مدل‌سازي آشوب‌گراي سيگنال فوتوپلتيسموگرام جهت تخمين فشارخون مبتني بر شبكه‌هاي عصبي عميق كانولوشني

تخمين فشار خون به صورت غيرتهاجمي از طريق پردازش سيگنال‌هاي محيطي شامل سيگنال‌هاي قلبي و فوتوپلتيسموگرام از مسائل مورد توجه در حوزه پردازش سيگنال‌هاي پزشكي است. عمده مطالعات بر استخراج ويژگي‌هاي متنوع از سيگنال‌هاي محيطي و تخمين فشار خون به وسيله مدل‌هاي مبتني بر هوش محاسباتي متمركز هستند. در اين مقاله يك مدل شبكه عصبي عميق كانولوشني پيشنهاد شده كه با به كارگيري شكل موج سيگنال فوتوپلتيسموگرام و ويژگي‌هاي آشوبگراي آن مي‌تواند فشار خون را با دقت بالايي تخمين زند. ويژگي آشوب‌گراي سيگنال در فضاي فاز با نام آناليز كمي بازرخداد به همراه نمونه‌هاي سري زماني فوتوپلتيسموگرام به عنوان ورودي مدل شبكه عصبي عميق كانولوشني در نظر گرفته شده‌اند. نتايج آزمون مدل پيشنهادي بر روي دادگان استخراجي از مجموعه داده MIMICII بر اساس استانداردهاي انجمن فشار خون بريتانيا (BHS) و انجمن توسعه ابزار پزشكي (AAMI) نشان مي‌دهد كه اين تركيب در ورودي مي‌تواند دقت بالايي در تخمين فشار خون فراهم كند. به طور خاص در تخمين فشار خون دياستول و سيستول، معيار ضريب همبستگي پيرسون (R) براي روش پيشنهادي به ترتيب 0.93916 و 0.93357 به دست آمد. مطابق استاندارد BHS اين روش حائز درجه كيفي A در تخمين فشارخون است و داراي ميانگين و انحراف معيار خطاي تخمين براي فشار خون دياستول و سيستول به ترتيب برابر 3.5±0.45 و 6.69±0.48 مطابق نيازمندي‌هاي استاندارد AAMI مي‌باشد.