Neural Network-Based Multi-Wavelength PPG Signal Denoising for Wearable Devices

Negli ultimi anni, i dispositivi indossabili sono diventati fondamentali per il monitoraggio continuo e personalizzato della salute, trovando applicazione sia in ambito clinico che nel benessere quotidiano. Smartwatch, smart band e smart ring consentono di raccogliere segnali fisiologici in tempo reale, a supporto della telemedicina, per la prevenzione e l’adozione di stili di vita più sani e consapevoli. Tra i diversi biosensori, la fotopletismografia (PPG) si è affermata come tecnica ottica di riferimento per la stima dei parametri cardiovascolari. Rispetto ai sistemi elettrocardiografici tradizionali, i sensori PPG presentano un hardware più semplice, un singolo punto di contatto cutaneo e garantiscono maggiore libertà di movimento. Oltre al calcolo della frequenza cardiaca, la PPG permette di stimare anche altri indicatori come variabilità della frequenza (HRV), saturazione di ossigeno, pressione arteriosa e qualità del sonno. Tuttavia, artefatti da movimento, variabilità intersoggetto e condizioni ambientali hanno un impatto significativo sulla qualità del segnale PPG, rendendolo poco affidabile. Questa tesi affronta il problema appena descritto con un approccio integrato di analisi e modellazione basata su deep learning, con l’obiettivo di migliorare la qualità del segnale e garantire una stima robusta della frequenza cardiaca. È stato costruito un dataset multicanale, comprendente segnali PPG acquisiti a diverse lunghezze d’onda (rosso, verde e infrarosso) e segnali accelerometrici, raccolti su più soggetti sia a riposo sia durante semplici movimenti, utilizzando piattaforme hardware sviluppate da STMicroelectronics posizionate sul dito e sul polso. Dopo un pre-processing che ha incluso filtraggio, allineamento e normalizzazione dei segnali, i dati sono stati utilizzati per addestrare e validare una rete neurale ibrida convolutional neural network (CNN) + long short-term memory (LSTM). La rete neurale è stata progettata per apprendere la morfologia dei segnali PPG multi-lunghezza d’onda, e modellarne l’andamento temporale, ricostruendo un segnale privo di artefatti da movimento, consentendo l’identificazione dei picchi sistolici e la stima della frequenza cardiaca anche in condizioni di rumore. La valutazione ha incluso metriche quantitative e analisi morfologiche, per confermare la coerenza tra segnali di riferimento e segnali predetti. I risultati sperimentali hanno mostrato che il modello proposto riduce in modo significativo gli artefatti da movimento e mantiene prestazioni stabili anche su soggetti non inclusi nel training set, dimostrando buone capacità di generalizzazione. Nel complesso, i risultati dimostrano che l’integrazione tra soluzioni hardware dedicate e modelli di intelligenza artificiale può aumentare l’affidabilità del monitoraggio PPG in tempo reale, sostenendo lo sviluppo di dispositivi indossabili robusti per applicazioni cliniche e di largo consumo.