А.Н. Калиниченко1, Л.А. Манило2, А.П. Немирко3, Е.В. Садыкова4, И.В. Дегтерев5

1–5 Санкт-Петербургский государственный электротехнический университет имени В.И. Ленина
(Санкт-Петербург, Россия)
2 lmanilo@yandex.ru

Постановка проблемы. Традиционная методика измерения артериального давления с использованием манжетного тонометра является достаточно длительной и неудобной для пациента процедурой, что не позволяет использовать ее в портативных приборах для контроля состояния человека. Одним из альтернативных методов является получение оценок давления за счет автоматического анализа сигнала фотоплетизмограммы. Однако предлагаемые алгоритмы требуют инди­видуальной для каждого пациента настройки параметров с использованием объемных наборов аннотированных данных.
В настоящей работе предлагается путь решения этой проблемы, основанный на использовании процедуры дообучения нейросетевой модели.

Цель. Разработка нейросетевого алгоритма, в котором повышение точности оценки артериального давления достигается путем дообучения предварительно обученной модели на ограниченном объеме аннотированных данных конкретного пациента.

Результаты. В данном исследовании предлагается путь решения проблемы оценки артериального давления по сигналу фотоплетизмограммы за счет применения подхода, при котором используемая нейросетевая модель обучается на достаточно большом объеме записей каких-либо пациентов, а для каждого нового пациента выполняется лишь процедура дообучения предварительно обученной модели, которая может быть выполнена с использованием относительно небольшого набора обучающих данных. Показано, что предложенная процедура дообучения нейросетевой модели позволяет почти во всех случаях получить существенно более высокую точность оценок артериального давления, чем в случае ее отсутствия.

Практическая значимость. Предложенный подход открывает путь к созданию портативных устройств контроля состояния человека, в которых реализована функция текущей оценки артериального давления по сигналу фотоплетизмограммы.

Калиниченко А.Н., Манило Л.А., Немирко А.П., Садыкова Е.В., Дегтерев И.В. Повышение точности оценки артериального давления по фотоплетизмограмме за счет дообучения искусственной нейронной сети // Биомедицинская радиоэлектроника. 2024. T. 27. № 5. С. 23−28.  DOI: https://doi.org/10.18127/j15604136-202405-03

1. Jermana L. Moraes, Matheus X. Rocha, Glauber G. Vasconcelos, José E. Vasconcelos Filho, Victor Hugo C. de Albuquerque and Auzuir R. Alexandria. Advances in Photopletysmography Signal Analysis for Biomedical Applications. Sensors. 2018. V. 18. Р. 2–9.
2. Kengo Atomi, Haruki Kawanaka, Md. Shoaib Bhuiyan, and Koji Oguri1. Cuffless Blood Pressure Estimation Based on Data-Oriented Continuous Health Monitoring System. Hindawi Computational and Mathematical Methods in Medicine. 24 апреля 2017. Р. 3–4.
3. Sagirova Z., Kuznetsova N., Gogiberidze N., Gognieva D., Suvorov A., Chomakhidze P., Omboni S., Saner H., Kopylov P. Cuffless Blood Pressure Measurement Using a Smartphone-Case Based ECG Monitor with Photoplethysmography in Hypertensive Patients // Sensors (Basel). 2021. May 19. 21(10):3525.
4. Syed Ghufran Khalid, Jufen Zhang, Fei Chen, and Dingchang Zheng. Blood Pressure Estimation Using Photoplethysmography Only: Comparison between Different Machine Learning Approaches. Hindawi Journal of Healthcare and Engineering. 2018. Р. 2–5.
5. Moajjem Hossain Chowdhury, Md Nazmul Islam Shuzan, Muhammad E.H. Chowdhury, Zaid B. Mahbub, M. Monir Uddin, Amith Khandakar and Mamun Bin Ibne Reaz. Estimating Blood Pressure from the Photoplethysmogram Signal and Demographic Features Using Machine Learning Techniques. Sensors. 2020. Р. 4–15.
6. Калиниченко А.Н. Алгоритм оценки артериального давления по сигналу фотоплетизмограммы на основе одномерной сверточной искусственной нейронной сети // Биотехносфера. 2022. № 1(67). С. 21–27.
7. Немирко А.П., Калиниченко А.Н., Манило Л.А. Математический анализ биомедицинских сигналов и данных. М.: Физматлит. 2017. 248 с.