Quality enhancement of PPG signals affected by movement artifacts in wearable devices using Neural Networks

La rimozione degli artefatti da movimento nei segnali PPG (fotopletismografia) è una sfida cruciale per garantire la precisione e l’affidabilità dei dispositivi indossabili, utilizzati per il monitoraggio continuo della frequenza cardiaca (HR) e di altri parametri vitali. Questi dispositivi sono sempre più diffusi nella vita quotidiana per il monitoraggio della salute, il fitness e altre applicazioni mediche. Tuttavia, i movimenti del corpo possono introdurre artefatti significativi nei segnali PPG, compromettendo la qualità dei dati raccolti e la loro interpretazione. Per affrontare questa problematica, è essenziale sviluppare algoritmi avanzati in grado di migliorare i segnali PPG corrotti da artefatti di movimento. Attualmente, vengono utilizzati metodi di filtraggio con filtri adattativi, ma la frequenza dell’artefatto da movimento potrebbe ricadere nella stessa banda del segnale PPG. Filtrando tale frequenza, si rischia di rimuovere informazioni rilevanti del segnale PPG. L’obiettivo di questa tesi è sviluppare un algoritmo di Deep Learning per il miglioramento dei segnali PPG corrotti da artefatti di movimento acquisiti tramite dispositivi indossabili, utilizzando il segnale PPG corrotto e i segnali accelerometrici forniti da un accelerometro a tre assi, preservando l’integrità del segnale PPG. Data l’assenza di dataset pubblici contenenti segnali PPG corrotti da artefatti di movimento, segnali accelerometrici associati al movimento e il target non sintetico, è stato creato un dataset specifico utilizzando un dispositivo sviluppato da STMicroelectronics: il sistema VSM01. Sono stati impiegati due VSM01: uno bluetooth per acquisire il segnale PPG corrotto e i segnali accelerometrici sulla mano sinistra, e un sistema VSM01 cablato per acquisire il segnale PPG di riferimento sulla mano destra ferma. Il dataset è stato successivamente caratterizzato, analizzando i battiti per minuto (bpm) per ogni finestra temporale. È stato implementato un modello di rete neurale Encoder-Decoder, con convoluzioni 1D, layer LSTM e bidirectional LSTM, che è stato allenato utilizzando il dataset creato. Successivamente, il modello è stato testato con altri segnali non utilizzati nella fase di training. La bontà dei risultati ottenuti è stata valutata calcolando il mean-absolute error medio, il coefficiente di correlazione di Pearson medio, l’errore medio della frequenza cardiaca e una metrica custom chiamata Peak Signal Score.