Исследование производительности различных моделей машинного обучения при неинвазивном измерении артериального давления на основе сигналов PPG и ЭКГ

Аннотация

При обучении нейронной сети выбор ее архитектуры обычно стараются соотнести с достижением низкой суммарной ошибки. В данной работе представлен метод выбора наилучшей архитектуры нейронной сети для заданного набора данных на основе наблюдения за общей (accurace) и классовой (precision) точностью и чувствительностью при непрерывном мониторинге артериального давления. Непрерывный мониторинг артериального давления (АД) может предоставить информацию о диагностике артериальной гипертензии и других сердечно-сосудистых заболеваний. Измерение АД без манжеты на основе фотоплетизмограммы (PPG) является альтернативой традиционным системам на основе традиционных методов. Для оценки АД в системах измерения на основе PPG используют морфологические, временные и частотные характеристики. В данной работе представлен алгоритм, основанный на времени прихода импульса (PAT), для непрерывной оценки значений артериального давления (SBP), диастолического артериального давления (DBP) и среднего артериального давления (MAP) без манжеты.Для оценки АД с использованием нелинейных характеристик сигналов PPG используются алгоритмы машинного обучения. Предлагаемый анализ оценивает значения АД путем обработки жизненно важных сигналов и извлечения необходимых признаков и последующей оценки с помощью алгоритмов классификации. Использование параметра времени прихода пульса в сочетании с информативными характеристиками позволяет оптимально неинвазивно оценить АД.При предподготовке были удалены части записи с очень высокими или очень низкими значениями АД (SBP ≥ 200, DBP ≥ 130, SBP ≤ 70, MAP ≤ 60).Результаты оценок всех классификаторов попадают в диапазон 70–75% по точности и ниже по чувствительности. Лучшим по точности стал метод Случайного леса со значение 0.738282316 с К=500. Однако разница в объективном значении между лучшими и худшим классификаторами незначительна.