Progettazione di reti neurali per estrarre la frequenza respiratoria dal segnale ECG. = Neural network designing to extract respiratory rate from ECG signal

Negli ultimi anni la diffusione e l’utilizzo dei dispositivi indossabili vive un trend di crescita costante, contribuendo a rivoluzionare il settore sanitario. Le tecnologie indossabili sono in grado di offrire un valido contributo grazie a dispositivi poco invasivi che rendono possibile il monitoraggio continuo dei parametri vitali. L’obiettivo, oggi giorno, è quello di ottenere il maggior numero di informazioni da un unico dispositivo che sia il meno ingombrante possibile, che abbia costi contenuti e sia a basso consumo. In questo contesto si pone lo scopo principale di questo progetto di tesi: sviluppare un algoritmo, con implementazione futura in un dispositivo indossabile, in grado di riprodurre l’andamento del segnale respiratorio e la relativa frequenza a partire dall’ ECG mediante l’utilizzo dell’intelligenza artificiale. La frequenza respiratoria, definita come il numero di atti respiratori al minuto, è uno dei quattro principali parametri vitali, insieme a frequenza cardiaca, temperatura corporea e pressione sanguigna, che vengono monitorati in un contesto clinico. La presenza dell’attività respiratoria all’interno del segnale elettrocardiografico è un fenomeno ben documentato e ci sono diverse tecniche che possono essere utilizzate per ottenere il segnale respiratorio da un ECG. Il vantaggio principale di queste tecniche consiste nell’ottenere una stima del segnale respiratorio sfruttando solamente la comune apparecchiatura elettrocardiografica, senza richiedere ulteriori strumentazioni che spesso sono ingombranti e costose e che possono interferire con la respirazione spontanea. Le tecniche più recenti sono chiamate EDR (ECG-Derived Respiration) e sono basate sull'analisi della variazione nella morfologia del segnale ECG provocata dall'atto respiratorio. Il progetto di tesi sviluppato all’interno dell’azienda STMicroelectronics S.r.l., in Agrate Brianza, è da considerarsi innovativo in quanto l’algoritmo progettato utilizza l’intelligenza artificiale che prende in ingresso il segnale ECG grezzo e ne ricava l’andamento del segnale respiratorio. L’utilizzo dell’intelligenza artificiale porta ad un miglioramento in termini di complessità computazionale in quanto viene meno una fase di pre-elaborazione importante del segnale ECG. La rete costruita è una feed forward multi layer che utilizza il processo di regolarizzazione Bayesiana come funzione di addestramento. Un insieme di misure fisiologiche, rese pubbliche su PhysioNet resource, acquisite su 13 soggetti adulti sani ha costituito il database per la fase di addestramento della rete neurale. Tale fase prevede varie prove con diversi input dati alla rete. Per una validazione preliminare, sono state utilizzate le misure di bioimpedenza e il segnale elettrocardiografico di 10 soggetti adulti sani ottenuti con il dispositivo Pulse Sense progettato da STMicroelectornics S.r.l. e commercializzato da Preventice Solution. Dal segnale di riferimento del database si individuano gli atti respiratori identificando le sequenze picco valle presenti nel segnale e contandole in finestre di 60 secondi. Stessa operazione viene fatta sul segnale in uscita dalla rete. In ultimo le due stime vengono confrontate per poter valutare le prestazioni. I risultati dell’algoritmo sono attualmente in fase di validazione.