Dissertação

{en_GB=Cuffless Blood Pressure Estimation for Continuous 24/7 Patient Monitoring} {} EVALUATED

{pt=A pressão arterial é um fator importante na monitorização de doentes em enfermaria e é um dos sinais fisiológicos avaliados pelo sistema Wireless Assessment of Respiratory and Circulatory Distress (WARD) de apoio clínico. Atualmente, a monitorização é intermitente, e realizada com recurso a um esfigmomanómetro. Este método apresenta várias desvantagens, nomeadamente a baixa frequência das medições e o desconforto causado aos doentes. Diversos métodos alternativos foram estudados na literatura para a medição da pressão sanguínea de forma contínua e sem recurso a uma braçadeira insuflável. Esta dissertação visa abordar estes mesmos estudos e implementar um método de obtenção da pressão arterial com base num algoritmo de aprendizagem automática. Um conjunto de features morfológicas e temporais foram calculadas a partir dos sinais de fotopletismografia e eletrocardiograma e posteriormente usadas para treinar dois modelos de Random Forest Regression para estimar as pressões sistólica e diastólica, respetivamente. Os modelos foram treinados e testados em primeiro lugar a partir da base de dados pública Multi-Parameter Intelligent Monitoring for Intensive Care II (MIMIC II). Posteriormente, a solução desenvolvida foi aplicada aos dados do projeto WARD. Embora a insuficiente qualidade dos sinais tenha dificultado a obtenção de resultados comparáveis aos da literatura, foi ainda assim possível obter valores de pressão arterial sistólica e diastólica com erro médio de 5.20±5.13mmHg e 1.70±7.98mmHg, respetivamente, num subconjunto de dados da base de dados MIMIC II. Apesar das limitações, um algoritmo de aprendizagem automática baseado nos sinais de fotopletismografia e eletrocardiograma demonstra potêncial para a medição indireta da pressão arterial., en=Blood pressure (BP) is an important factor in general ward patients monitoring, which is the focus of the Wireless Assessment of Respiratory and Circulatory Distress (WARD) clinical support system. Current practice relies on intermittent cuff-based measurements. This method has major drawbacks such as the low frequency of evaluation and discomfort for the patients. Continuous cuffless BP estimation methods have been explored in the literature as solutions for these problems. This master thesis aims at addressing cuffless blood pressure estimation using a data-driven method based on a machine learning algorithm. Several morphological features and pulse arrival time features were extracted from the photopletymogram waveform, its derivative and second derivative and from the electrocardiogram waveform. The set of features was used to train two Random Forest Regression models to estimate systolic blood pressure (SBP) and diastolic blood pressure (DBP), respectively. The BP estimation algorithm was fist trained and tested on data publicly available at the Multi-Parameter Intelligent Monitoring for Intensive Care II (MIMIC II) database. On a second stage, the solution was applied to data from the WARD project. Although signal quality created difficulties in achieving results that compare to those in the literature, in a small subset of high quality data from the MIMIC II database, it was possible to obtain SBP and DBP estimations with a mean error of 5.20±5.13mmHg and 1.70±7.98mmHg, respectively. Despite the limitations, a machine learning method based on photopletymogram and electrocardiogram features shows potential for the estimation of blood pressure without a cuff.}
{pt=Pressão Arterial, Monitorização de doentes, Fotopletismografia, Eletrocardiograma, Aprendizagem Automática, en=Blood Pressure, Cuffless, Patient monitoring, Photoplethysmography, Electrocardiogram, Random Forest}

janeiro 27, 2021, 12:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Helge Bjarup Dissing Sørensen

Department of Health Technology, DTU

Associate Professor

ORIENTADOR

Agostinho Cláudio da Rosa

Departamento de Bioengenharia (DBE)

Professor Associado