izpis_h1_title_alt

Trajno napovedovanje krvnega tlaka iz signala PPG
Slapničar, Gašper (Avtor), Kukar, Matjaž (Mentor) Več o mentorju... Povezava se odpre v novem oknu, Luštrek, Mitja (Komentor)

.pdfPDF - Predstavitvena datoteka, prenos (2,10 MB)
MD5: 6789C21EC9FAA8CBD3EE06D69A2D1AEA

Izvleček
Krvni tlak je pomemben pokazatelj hipertenzije. Razvili smo sistem, ki krvni tlak ocenjuje iz fotopletizmograma (PPG), kakršen je že vgrajen v večino modernih senzorskih zapestnic. Zaradi šuma in motenj, ki se v signalu PPG pojavijo kot posledica uporabe zapestnice, smo razvili metodo čiščenja in segmentiranja signala PPG na cikle. Nato smo izračunali množico značilk, ki smo jih uporabili v regresijskih modelih. Sistem smo izboljšali z uporabo algoritma RReliefF za izbor najboljših značilk in z uporabo dela podatkov vsake osebe za učenje personaliziranih napovednih modelov. Sistem smo vrednotili na dveh podatkovnih množicah, eni iz kliničnega okolja in drugi zbrani med rutinskimi dnevnimi aktivnostmi posameznikov. V poizkusu, kjer model vsakič naučimo na vseh osebah razen eni in ga nato testiramo na izpuščeni osebi, smo z uporabo klinične množice (podatkovna baza MIMIC) dosegli najnižjo povprečno absolutno napako (MAE) 5,61 mmHg za sistolični in 3,82 mmHg za diastolični krvni tlak, oboje pri največji stopnji personalizacije. Za množico, zbrano med rutinskimi dnevnimi aktivnostmi, smo dosegli najnižjo MAE 8.40 mmHg za sistolični in 4.20 mmHg za diastolični krvni tlak, ponovno pri največji stopnji personalizacije. Najbolje sta se obnesla algoritma globoka regresija in ``naključni gozd''. Rezultati skoraj dosegajo zahteve dveh glavnih standardov za ocenjevanje krvenga tlaka.

Jezik:Angleški jezik
Ključne besede:krvni tlak, fotopletizmografija, strojno učenje, regresija, obdelava signalov
Vrsta gradiva:Magistrsko delo/naloga (mb22)
Organizacija:FRI - Fakulteta za računalništvo in informatiko
Leto izida:2018
Število ogledov:856
Število prenosov:421
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
 
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
:
Objavi na:AddThis
AddThis uporablja piškotke, za katere potrebujemo vaše privoljenje.
Uredi privoljenje...

Sekundarni jezik

Jezik:Slovenski jezik
Naslov:Continuous blood pressure estimation from PPG signal
Izvleček:
Blood pressure (BP) is an indicator of hypertension. We developed a system in which photoplethysmogram (PPG), which is commonly integrated in modern wearables, is used to continuously estimate BP. A preprocessing module was developed and used for cleaning the PPG signal of noise and artefacts, and segmenting it into cycles. A set of features describing the PPG signal was then computed to be used in regression models. The RReliefF algorithm was used to select a subset of relevant features and personalization of the models was considered to further improve the performance of the models. The approach was validated using two distinct datasets, one from a hospital environment, and the other collected during every-day activities. Using the clinical dataset (MIMIC database), the best achieved mean absolute errors (MAE) in a leave-one-subject-out (LOSO) experiment were 5.61 mmHg for systolic and 3.82 mmHg for diastolic BP, at maximum personalization. For everyday-life dataset, the lowest errors were 8.40 mmHg for systolic and 4.20 mmHg for diastolic BP. Deep learning regression and Random Forest algorithm achieved the best results. Our results borderline meet the requirements of the two most well-established standards for BP estimation devices.

Ključne besede:blood pressure, photoplethysmography, machine learning, regression, signal processing

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj