Stima della pressione sistolica dal segnale PPG tramite reti neurali artificiali = Systolic blood pressure evaluation from PPG signal using artificial neural networks

Al giorno d'oggi i disturbi cardiovascolari sono il motivo più frequente di morte e sono dovuti a tanti fattori, tra i quali uno dei più importanti è l'ipertensione. Per questo motivo un monitoraggio continuo della pressione è necessario per Identificare in tempo il rischio di morte. Il metodo più efficiente per la prevenzione e la diagnosi di questi disturbi è la creazione di dispositivi indossabili per il monitoraggio della pressione all'interno di una Body Area Network. Alcuni studi recenti sfruttano la combinazione di alcune tecniche come l'Elettrocardiografia e la Fotopletismografia per ottenere la Pulse Wave Velocity o il Pulse Transit Time, che sono grandezze correlate alla pressione sanguigna. Il punto debole di queste tecniche è la necessità di due o più dispositivi per il monitoraggio contemporaneo da diverse posizioni sul corpo del paziente. L'utilizzo di reti neurali artificiali spesso migliora l'accuratezza di queste metodologie. Per questi motivi, le ricerche più recenti si focalizzano sulla stima della pressione sanguigna a partire dal solo segnale Fotopletismografico (PPG), supportato dalla potenza computazionale delle reti neurali artificiali. A tali reti neurali, viene fornito come ingresso un set di features rappresentanti la morfologia del segnale Fotopletismografico, che è correlabile alla pressione sanguigna. Lo scopo di questo progetto è quello di creare un classificatore basato sulle reti neurali artificiali, che sia in grado di associare le caratteristiche del singolo periodo PPG ricevute in ingresso con uno dei range predefiniti di pressione sistolica. Per istruire la rete neurale è stato creato un dataset contenente le features e il relativo valore di pressione sistolica per 214616 periodi PPG, estratti dal database MIMIC della Physionet. Tale dataset è stato bilanciato, le relative features sono state normalizzate e inoltre i valori di pressione sistolica sono stati discretizzati secondo 7 ranges predefiniti. La rete neurale scelta è un Multilayer feedforward backpropagation Neural Network, con 15 neuroni di input, due layer nascosti di rispettivamente 120 e 360 neuroni, e un layer di output con 7 neuroni rappresentanti le 7 classi di output. L'ottimizzazione della rete neurale è avvenuta sia manualmente che attraverso una cross validazione. I risultati mostrano un’accuratezza del 76% sul test set e una buona generalizzazione della rete neurale. Inoltre, i valori di precisione e recall mostrano prestazioni più alte per le classi relative ai range esterni, che rappresentano valori di pressione più alti e più bassi.