EKG és PPG jelen alapuló valós idejű vérnyomás becslés mélytanulással beágyazott környezetben
A vérnyomás a szervezet egészségügyi állapotát jellemző egyik legfontosabb adat. Ezen fiziológia információ alapján számos jelenlegi és jövőbeli betegségre lehet következtetni, amelyek akár nagyon súlyosak is lehetnek. Ezt az a statisztikai adat is alátámasztja, miszerint napjainkban a legtöbb halálesetet a magas vérnyomással kapcsolatos szövődmények okozzák, ilyen például a szívroham vagy a stroke. Tehát a nem megfelelő vérnyomás korai észrevételével akár meg is előzhetőek olyan kóros állapotok, amelyek később súlyos tünetekkel jelentkeznének.
Mindezért rendkívül hasznos lenne egy a mindennapokban használható eszköz, amelynek segítségével valós időben, folyamatosan tudnánk monitorozni ezen élettani jelnek a pontos értékeit. Az előbb említett feltételeket jelenleg csak az invazív vérnyomásmérés teljesíti, bár ezen eljárás csak orvosi felügyelet mellett alkalmazható, így a mindennapokban nem használható. A probléma megoldására jelenlévő non-invazív módszerek közül a leggyakoribb a mandzsettás eljárás, amelynek jelentős hátránya, hogy nem alkalmas folyamatos vérnyomásmérésre, továbbá a mérés eredményét befolyásolhatja a mandzsetta okozta szorító érzés pszichológiai hatása. Kísérletek léteznek azonban külsőleg mért jelek feldolgozásán alapuló eljárásokra is, viszont ezen módszerek teljesítménye még nem kielégítő. Ebben az esetben becslési algoritmusokat szoktak használni, amelyek más, külsőleg mérhető fiziológia jelek ismeretében próbálják meghatározni az aktuális vérnyomásértéket. Ezen jelek közé tartozik a fotopletizmográfiás (PPG) jel, amely lehetőséget nyújt a vértérfogat változásának kimutatására, valamint az elektrokardiogram (EKG), amely a szív elektromos jelenségeit regisztrálja.
A dolgozat célja egy olyan vérnyomásmérő rendszer bemutatása, amely a fent leírt követelményeket képes teljesíteni. Bemenetként EKG és PPG jeleket használok fel, amelyeket egy MAX86150EVSYS hardver egység mér, a mintavételezett értékeket feldolgozza, majd Bluetooth kapcsolaton keresztül továbbítja. Az elküldött adatokat egy NVIDIA Jetson Developer Kit fogadja, amely a rendszer magját képezi. Itt történik a bemenetek további feldolgozása, valamint neurális hálózat segítségével a vérnyomás aktuális szisztolés, valamint diasztolés értékének becslése. Az ezen két értéket előállító mély tanulást alkalmazó algoritmus több konvolúciós és LSTM réteget tartalmaz, melyek célja az idő- és frekvenciatartománybeli minták megtanulása. A becslés eredményét egy NVIDIA Jetson-hoz csatlakozó monitor jeleníti meg egy grafikus felhasználói interfész segítségével.
A neurális hálózat becslési hibáját először egy előre feldolgozott adatokat tartalmazó, publikusan elérhető adathalmazon értékeltem ki, és hasonlítottam össze irodalmi munkák eredményeivel több osztályozási rendszert felhasználva. Majd az MAX86150EVSYS segítségével saját méréseket végeztem, amelyekre megismételtem a kiértékelési folyamatot. Az eredmények azt mutatják, hogy a bemutatott módszer meghaladja az összehasonítás alapjait képező publikációkban ismertetett eljárások eredményeit. A dolgozatom során bemutatom az elkészített rendszer tervezésének folyamatát, valamint azt, hogy a mély tanuláson alapuló módszerek milyen ígéretes lehetőségeket teremtenek a non-invazív vérnyomásmérés területén.
szerző
-
Tóth Bálint
Villamosmérnöki szak, alapképzés
alapképzés (BA/BSc)
konzulensek
-
Dr. Szegletes Luca
egyetemi adjunktus, Automatizálási és Alkalmazott Informatikai Tanszék -
-