW) et des signaux de pression du brassard utilisés dans les méthodes de mesure de la pression artérielle basées sur le brassard. De plus, l'extension multicanal de la mesure du signal PPG devrait atténuer la variation de la position du doigt sur le capteur PPG. Deuxièmement, nous avons proposé un système d'estimation de la pression artérielle basé sur l'apprentissage en profondeur utilisant des signaux PPG et de pression des doigts multicanaux. Le système de prédiction de la PA basé sur l'apprentissage profond proposé se compose de deux parties. Tout d'abord, un modèle basé sur le réseau neuronal convolutif (CNN) a été conçu, qui extrait les caractéristiques spécifiques au canal pour l'estimation de la pression artérielle à partir des signaux multicanaux PPG et de pression des doigts. Deuxièmement, un réseau d'attention multicanal pour une meilleure précision de l'estimation de la PA a été proposé, qui combinait les caractéristiques latentes obtenues à partir des estimateurs de PA à canal unique pour produire une nouvelle caractéristique pondérée de l'attention. La fonction combinée a ensuite été utilisée pour l'estimation finale de la PA.

La méthode oscillométrique de mesure de la pression artérielle utilise les modifications des amplitudes PPG causées par l'occlusion des vaisseaux sanguins. Pour mesurer avec précision les signaux PPG à des rapports signal/bruit élevés, le chemin optique du capteur doit inclure des vaisseaux sanguins. Cependant, parce que les doigts ont une structure vasculaire complexe, il y a de petites artères des deux côtés du doigt et à travers le bout de l'ongle. Par conséquent, il est difficile de former avec précision un chemin optique qui comprend des vaisseaux sanguins à l'aide d'un capteur PPG à canal unique. Pour surmonter ce défi, nous avons développé un capteur PPG multicanal avec un large champ de vision (FOV).

Le capteur PPG proposé comprend les composants suivants, comme illustré à la Fig. 1a : trois diodes électroluminescentes (LED) vertes et trois infrarouges (IR) (longueurs d'onde de 535 nm et 850 nm, respectivement) et neuf photodétecteurs (PD). La LED et le PD pour le PPG multicanal fonctionnent selon le chronogramme, comme illustré à la Fig. 1b : trois LED pour les positions de rangée (PD en haut, au milieu et en bas) et trois PD pour les positions de colonne (droite, centrale et gauche). PD). Des LED ont été placées des deux côtés des PD pour tenir compte de la structure des vaisseaux sanguins du doigt. De plus, le FOV pour le multicanal était de 5 mm \(\times\) 4,5 mm, et la taille globale était de 12 mm \(\times\) 7,5 mm, permettant à un doigt de couvrir tout le capteur. Nous avons utilisé ce capteur pour mesurer les signaux PPG à 9 canaux d'une LED IR avec un taux d'échantillonnage de 43 Hz. La figure 2 montre la configuration du système pour l'expérience. Le capteur PPG était configuré comme un bouton sur le support expérimental, et le capteur de force commercial était situé sous le capteur PPG pour détecter le signal de force exercé par le doigt. Notamment, les signaux PPG et de force à 9 canaux ont été synchronisés, mesurés et ensuite introduits dans le convertisseur analogique-numérique de la carte mère intégrée.

Structure du capteur PPG multicanal : (a) structure de la LED-PD et du capteur de force et (b) temps de fonctionnement du PPG multicanal.

Montage expérimental du capteur proposé.

Les essais cliniques ont été menés séparément sur deux sites différents : l'hôpital MONIKI en Russie et le Samsung Medical Center en Corée. L'ensemble de données 1 a été collecté à l'hôpital MONIKI et contenait 1 450 cas provenant de 290 participants ; il a été utilisé pour entraîner le système d'estimation de la pression artérielle proposé. L'ensemble de données 2 a été collecté au Samsung Medical Center et contenait 865 cas de 186 participants ; il a été utilisé pour la formation et les tests. Chaque boîtier comprenait des signaux PPG et de force à 9 canaux synchronisés sur 40 secondes. Et la pression artérielle de référence obtenue auprès de deux membres du personnel médical utilisant l'auscultation a également été incluse. La collecte des données a été approuvée par le comité d'éthique du Samsung Medical Center (IRB Protocol No : 2020-06-065). La conception de l'étude a suivi la norme internationale (ISO 81060-2)11 qui décrivait les directives pertinentes pour l'investigation clinique des sphygmomanomètres non invasifs, y compris les exigences des sujets (minimum de 85 sujets et 255 valeurs de PA), les lectures de référence (valeur moyenne de 2 observateurs utilisant double stéthoscope). Tous les candidats ont donné leur consentement éclairé avant que les mesures ne soient effectuées.

Pour les essais cliniques, le système PPG multicanal proposé a été utilisé conformément aux protocoles standards (ISO 81060-2). La pression artérielle de référence a été mesurée par deux membres du personnel médical à l'aide de la méthode d'auscultation, et cinq mesures ont été effectuées pour chaque sujet. Les participants ont pris une pause d'au moins 5 minutes entre les mesures pour assurer la stabilité. Le doigt a ensuite été placé sur une ligne directrice pré-marquée. Après le début de la mesure, il leur a été demandé d'appuyer progressivement sur le capteur avec leur index pendant 40 s tout en regardant le guide d'augmentation de la pression affiché sur l'écran de l'ordinateur. Le tableau 1 répertorie les informations démographiques de l'ensemble de données.

Nous avons utilisé l'ensemble de données 1 de 290 participants et l'ensemble de données 2 de 186 participants pour la formation, la validation et les tests du système d'estimation de la PA. Nous avons divisé les données de formation, de validation et de test de manière à ce qu'il n'y ait pas de chevauchement de participants. L'ensemble de données 1 n'a été utilisé que pour l'entraînement et la validation, tandis que l'ensemble de données 2 n'a été utilisé que pour l'entraînement et les tests. nous avons divisé l'ensemble de données 1 avec 183 participants pour la formation et 107 participants pour la validation du modèle. De plus, l'ensemble de données 2 a été divisé en fichiers sans chevauchement des participants, un pli a été utilisé pour les tests et les plis restants ont été utilisés pour la formation, et chacun des quintuples a été testé à son tour. Par conséquent, nous avons effectué une vérification du modèle par une validation croisée quintuple de l'ensemble de données2. Tous les résultats de l'estimation de la pression artérielle quintuple obtenus à l'aide de l'ensemble de données 2 sont présentés dans.

Pour former les neuf extracteurs de caractéristiques basés sur CNN à canal unique et le mécanisme d'attention multicanal, l'optimiseur Adam12 a été utilisé avec \(\beta _1=0,9\) et \(\beta _2=0,999\), un taux d'apprentissage de 0,005, et une taille de mini-lot de 64. Pour améliorer la généralisation du système d'estimation de BP proposé, un terme de régularisation \(\ell _2\) avec une échelle de 0,005 et un taux d'abandon de 0,3 ont été utilisés. Les paramètres détaillés du modèle sont résumés dans le tableau 2.

Nous avons utilisé la moyenne de l'erreur (ME), l'écart type de l'erreur (STD) et le coefficient de corrélation de Pearson (r) comme mesures d'évaluation pour la prédiction de la PA. En plus d'évaluer le système global d'estimation de la pression artérielle, les performances d'estimation de la pression artérielle du modèle d'extraction de caractéristiques basé sur CNN pour un seul mécanisme de PPG et d'attention ont été comparées et analysées.

La plupart des études qui ont développé un modèle de prédiction de la PA utilisent la base de données en ligne de formes d'onde de surveillance multiparamètre intelligente en soins intensifs (MIMIC) de Physionet ou l'ensemble de données des signes vitaux de l'Université du Queensland14. Ces ensembles de données publics contiennent des signaux PPG et ECG à canal unique non pressurisés. Bien que des études15,16 aient utilisé des ensembles de données créés par nos soins, ceux-ci contiennent généralement des signaux PPG monocanal non pressurisés ou des signaux ECG. Dans cette étude, nous avons conçu un système de prédiction de la pression artérielle en utilisant les signaux obtenus à partir du PPG multicanal proposé et des capteurs de pression des doigts. Étant donné que notre ensemble de données fabriqué par nos soins contient des signaux PPG multicanaux appliqués sous des signaux de pression et de pression du doigt, une comparaison directe avec d'autres études d'estimation de la pression artérielle est difficile. Par conséquent, nous avons analysé le système d'estimation de la PA basé sur PPG multicanal proposé et ses composants.

Les tableaux 3 et 4 comparent les performances d'estimation SBP et DBP pour chacun des neuf canaux PPG. En termes de métrique STD, les performances d'estimation SBP et DBP étaient les meilleures lors de l'utilisation des signaux PPG des 2ème et 3ème canaux, respectivement. En comparaison, lorsque les signaux PPG des 7ème et 6ème canaux étaient utilisés, les performances d'estimation SBP et DBP étaient les plus mauvaises. Il y avait un écart de performance relatif d'environ 9,6 % dans les performances SBP entre les 2e et 7e canaux, et les performances DBP présentaient une différence d'environ 3,7 % entre les 3e et 6e canaux. Bien que les signaux PPG multicanaux aient été acquis simultanément, la différence significative des performances de prédiction de la PA entre les différents canaux pourrait être attribuée à la différence de position du doigt placé sur le capteur PPG pour chaque utilisateur et à la différence caractéristique des doigts. Par conséquent, on peut affirmer qu'il est difficile de collecter des signaux PPG de manière cohérente pour tous les utilisateurs via un capteur PPG à canal unique.

Le tableau 5 compare les performances d'estimation de SBP et DBP de l'un des estimateurs de BP monocanal et de l'estimateur de BP basé sur l'attention multicanal proposé. En combinant des fonctionnalités multicanaux à l'aide du mécanisme d'attention multicanal, les performances d'estimation SBP se sont améliorées de manière significative par rapport à son meilleur homologue monocanal. Plus précisément, les performances d'estimation SBP des systèmes monocanal et multicanal étaient de 9,94 et 9,35, respectivement, présentant une amélioration relative de 6 %. Comme le montre le tableau 5, les performances de prédiction DBP se sont également améliorées de 4,7 % lorsque la méthode du mécanisme d'attention utilisant le signal PPG multicanal a été utilisée. De plus, pour les tâches d'estimation SBP et DBP, les valeurs du coefficient de corrélation de Pearson ont été multipliées par cinq. Du point de vue de l'acquisition de données, 9 canaux sont utilisés pour la collecte de données, mais le taux d'échantillonnage est de 43 Hz, ce qui n'est qu'une augmentation mineure et peut être suffisamment manipulé. D'autre part, en termes de performances, si le canal est sélectionné de manière incorrecte, une erreur importante peut se produire (par exemple, le SDE de Ch 7 est de 10,99, montrant une différence de 1,64 mmHg). Par conséquent, il est démontré que cet algorithme réduit efficacement la quantité de changement d'erreur due à la sélection de canal et les résultats suggèrent que le mécanisme d'attention proposé qui utilise des signaux PPG multicanaux est efficace.

Le mécanisme d'attention de notre système d'estimation de la pression artérielle proposé est important pour améliorer les performances d'estimation de la pression artérielle. La figure 3 montre les pondérations d'attention des données d'hypertension, d'hypotension et de normotension obtenues pour les tâches d'estimation de la PAS et de la PAD. La valeur moyenne des poids d'attention de chaque groupe BP a été obtenue et affichée sous forme de graphique à barres. Fait intéressant, les pondérations d'attention de certains canaux spécifiques étaient relativement plus importantes que celles des autres dans les données d'hypertension et d'hypotension. Dans le mécanisme d'attention SBP, les données d'hypertension et d'hypotension présentaient des poids d'attention importants dans les 2e et 4e canaux, respectivement. De plus, le canal avec le plus grand poids d'attention dans les données d'hypertension avait tendance à avoir un poids d'attention relativement faible dans les données d'hypotension, et vice-versa. Ces tendances ont également été observées pour les poids d'attention du mécanisme d'attention DBP. Pendant ce temps, le poids d'attention des données normotendues a révélé des poids d'attention relativement uniformément répartis pour les tâches d'estimation SBP et DBP. Ces résultats suggèrent que notre capteur PPG multicanal proposé avec un mécanisme d'attention multicanal peut être utilisé efficacement pour différencier les utilisateurs hypertendus et hypotendus, conduisant ainsi à des améliorations qui se révèlent supérieures aux modèles d'estimation de la pression artérielle basés sur PPG à canal unique.

Ce chiffre est un graphique à barres du poids de l'attention. Dans chacun des 8 graphiques à barres, l'axe des x représente 9 canaux et l'axe des y représente les valeurs de probabilité pour l'importance des canaux. Il est divisé en données hypertensives, hypotensives et normotensives, et est présenté par SBP et DBP.

Nous avons vérifié que le mécanisme d'attention multicanal proposé pouvait améliorer les performances de prédiction de la PA des modèles monocanal. Le mécanisme d'attention pourrait prédire la PA plus précisément en tenant compte de l'importance des caractéristiques latentes extraites de plusieurs signaux PPG à canal unique. Dans cette sous-section, nous confirmons l'efficacité du mécanisme d'attention en changeant sa méthode d'attention. Le tableau 6 compare les performances SBP et DBP lors de l'utilisation d'une partie des neuf fonctionnalités de canal au lieu de toutes. Dans le mécanisme d'attention apprise, les deux et trois meilleurs systèmes monocanal pour la performance de l'ensemble de validation ont été sélectionnés et appliqués à l'ensemble de données de test. Comme le montre le tableau, bien que les poids d'attention moyens indiquent l'importance relative des canaux PPG, la sélection rigoureuse des deux ou trois canaux PPG avec les valeurs de poids d'attention les plus élevées n'a pas été efficace. En comparaison, le mécanisme d'attention à 9 canaux proposé améliore considérablement les méthodes de sélection des canaux durs dans les plis 2, 3 et 4. Cela indique qu'en utilisant le mécanisme d'attention proposé, la combinaison adaptative des signaux PPG multicanaux par sujet est efficace.

Nous avons comparé la précision de l'estimation de BP en fonction de la combinaison de signaux d'entrée dans le modèle d'estimation de BP à canal unique pour SBP et DBP, respectivement. Nous avons comparé les performances lorsque seuls le PPG, les premier et deuxième signaux différentiels et les signaux de pression des doigts étaient utilisés, les performances lorsque les signaux d'enveloppe et les signaux de pression des doigts étaient utilisés, et les performances lorsque les deux étaient utilisés. Comme le montre le tableau 7, dans le modèle SBP, le canal deux a été testé, et dans le modèle DBP, le canal trois a été testé. Les performances étaient meilleures pour les signaux PPG que pour les signaux d'enveloppe, et les meilleures performances ont été obtenues lorsque tous les signaux étaient utilisés.

Pour vérifier davantage le système d'estimation de BP proposé, le nuage de points et le diagramme de Bland-Altman17 pour l'estimation de SBP et DBP sont présentés dans les Figs. 4 et 5, respectivement. Comme le montre la figure 4, le système de prédiction de BP proposé a montré des coefficients de corrélation de Pearson élevés de 0,86 et 0,8 pour SBP et DBP, respectivement. Le graphique de Bland-Altman a montré que la plupart des échantillons de données SBP et DBP étaient dans les limites de l'accord.

Graphique en nuage de points pour (a) SBP et (b) estimation DBP.

Graphique de Bland – Altman pour (a) SBP et (b) estimation DBP.

Dans cette étude, nous avons développé un capteur PPG multicanal qui détecte les signaux PPG multicanaux et les signaux de pression des doigts et proposé un système d'estimation de la pression artérielle sans brassard. Les signaux PPG multicanaux acquis ont été obtenus en plaçant un doigt sur le capteur proposé et en appliquant progressivement une pression. À l'aide du capteur développé, l'ensemble de données 1 et l'ensemble de données 2 ont été collectés auprès de l'hôpital MONIKI en Russie et du centre médical Samsung en Corée, respectivement. L'ensemble de données 1 et l'ensemble de données 2, qui contiennent respectivement 290 et 186 participants, sont de petits ensembles de données par rapport à la base de données de formes d'onde en ligne MIMIC et aux ensembles de données de signes vitaux de l'Université du Queensland, que de nombreux chercheurs utilisent pour former leurs modèles prédictifs de PA18,19. Étant donné que la taille de l'ensemble de données d'entraînement est connue pour affecter considérablement les performances des modèles de prédiction de la pression artérielle basés sur des réseaux neuronaux20, des améliorations supplémentaires des performances peuvent être attendues en collectant des ensembles de données d'entraînement supplémentaires à l'aide du capteur développé. Cependant, la collecte de données cliniques est entravée par des coûts élevés, un temps excessif et d'autres limitations. La prise en compte de la variation inter- et intra-individuelle de la PA est importante pour l'évaluation des dispositifs sans brassard, mais difficile à obtenir21. Notre ensemble de données acquises n'a acquis la PA que dans des conditions statiques et n'a pas pris en compte la variation de la PA chez chaque individu. De plus, les données démographiques (par exemple, l'âge, le sexe) sont souvent utilisées comme entrées supplémentaires dans les modèles de prédiction de la PA21. Cependant, notre modèle proposé ne tire pas parti de cela pour soulager les tracas d'exiger des utilisateurs qu'ils saisissent des informations démographiques.

Dans notre étude, dataset1 et dataset2 avaient des conditions légèrement différentes, telles que l'environnement d'acquisition de données, l'emplacement et certaines spécifications de capteur. Comme mentionné précédemment, lorsque le système d'estimation de la pression artérielle est formé à l'aide de deux ensembles de données avec des domaines différents, il est difficile de s'attendre à une grande précision dans l'ensemble de données cible22. Le système d'estimation de la pression artérielle proposé a été vérifié à l'aide d'une validation croisée à cinq en définissant l'ensemble de données 2 comme ensemble de données cible. nous avons utilisé des termes de régularisation et des techniques d'abandon pour éviter le surajustement du modèle. et nous avons montré les performances du modèle grâce à une validation croisée quintuple. à ce moment, toutes les performances de chaque quintuple étaient affichées. nous avons appliqué les méthodes pour éviter le surajustement du modèle avec des données cliniques insuffisantes, comme dans d'autres études. Si nous appliquons une technique d'adaptation de domaine23 qui peut obtenir de meilleures performances pour l'ensemble de données cible tout en réduisant l'intervalle entre les ensembles de données dans différents domaines24, nous pensons que nous pouvons obtenir un BP estimé plus précis à partir de l'ensemble de données2.

Selon la norme25 de l'Association pour l'avancement de l'instrumentation médicale (AAMI), l'erreur d'estimation de la PA doit être inférieure à 5 ± 8 mmHg. Le système d'estimation de la pression artérielle proposé satisfaisait au critère AAMI pour la DBP, et la PAS était également proche du critère AAMI. La précision de notre système d'estimation de la pression artérielle proposé peut être améliorée si davantage de données sont collectées et si l'inadéquation des domaines dans les ensembles de données collectés dans différents environnements entre les ensembles de données en raison des caractéristiques de différents domaines est résolue. Nous prévoyons d'améliorer le système d'estimation de la pression artérielle basé sur l'apprentissage en profondeur afin d'obtenir des valeurs de pression artérielle prédites plus précises en appliquant des techniques d'adaptation de domaine à nos deux ensembles de données avec des caractéristiques différentes.

Nous proposons un nouveau système de prédiction de la pression artérielle avec un mécanisme d'attention qui utilise des signaux PPG multicanaux et un signal de pression du doigt. Le système de prédiction BP proposé peut apprendre à extraire des caractéristiques à partir de signaux PPG bruts et de pression des doigts à l'aide d'une méthode d'apprentissage en profondeur de bout en bout sans s'appuyer sur des méthodes d'extraction de caractéristiques conçues par l'homme et fabriquées à la main. De plus, un mécanisme d'attention permet au système proposé de combiner efficacement les caractéristiques extraites de chaque canal PPG.

Système d'estimation de la pression artérielle proposé.

Schéma fonctionnel de prétraitement du signal des signaux PPG bruts et de la pression des doigts.

Étant donné que les signaux PPG bruts et de pression des doigts acquis contenaient des composants de bruit, un filtrage a été appliqué pour supprimer le bruit. Plus précisément, pour utiliser divers signaux d'entrée pour le modèle d'extraction de caractéristiques, des étapes de prétraitement ont été effectuées pour obtenir l'enveloppe de signal PPG filtrée et les signaux différentiels (c'est-à-dire les dérivées temporelles du premier et du second ordre). Des études antérieures sur la prédiction de la PA à l'aide de signaux PPG ont montré qu'en utilisant les signaux différentiels de premier et de second ordre de PPG en plus du signal PPG, le modèle de prédiction de la PA peut prédire plus précisément la PA en modélisant diverses informations26,27. Par conséquent, nous avons modélisé le système de prédiction BP en ajoutant le signal d'enveloppe et les signaux différentiels de premier et second ordre. Un schéma fonctionnel de la méthode de prétraitement du signal est présenté en détail à la Fig. 7. Pour supprimer les composants de bruit, le signal PPG brut a été passé à travers un filtre passe-bande avec une fréquence de coupure de 0,8 à 8 Hz pour chaque signal multicanal. . Nous avons également obtenu l'enveloppe PPG \({X}_{e}\) à partir du signal PPG filtré \({X}_{p}\) pour fournir divers types d'informations à l'extracteur de caractéristiques basé sur CNN. L'enveloppe PPG a été calculée par détection de pic du signal PPG filtré et interpolation. Après avoir obtenu les signaux d'enveloppe PPG et PPG filtrés, les signaux dérivés du premier et du second ordre ont été obtenus \((\triangle {X}_{p}, \triangle ^{2}{X}_{p}, \triangle {X}_{e},\) et \(\triangle ^{2}{X}_{e})\) pour augmenter la diversité de l'entrée comme décrit ci-dessus. Le signal brut de pression du doigt a été passé à travers un filtre passe-bas avec une fréquence de coupure de 0,2 Hz. Nous avons segmenté le signal de pression du doigt du point maximum du signal d'enveloppe PPG aux intervalles gauche et droit de 5 secondes.

Grâce au prétraitement du signal décrit ci-dessus, nous avons construit un ensemble de données \(({X}_{1}, {X}_{2}, {X}_{3},\) et Y) pour entraîner le système de prédiction de la PA proposé , où \({X}_{1}(={X}_{p} \oplus \triangle {X}_{p} \oplus \triangle ^{2}{X}_{p})\) est une entrée concaténée de signaux liés au PPG avec des dimensions de 1720\(\times\)3. De plus, \({X}_{2}(={X}_{e} \oplus \triangle {X}_{e} \oplus \triangle ^{2}{X}_{e})\) est l'entrée concaténée des signaux liés à l'enveloppe PPG avec des dimensions de 1720\(\times\)3, et \({X}_{3}(={X}_{f})\) est un signal de pression du doigt filtré avec des dimensions de 215\(\times\)1.

Le CNN apprend avec succès la relation entre les points de données voisins grâce à une opération de convolution et peut compresser les informations du signal d'entrée via une couche de regroupement28. Ainsi, nous avons construit trois flux d'entrée parallèles du modèle CNN tels que les caractéristiques ont été extraites pour chacun des \({X}_{1}\), \({X}_{2}\) et \({ X}_{3}\) entrées. L'architecture globale du système d'estimation de la PA basé sur l'apprentissage en profondeur proposé est illustrée à la Fig. 6. Les trois flux d'entrée, exprimés par \(C(\cdot ): X_{i} \rightarrow Z_{i}\), où X et Z, désignent respectivement les entités en entrée et extraites, et i \(\in\) \(\{1, 2, 3\}\) désigne le type d'entité en entrée. Chaque flux d'entrée applique d'abord une convolution, une normalisation par lots (BN) et la fonction d'activation ReLU, suivies d'une opération de mise en commun maximale. Par la suite, trois blocs CNN, chacun avec deux répétitions de convolution, BN et ReLU avec une connexion résiduelle, sont empilés, et une couche de regroupement moyenne agrège les informations de chaque flux de caractéristiques. Enfin, les entités extraites des trois flux d'entrée sont concaténées pour former une seule entité \(Z= {Z}_{1} \oplus {Z}_{2} \oplus {Z}_{3}\). La caractéristique concaténée, Z, est ensuite introduite dans une couche entièrement connectée avec une non-linéarité sigmoïde, produisant la caractéristique latente finale contenant divers types d'informations extraites de différents signaux d'entrée. Les connexions résiduelles résolvent le problème du gradient de fuite29 lors de la formation du modèle d'extraction de caractéristiques. Une fois que les modèles d'extraction de caractéristiques basés sur CNN sont formés pour chaque canal PPG, le mécanisme d'attention peut être formé pour combiner des caractéristiques multicanaux pour la prédiction de la pression artérielle.

Pour former le modèle d'extraction de caractéristiques, la dernière couche de sortie produit le BP estimé \({\hat{y}} \in {\mathbb {R}}\). Le modèle est ensuite formé pour minimiser l'erreur quadratique moyenne (MSE) entre la référence et la BP estimée :

où N désigne le nombre d'échantillons ; \({y}_{i}\) désigne le BP de référence ; et \({\hat{y}}_{i}\) désigne la PA estimée. Pour extraire les caractéristiques de chacun des signaux PPG à 9 canaux, nous avons formé neuf modèles d'extraction de caractéristiques pour chaque canal PPG. Les modèles d'extraction de caractéristiques à 9 canaux entraînés peuvent être exprimés sous la forme \(f(\cdot ) : [{X}^{i}_{1}, {X}^{i}_{2}, {X}^{ i}_{3}] \rightarrow Z_{i}\), où Z est la caractéristique latente finale, et i \(\in \{1,2,...,9\}\) est l'index du canal PPG . Neuf caractéristiques latentes \({Z} \in {\mathbb {R}}^{16\times 9}\) avec 16 dimensions ont été utilisées comme entrées du modèle d'attention multicanal pour la prédiction finale de la PA. La performance d'estimation de la PA multicanal basée sur l'attention est comparée à la performance d'estimation de la PA par canal dans la section IV.

Récemment, les mécanismes d'attention se sont avérés efficaces dans de nombreux domaines, tels que la reconnaissance de la parole30,31 et le traitement du langage naturel32. Les mécanismes d'attention sont des réseaux de neurones qui se concentrent sur des régions importantes. Nous avons extrait chaque fonctionnalité d'un modèle d'extraction de fonctionnalités basé sur CNN à l'aide de signaux PPG multicanaux et de pression des doigts. Cependant, étant donné que la position du doigt placé sur le capteur PPG multicanal proposé et les caractéristiques des doigts peuvent être différentes pour chaque utilisateur, l'importance de chaque canal pour l'estimation de la PA peut également différer pour chaque utilisateur. Par conséquent, nous avons appliqué un mécanisme d'attention au système d'estimation de BP proposé pour peser de manière adaptative les caractéristiques par canal en fonction de leur importance dans l'estimation du BP pour chaque utilisateur.

Comme le montre la figure 6, les caractéristiques extraites, \({Z}^{i}\), pour les canaux PPG, \({i} \in \{1, \ldots , 9\}\), ont été introduites à la couche d'attention comprenant un perceptron monocouche, \({s}(\cdot ) : {Z}^{i} \rightarrow {S}^{i}\), pour obtenir un score, \({S} ^{i}\) représentant l'importance de chaque canal. Le score, \({S}^{i}\), est obtenu comme suit :

où \(\omega\) et b sont respectivement les poids et les biais entraînables. Par la suite, à partir du score obtenu, \({S}^{i}\), le poids de l'attention, \({W}^{i}\), a été calculé à l'aide de la fonction softmax pour indiquer l'importance de chaque canal en tant que valeur de probabilité. le poids de l'attention, \({W}^{i}\), a été calculé comme suit :

La caractéristique pondérée par l'attention, \({Z}^{\prime } \in {\mathbb {R}}^{16\times 1}\), a été obtenue par la somme pondérée du poids de l'attention, \({W }^{i}\), et la fonctionnalité correspondante, \({Z}^{i}\). Le système d'estimation de BP proposé produit une BP estimée à travers la couche de sortie en utilisant la caractéristique pondérée par l'attention, \({Z}^{\prime }\). Pour former le modèle de mécanisme d'attention, la perte de MSE a été calculée entre la référence et les BP estimés \({\hat{y}}\) obtenus à partir de la couche de sortie du mécanisme d'attention. Le modèle proposé a été formé séparément pour minimiser la MSE pour la PA systolique et diastolique.

Dans cette étude, nous avons développé un capteur PPG multicanal qui acquiert des signaux PPG multicanaux à différentes longueurs d'onde. De plus, nous avons conçu un système d'estimation de la pression artérielle basé sur l'apprentissage en profondeur qui peut prédire la pression artérielle à partir de signaux PPG multicanaux acquis à partir du capteur proposé et du signal de pression du doigt. Le système d'estimation de la pression artérielle proposé peut extraire des caractéristiques sans ingénierie humaine et prédire avec précision la pression artérielle grâce à un mécanisme d'attention. Grâce à l'analyse du poids de l'attention, nous avons confirmé que le mécanisme de l'attention peut améliorer les performances de prédiction de l'hypertension et de l'hypotension. Étant donné que le système d'estimation de la PA basé sur l'apprentissage en profondeur proposé est une méthode sans brassard et sans étalonnage, il est possible de surveiller régulièrement la PA et a le potentiel de diagnostiquer l'hypertension à un stade précoce. Le système d'estimation de la pression artérielle proposé peut potentiellement permettre une surveillance régulière de la pression artérielle de plusieurs utilisateurs via des appareils mobiles, tels que des smartphones ou des montres-bracelets intelligentes.

Les données à l'appui des conclusions de cette étude sont disponibles par e-mail auprès de l'auteur correspondant sur demande raisonnable.

Fassbender, H. et al. Capteur de pression artérielle entièrement implantable pour les patients hypertoniques. Dans Actes de la 7e conférence IEEE sur les capteurs, 1226–1229 (2008).

Ward, M. & Langton, JA Mesure de la tension artérielle. Continuer. Éduc. Anesthésie. Crit. Soins Douleur 7, 122–126 (2007).

Article Google Scholar

Babbs, CF L'origine des bruits de korotkoff et la précision des mesures auscultatoires de la tension artérielle. Confiture. Soc. Hypertens. 9, 935–950 (2015).

Article PubMed Google Scholar

Nachman, D. et al. Comparaison des mesures de pression artérielle entre un appareil de manométrie basé sur la photopléthysmographie et un appareil de manométrie standard basé sur un brassard. Sci. Rép. 10, 1–9 (2020).

Article Google Scholar

Ding, X. et al. Estimation continue de la pression artérielle sans brassard basée sur le temps de transit du pouls : une nouvelle extension et une évaluation complète. Sci. Rep. 7, 1–11 (2017).

Annonces d'article Google Scholar

Kim, C.-S., Carek, AM, Mukkamala, R., Inan, OT et Hahn, J.-O. Ballistocardiogramme comme référence de synchronisation proximale pour la mesure du temps de transit du pouls : potentiel pour la surveillance de la pression artérielle sans brassard. IEEE Trans. Biomédical. Ing. 62, 2657–2664 (2015).

Article PubMed PubMed Central Google Scholar

Chandrasekhar, A., Yavarimanesh, M., Natarajan, K., Hahn, J.-O. & Mukkamala, R. La pression de contact du capteur PPG doit être prise en compte pour la mesure de la pression artérielle sans brassard. IEEE Trans. Biomédical. Ing. 67, 3134–3140 (2020).

Article PubMed PubMed Central Google Scholar

Yoon, Y.-Z. et coll. Estimation de la pression artérielle sans brassard à l'aide de l'analyse de la forme d'onde du pouls et de l'heure d'arrivée du pouls. IEEE J. Biomed. Informer sur la santé. 22, 1068-1074 (2017).

Article PubMed Google Scholar

Baek, S., Jang, J. & Yoon, S. Prévision de la pression artérielle de bout en bout via des réseaux entièrement convolutifs. Accès IEEE 7, 185458–185468 (2019).

Article Google Scholar

Chandrasekhar, A. et al. Surveillance de la pression artérielle sur smartphone via la méthode oscillométrique de pression du doigt. Sci. Trad. Méd. 10, 8674 (2018).

Article Google Scholar

Norme internationale ISO 81060-2:2018. Sphygmomanomètres non invasifs - Partie 2 : Enquête clinique de type mesure automatisée intermittente (2018).

Kingma, DP & Ba, J. Adam : Une méthode d'optimisation stochastique. prétirage arXiv arXiv:1412.6980 (2014).

Saeed, M. et al. Surveillance intelligente multiparamètres en soins intensifs II (MIMIC-II): Une base de données d'unité de soins intensifs accessible au public. Crit. Soin Méd. 39, 952 (2011).

Article PubMed PubMed Central Google Scholar

Liu, D., Görges, M. & Jenkins, SA Ensemble de données sur les signes vitaux de l'Université du Queensland : Développement d'un référentiel accessible de données de surveillance des patients en anesthésie pour la recherche. Anesthésie. Analg. 114, 584-589 (2012).

Article CAS PubMed Google Scholar

Ahmad, S. et al. Estimation de la pression artérielle assistée par électrocardiogramme. IEEE Trans. Biomédical. Ing. 59, 608–618 (2012).

Article PubMed Google Scholar

Chandrasekaran, V., Dantu, R., Jonnada, S., Thiyagaraja, S. & Subbu, KP Estimation de la pression artérielle différentielle sans brassard à l'aide de téléphones intelligents. IEEE Trans. Biomédical. Ing. 60, 1080-1089 (2012).

Article PubMed Google Scholar

Dewitte, K., Fierens, C., Stockl, D. & Thienpont, LM Application du diagramme de Bland-Altman pour l'interprétation des études de comparaison de méthodes : une enquête critique sur sa pratique. Clin. Chim. 48, 799–801 (2002).

Article CAS PubMed Google Scholar

Harfiya, LN, Chang, C.-C. & Li, Y.-H. Estimation continue de la pression artérielle en utilisant exclusivement la photoplétysmographie par traduction signal-signal basée sur lstm. Capteurs 21, 2952 (2021).

Article ADS PubMed PubMed Central Google Scholar

Khalid, SG, Zhang, J., Chen, F. et Zheng, D. Estimation de la pression artérielle par photopléthysmographie uniquement : comparaison entre différentes approches d'apprentissage automatique. J. Santéc. Ing. 2018, 13 (2018).

Article Google Scholar

Feng, S., Zhou, H. & Dong, H. Utilisation d'un réseau neuronal profond avec un petit ensemble de données pour prédire les défauts matériels. Mater. Dés. 162, 300–310 (2019).

Article Google Scholar

Mukkamala, R. et al. Évaluation de la précision des appareils de mesure de la pression artérielle sans brassard : enjeux et propositions. Hypertension 78, 1161–1167 (2021).

Article CAS PubMed Google Scholar

Zhang, L. et al. Développer des modèles personnalisés d'estimation de la pression artérielle à partir de données de capteurs portables à l'aide de réseaux de neurones contradictoires de domaine à formation minimale. Dans Actes de la conférence Machine Learning for Healthcare, 97-120 (2020).

Thompson, B., Gwinnup, J., Khayrallah, H., Duh, K. & Koehn, P. Surmonter l'oubli catastrophique lors de l'adaptation de domaine de la traduction automatique neurale. Dans Actes de la NAACL, 2062-2068 (2019).

Tzeng, E., Hoffman, J., Saenko, K. & Darrell, T. Adversarial discriminative domain adaptation. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, 7167–7176 (2017).

O'brien, E., Waeber, B., Parati, G., Staessen, J. & Myers, MG Appareils de mesure de la pression artérielle : Recommandations de la société européenne de l'hypertension. BMJ 322, 531-536 (2001).

Article PubMed PubMed Central Google Scholar

Liu, M., Po, L.-M. & Fu, H. Estimation de la pression artérielle sans brassard basée sur le signal de photopléthysmographie et sa dérivée seconde. Int. J. Comput. Sci. Ing. 9, 202 (2017).

Google Scholar

Shimazaki, S., Bhuiyan, S., Kawanaka, H. & Oguri, K. Extraction de caractéristiques pour l'estimation de la pression artérielle sans brassard par auto-encodeur à partir de la photopléthysmographie. Dans Actes de la conférence internationale annuelle de la société IEEE Engineering in Medicine and Biology, 2857-2860 (2018).

Albawi, S., Mohammed, TA & Al-Zawi, S. Compréhension d'un réseau neuronal convolutif. Dans Actes de la Conférence internationale sur l'ingénierie et la technologie, 1–6 (2017).

He, K., Zhang, X., Ren, S. et Sun, J. Apprentissage résiduel profond pour la reconnaissance d'images. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, 770–778 (2016).

Chorowski, JK, Bahdanau, D., Serdyuk, D., Cho, K. & Bengio, Y. Modèles basés sur l'attention pour la reconnaissance vocale. Dans Actes des progrès des systèmes de traitement de l'information neuronale, 28 (2015).

Bahdanau, D., Chorowski, J., Serdyuk, D., Brakel, P. & Bengio, Y. Reconnaissance vocale de bout en bout basée sur l'attention. Dans Actes de la Conférence internationale IEEE sur l'acoustique, la parole et le traitement du signal, 4945–4949 (2016).

Galassi, A., Lippi, M. & Torroni, P. Attention dans le traitement du langage naturel. IEEE Trans. Réseau neuronal. Apprendre. Syst. 32, 4291–4308 (2020).

Article Google Scholar

Télécharger les références

Ce travail a été en partie soutenu par la subvention de l'Institut de planification et d'évaluation des technologies de l'information et des communications (IITP) financée par le gouvernement coréen (MSIT) (n° 2020-0-01373, programme d'études supérieures en intelligence artificielle (Université de Hanyang)) et l'innovation technologique. Programme (20013726, Development of Industrial Intelligent Technology for Smart Factory) financé par le ministère du Commerce, de l'Industrie et de l'Énergie (MOTIE, Corée) et le Samsung Advanced Institute of Technology (Séoul, Corée).

Département de génie électronique, Université Hanyang, Séoul, 04763, République de Corée

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

SAIT, Samsung Electronics, Advanced Sensor Lab, Suwon-si, Gyeonggi-do, 16677, République de Corée

Sangkon Bae, Jinwoo Choi et Younho Kim

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

JK a conçu l'étude, mené les expériences, analysé les résultats et rédigé le manuscrit. J.-YY et J.-HC ont revu l'étude de manière critique et aidé à rédiger le manuscrit. SB a analysé les données, examiné de manière critique l'étude et aidé à rédiger le manuscrit. JC et YK ont analysé les données et passé en revue l'étude de manière critique. J.-HC a conçu l'ensemble de l'étude et participé à la rédaction du manuscrit final. Tous les auteurs ont examiné le manuscrit.

Correspondance avec Joon-Hyuk Chang.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Kyung, J., Yang, JY., Choi, JH. et coll. Estimation de la pression artérielle basée sur l'apprentissage en profondeur à l'aide d'un photopléthysmogramme multicanal et de la pression des doigts avec mécanisme d'attention. Sci Rep 13, 9311 (2023). https://doi.org/10.1038/s41598-023-36068-6

Télécharger la citation

Reçu : 01 décembre 2022

Accepté : 29 mai 2023

Publié: 08 juin 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Nouvelles