dc.contributor.advisor | Prior, Cesar Augusto | |
dc.creator | Deus, Luis Felipe de | |
dc.date.accessioned | 2022-07-06T19:54:45Z | |
dc.date.available | 2022-07-06T19:54:45Z | |
dc.date.issued | 2020-09-16 | |
dc.date.submitted | 2020 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/25256 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa
Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2020. | por |
dc.description.abstract | Blood pressure measurement, and possible changes in the normality of this, it is associated
with several comorbidities such as cardiovascular and cardiorespiratory diseases among
others. Data reported by the Institute for Health Metrics and Evaluation (IHME) show that
cardiovascular diseases are the main cause of death worldwide, killing 17.8 million people
in 2017, along with 3.91 million deaths from respiratory diseases. Blood pressure is measured
in two values, Systolic Blood Pressure (SBP), referring to the contraction movement
of the heart, systole, where the pressure is higher, and Diastolic Blood Pressure (DBP),
referring to the relaxation movement of the heart, diastole, where the pressure is less. At
the present moment, the most used methods for measuring blood pressure cannot be used
continuously, such as the sphygmomanometer, which contracts, usually the brachial artery,
at a higher pressure than the individual’s pressure, other methods are invasive, where a
catheter is required in the patient’s artery, which can cause discomfort and possible infections
to the patient.
This work proposes a study of techniques for the continuous and non-invasive measurement
of blood pressure, through the processing of Photoplethysmography signals in conjunction
with Artificial Intelligence algorithms. The research was carried out in two different
datasets, one from Queensland University and the other from Federal University of Santa
Maria (UFSM). Three different methodologies were developed, called Single PPG Wave,
Sliding Window and Scalogram, for each method, a set of experiments was designed with
the purpose of corroborating the results presented, as well as an analysis of each test. The
approaches used were in the scope of regression, which estimates a floating point value,
and in the classification, which seeks to situate the patient’s condition in a class. In terms of
performance, this work reached the AAMI standards where the device must have an average
error of less than 5 mmHg and standard deviation of less than 8 mmHg, as well as
class A in the British Hypertension Society standard. The best results show that the Sliding
Window method with the Random Forest algorithm reached average error and standard
deviation of 0.94 ± 2.31 mmHg for SBP measurement and 0.60 ± 1.39 mmHg for DBP,
among a total of 55,493 predictions. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Pressão arterial | por |
dc.subject | Fotopletismografia | por |
dc.subject | Inteligência artificial | por |
dc.subject | Blood pressure | eng |
dc.subject | Photoplethysmography | eng |
dc.subject | Artificial intelligence | eng |
dc.title | Estimativa da pressão arterial através de modelos de inteligência artificial no processamento de sinais de fotopletismografia | por |
dc.title.alternative | Blood pressure estimation using artificial intelligence models in photoplethysmography signal processing | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.description.resumo | A medida da pressão arterial, e possíveis alterações da normalidade desta, está associada
a várias comorbidades como em doenças cardiovasculares, cardiorrespiratórias entre outras.
Dados reportados pelo Institute for Health Metrics and Evaluation (IHME) demonstram
que doenças cardiovasculares são o principal fator de mortes ao redor do mundo, matando
17.8 milhões de pessoas no ano de 2017, juntamente com 3.91 milhões de mortes por
doenças respiratórias. A pressão arterial é aferida em dois valores, a Pressão Arterial Sistólica
(SBP), referente ao movimento de contração do coração, a sístole, onde a pressão
é maior, e a Pressão Arterial Diastólica (DBP), referente ao movimento de relaxamento do
coração, diástole, onde a pressão é menor. No presente momento os métodos mais utilizados
para a aferição da pressão arterial não podem ser utilizados ininterruptamente, como
o Esfigmomanômetro, que contrai, geralmente a artéria braquial, a uma pressão maior do
que a pressão do indivíduo, outros métodos são invasivos, onde é introduzido um cateter
na artéria do paciente, o que pode gerar desconforto e possíveis infecções.
Este trabalho propõe um estudo de técnicas para a aferição contínua e não invasiva da
pressão arterial, através do processamento de sinais de Fotopletismografia em conjunto
com algoritmos de Inteligência Artificial. A pesquisa foi executada em duas bases de dados
diferentes, sendo uma da Universidade de Queensland, e a outra da Universidade
Federal de Santa Maria (UFSM). Foram desenvolvidas três metodologias diferentes, denominadas
Single PPG Wave, Sliding Window e Scalogram, para cada método foi elaborado
um conjunto de experimentos com o propósito de corroborar para com os resultados apresentados,
bem como uma análise de cada teste. As abordagens utilizadas foram no âmbito
da regressão, que estima um valor de ponto flutuante, e na classificação, que busca situar
a condição do paciente em uma classe. Em termos de performance este trabalho atingiu
os padrões AAMI onde o dispositivo deve ter erro médio menor do que 5 mmHg e desvio
padrão menor do que 8 mmHg, e a classe A no padrão da Sociedade Britânica de
Hipertensão. Os melhores resultados demonstram que o método Sliding Window com o
algoritmo Random Forest atingiu erro médio e desvio padrão de 0.94 ± 2.31 mmHg para
a aferição da SBP e 0.60 ± 1.39 mmHg para DBP, dentre um total de 55.493 predições. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |