Estimativa da pressão arterial através de modelos de inteligência artificial no processamento de sinais de fotopletismografia
Abstract
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.
Collections
The following license files are associated with this item: