Stima della pressione arteriosa continua dalla fotopletismografia tramite reti neurali convoluzionali.

Arterial blood pressure (ABP) monitoring is a fundamental method in preventing and detecting different cardiovascular health diseases such as hypertension, which represent one of the leading causes of death in the world. Currently, the most commonly adopted noninvasive blood pressure measurement system is the sphygmomanometer, while continuous monitoring of this parameter still often requires an invasive process. For this reason, recent research has been highly conducted on the measurement of the ABP using signals that can be measured with a non-invasive process, such as the photoplethysmogram (PPG) and electrocardiogram (ECG). After briefly introducing some of the state-of-the-art methodologies involved in this measurement, this work proposes a Deep Convolutional Neural Network Architecture (DCNN) that uses only a photoplethysmogram signal (PPG) as input to estimate continuous arterial blood pressure (ABP) signal non-invasively. This study also aims to measure and analyze systolic blood pressure (SBP), diastolic blood pressure (DBP), and mean arterial pressure (MAP) from the estimated ABP waveform and covers the data preprocessing techniques used. The method was carried out on a subset of 942 patients of two publicly available datasets: MIMIC-II and MIMIC-III. The results show that the proposed architecture is able to successfully model the dependency between PPG and ABP, making it an efficient process to estimate continuous blood pressure using only a non-invasive photoplethysmography signal.

Il monitoraggio della pressione arteriosa (ABP) è un metodo fondamentale nella prevenzione e nella diagnosi di differenti patologie cardiovascolari, tra le quali l’ipertensione, che rappresenta una tra le principali cause di morte al mondo. Attualmente, il sistema non invasivo più utilizzato per la misurazione della pressione arteriosa è lo sfigmomanometro, mentre il monitoraggio in continuo di questo parametro richiede ancora nella maggior parte dei casi un processo invasivo. Per questo motivo, recenti ricerche si sono focalizzate fortemente sulla misurazione della pressione arteriosa (ABP) a partire da segnali che possono essere misurati attraverso un processo non invasivo, quali il fotopletismogramma (PPG) e l’elettrocardiogramma (ECG). Dopo una breve introduzione delle metodologie utilizzate nello stato dell’arte per questo tipo di misurazione, questa tesi propone una architettura basata su Reti Neurali Convoluzionali Profonde (DCNN), che a partire da un segnale fotopletismografico (PPG) in input, stima il segnale continuo di pressione arteriosa (ABP) in modo non invasivo. A partire dal segnale di pressione stimato, questo studio si propone inoltre di misurare e analizzare la pressione arteriosa sistolica media (SBP), la pressione arteriosa diastolica media (DBP) e la pressione arteriosa media (MAP), e comprende le tecniche utilizzate per l’elaborazione dei dati. Il metodo è stato condotto su un sottogruppo di 942 pazienti facenti parte di due dataset pubblicamente disponibili: MIMIC-II e MIMIC-III. I risultati mostrano come l’architettura proposta sia in grado di modellizzare con successo la correlazione tra PPG e ABP, facendone così un efficace processo per la stima della pressione arteriosa continua a partire solamente da un segnale non invasivo fotopletismografico.