دفاعیه ارشد: نظارت هوشمند و مداوم بر فشار خون با استخراج ویژگی از سیگنال فوتوپلتیسموگرافی

نظارت هوشمند و مداوم بر فشار خون با استخراج ویژگی از سیگنال فوتوپلتیسموگرافی روز چهارشنبه، 20 بهمن، 1400 توسط موسسه آموزش عالی زند شیراز در شهر شیراز استان فارس برگزار می شود.

چکیده فارسی به همراه واژگان کلیدی: در حال حاضر، رایجترین وسیلهای که برای اندازهگیری مورد استفاده می باشد، فشار سنج با کاف است که میتواند فشار خون را با فاصله زمانی منظم و ناپیوسته اندازهگیری میکند لذا تغییرات فشار خون در فاصله زمانی بین دو سنجش با بازوبند ثبت نخواهد شد و این اطلاعات برای افراد تحت مراقبت، در حین بیهوشی و اتاقهای عمل و افرادی که فشار خون ناپایداری دارند دارای اهمیت بسیاری است. در این پژوهش با توجه به روابط بررسی شده بین سیگنالهای حیاتی بدن و مقدار فشار خون به بررسی سیگنال فوتوپلتیسموگرافی پرداختیم که بتوان بصورت مداوم فشار خون را اندازهگیری کرد برای این منظور در مرحله پیش پردازش برای حذف نویز ۵۰ هرتز و فرکانس بالا از فیلتر Moving Average و روش فیلتر میانه در حذف نویز خط پایه استفاده شده است، سپس ویژگیهایی برای تخمین فشار خون به روش پنجره بندی خودکار استخراج شده است. پس از آن الگوریتمهای یادگیری ماشین مختلف برای تخمین فشار خون با استفاده از این ویژگیها پیاده سازی شدند. بدین صورت که جامعه آماری ۹۴۲ نفری از مجموعه داده MIMIC II به شیوه ی ۱۰ - Fold برای تست و آموزش تقسیم بندی شد. که در بین آنها الگوریتم Random Forest توانست به میانگین خطای ۰.۱ و انحراف معیار ۳.۹۲ برای دیاستولیک و میانگین خطای ۰.۰۳ و انحراف معیار ۹.۹۷ برای سیستولیک برسد. همچنین در ادامه سخت افزاری معرفی شد که بتوان با آن به صورت زمان واقعی سیگنال PPG را از هر فرد دریافت کرد با استفاده از این سخت افزار دادگان از ۵ داوطلب به مدت ۱۰ دقیقه جمع آوری کرده و برای استخراج ویژگی به برنامه داده شد و نتیجه تخمین الگوریتم Random Forest با مقادیر واقعی آن مقایسه شد . واژگان کلیدی: استخراج ویژگی از فوتوپلتیسموگرافی، سنجش هوشمند، سیگنال فوتوپلتیسموگرافی، فشار خون، مانیتورینگ مداوم Abstract / Key Words: Currently, the most common method used for measurement is the cuff-based blood pressure monitor, which can measure blood pressure at regular and discrete intervals, so blood pressure readings were not recorded at intervals between two cuff measurements, and this information is for people under care, during anesthesia, operating rooms, and people with unstable blood pressure is very important. In this study, considering the relationships between the vital signals of the body and the amount of blood pressure, we examined the photoplethysmography signal, which can be used to continuously measure blood pressure. For this purpose, in the preprocessing stage, the Moving Average filter was used to remove ۵۰ Hz and high frequency noise, and the median filter method was used to remove the baseline noise, then features for estimating blood pressure were extracted by automatic windowing method. after that Various machine learning algorithms have been implemented to estimate blood pressure using these features. Thus, the statistical population of ۹۴۲ people from the MIMIC II data set was divided into Fold-۱۰ method for testing and training. Among them, Random Forest algorithm was able to reach a mean error of ۰.۱ and a standard deviation of ۳.۹۲ for diastolic and an average error of ۰.۰۳ and a standard deviation of ۹.۹۷ for systolic. Also, hardware was introduced that can be used to receive PPG signal from each person in real time. Using this hardware, data was collected from ۵ volunteers for ۱۰ minutes and given to the program to extract features, and the result The Random Forest algorithm estimate was compared with its actual values. Keywords: Blood pressure, Continuous monitoring, Intelligent measurement, Photoplethysmography signal, PPG feature extraction

معرفی سخنرانان: نگارنده: زهرا مهیاری استاد راهنما: دکترعلیرضا ملاح زاده استاد مشاور: دکتر امیرحسین راسخ استاد داور:دکتر مسعود محزون