20.500.12556/RUL-185046 Modeliranje fotopletizmogramov z globokim učenjem Modeling photoplethysmograms with deep learning Hipertenzija je eden najpogostejših kroničnih zdravstvenih problemov sodobnega časa in glavni dejavnik tveganja za bolezni srca in možgansko kap. Ker bolezen pogosto ne povzroča opaznih simptomov, redno merjenje krvnega tlaka ostaja edini zanesljiv način za pravočasno odkrivanje. Standardne metode merjenja so invazivne ali neprimerne za dolgotrajno neprekinjeno spremljanje, zato so raziskave neinvazivnih alternativ izjemno aktivne. Ena izmed obetavnih smeri je ocenjevanje krvnega tlaka iz fotopletizmografskih (PPG) signalov, ki jih že danes zaznavajo senzorji v pametnih urah in nosljivih napravah. Kljub spodbudnim rezultatom pristopov globokega učenja pa večina modelov deluje kot črna škatla, brez jasnega vpogleda v to, katere morfološke lastnosti signala so odločilne. V tej nalogi razvijemo avtokodirnik z razpletenim latentnim prostorom za PPG signale, pri katerem vsaka dimenzija latentnega prostora ustreza enemu fiziološko interpretabilnemu morfološkemu parametru signala. Na podlagi izbranih morfoloških parametrov generiramo sintetične signale z modelom dveh Gaussovih krivulj in metodo vzorčenja z latinsko hiperkocko. Na sintetičnih podatkih primerjamo tri modele: navadni avtokodirnik in standardni variacijski avtokodirnik (VAE) brez predpisane strukture in nadzorovani VAE, ki z dodatno napovedno glavo eksplicitno usmerja posamezne dimenzije latentnega prostora k vrednostim morfoloških parametrov. Naučene modele nato brez dodatnega učenja prenesemo na realne PPG signale in ocenimo kakovost rekonstrukcije ter strukturo latentnega prostora. Rezultati na sintetičnih signalih pokažejo, da nadzorovani variacijski avtokodirnik doseže najbolj strukturiran in razložljiv latentni prostor, pri čemer ohrani rekonstrukcijsko natančnost, primerljivo z navadnim avtokodirnikom. Intervencijska analiza dodatno potrdi, da posamezne latentne dimenzije omogočajo neposredno razlago in nadzorovano spreminjanje morfoloških lastnosti generiranih signalov. Standardni variacijski avtokodirnik zaradi sesutja posteriorne porazdelitve odpove tako pri rekonstrukciji kot pri organizaciji latentnega prostora. Pri prenosu na realne PPG signale se zmogljivost vseh modelov poslabša, kar kaže na domensko vrzel med sintetičnimi in realnimi podatki. Čeprav nadzorovani variacijski avtokodirnik doseže delno prekrivanje obeh domen v latentnem prostoru, to ne vodi nujno do boljše morfološke skladnosti med realnimi signali in njihovimi najbližjimi sintetičnimi predstavitvami. Rezultati kažejo, da nadzorovano usmerjanje latentnega prostora omogoča učinkovito in razložljivo predstavitev morfoloških značilnosti sintetičnih PPG signalov, medtem ko prenos teh predstavitev na realne podatke brez dodatnega prilagajanja ostaja omejen zaradi domenske vrzeli med sintetično in realno domeno. Hypertension is one of the most common chronic health conditions of our time and a leading risk factor for cardiovascular disease and stroke. Since the condition often causes no noticeable symptoms, regular blood pressure monitoring remains the only reliable means of timely detection. Standard measurement methods are either invasive or unsuitable for long-term continuous monitoring, making research into non-invasive alternatives highly active. One promising direction is the estimation of blood pressure from photoplethysmographic (PPG) signals, already captured by sensors in smartwatches and wearable devices. Despite encouraging results from deep learning approaches, most models operate as black boxes, without clear insight into which morphological features of the signal are decisive. In this work, we develop an autoencoder with a disentangled latent space for PPG signals, in which each latent dimension corresponds to a single physiologically interpretable morphological parameter of the signal. Based on selected morphological parameters, we generate synthetic signals using a two-Gaussian model and Latin hypercube sampling of the parameters. On the synthetic data, we compare three models: a vanilla autoencoder and a standard variational autoencoder (VAE) without prescribed structure, and a supervised VAE, which uses an additional prediction head to explicitly align individual latent dimensions with the values of the morphological parameters. The trained models are then transferred to real PPG signals without any additional retraining, where we evaluate reconstruction quality and latent space structure of the real PPG signals. Results on synthetic signals show that the supervised variational autoencoder achieves the most structured and interpretable latent space, while maintaining reconstruction accuracy comparable to the vanilla autoencoder. Intervention analysis further confirms that individual latent dimensions allow for direct interpretation and controlled manipulation of the morphological features of generated signals. The standard variational autoencoder fails at both reconstruction and latent space organization due to posterior collapse. When transferred to real PPG signals, the performance of all models deteriorates, indicating a domain gap between synthetic and real data. Although the supervised variational autoencoder achieves partial overlap between the two domains in the latent space, this does not necessarily lead to better morphological agreement between real signals and their nearest synthetic representations. The results show that supervised guidance of the latent space enables an effective and interpretable representation of the morphological characteristics of synthetic PPG signals, while transferring these representations to real data without additional adaptation remains limited due to the domain gap between the synthetic and real domains. fotopletizmogram (PPG) biomedicinska obdelava signalov generativni modeli razpleteni latentni prostor razložljivost photoplethysmogram (PPG) biomedical signal processing generative models disentangled latent space explainability true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-07-21 14:50:02 2026-07-21 14:50:24 2026-07-31 10:56:04 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38609 286563075 Drascek_Manca_-_Modeliranje_fotopletizmogramov_z_globokim_ucenjem.pdf Drascek_Manca_-_Modeliranje_fotopletizmogramov_z_globokim_ucenjem.pdf 1 E21DC5BF970B11447D7675D5D0ECD3B1 769a8221e3ba7c6fa954526e58cc734dd8b5b0a7664a39e8ba536915eaad108d 8130957e-8502-11f1-9b0d-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=243078 Fakulteta za računalništvo in informatiko 0 0 0