Stima della pressione arteriosa, da segnali PPG, tramite algoritmi di machine learning

Abstract

L’obbiettivo di questo lavoro di tesi è stato implementare una metodologia che fosse in grado di predirre i valori di pressione sistolica e diastolica a partire dal segnale PPG, con le caratteristiche di non-invasività, continuità e utilizzabilità da remoto .

L’approccio proposto presenta, in seguito alla concatenazione di dataset diversi tra di loro in termini di attività, modalità acquisizione del segnale PPG e misurazione della pressione arteriosa una riguardevole eterogeneità. I modelli proposti, a seguito dei diversi approcci per la selezione delle feature, dimostrano come tutti i domini analizzati siano importanti nella stima della pressione.

Dall’analisi dei risultati dei modelli sulla pressione sistolica si evince al termine dell’ottimizzazione degli iperparametri che il modello che mostra le migliori performance è quello basato sull’algoritmo Gaussian Process Regression. Tale algoritmo risulta essere il migliore anche per la stima della pressione diastolica i cui risultati risultano essere in accordo con tutti gli standard proposti. Per questi due modelli si è effettuato uno studio sulla loro interpretabilità attraverso l’analisi sull’importanza delle feature ed è emerso che le feature più importanti per entrambi i modelli sono quelle legate al Pulse Transit Time, caratteristica fondamentale per l’implementazione di modelli basati su segnale PPG che presenta una forte rilevanza clinica. Quest’analisi sulle feature più rilevanti e la loro rilevanza clinica, dimostra che sebbene il GPR sia un modello poco interpretabile ed esplicabile, i modelli proposti esibiscono una buona affidabilità. Dall’analisi sui casi limite è emerso che sia per il modello sulla pressione sistolica che sulla pressione diastolica il motivo alla base dell’errore è da ricercare maggiormente nel peso rilevante di feature meno importanti rispetto al modello di training e nello score basso di alcune feature con peso maggiore. Ciò evidenzia sia la gerarchia delle feature nei nostri modelli ma anche, seppur con il loro peso, che tutte le feature risultano essere rilevanti nella predizione dei valori di pressione In conclusione, tale lavoro di tesi propone un approccio nuovo in letteratura, molto generalizzabile e valido per la stima della pressione sistolica e diastolica. Le caratteristiche più rilevanti sono quelle relative alla non invasività della metodologia e la possibilità di registrazioni da remoto per i pazienti. I modelli proposti possono sicuramente essere ottimizzati, in ottica futura infatti si potrebbero effettuare test su nuovi dataset con una numerosità maggiore.

Obiettivo

Implementare una metodologia che, a partire dal segnale PPG, permetta il monitoraggio della pressione sistolica e diastolica, con le caratteristiche di non-invasività, continuità e utilizzabilità da remoto.

Metodologia di ricerca

• Ricerca di Dataset pubblici (segnale PPG)
• Processing: Campionamento, Filtraggio (Butterworth, trasformata wavelet continua), individuazione picchi, estrazione feature
• Concatenazione dei dataset
• Training di cinque algoritmi di classificazione (Regressione Multipla Lineare,  Random Forest, Support Vector Regression, Least- Square Boosting, Gaussian Process Regression) in Matlab

• Analisi di feature importance

Conclusioni

Il modello che mostra le migliori performance è quello basato sull’algoritmo Gaussian Process Regression. Tale algoritmo risulta essere il migliore per la stima della pressione diastolica e sistolica i cui risultati risultano essere in accordo con tutti gli standard proposti. Per entrambi i modelli di regressione  è emerso che le feature più importanti sono quelle legate al Pulse Transit Time, caratteristica fondamentale per l’implementazione di modelli basati su segnale PPG che presenta una forte rilevanza clinica.

Sviluppi futuri

Il metodo proposto permette di utilizzare una metodologia non invasiva  e dà la possibilità di effettuare registrazioni da remoto per i pazienti. I modelli utilizzati possono sicuramente essere ottimizzati, aumentando la numerisità del dataset per migliorarne l’accuratezza.