Photoplethysmography (PPG) signals are getting more popular and promising for medical applications because of the non-invasive, fast, and simple recording techniques. Using PPG signals for monitoring the blood pressure (BP) and heart rate (HR) levels instead of traditional invasive and cuff-based measurement techniques is possible and continuous tracing of BP and HR levels can be accomplished with high measurement accuracies. These developments are very important and helpful, especially for people suffering from high tension and cardiac problems. In this study, we propose to use Tunable Q-factor Wavelet Transform (TQWT) for decomposing the PPG signals into sub-signals and extracting some statistical features from each of the sub-signals and main signal. Artificial Neural Networks (ANN), Random Forests (RF), and Support Vector Machines (SVM) algorithms are employed to estimate diastolic blood pressure (DBP), systolic blood pressure (SBP), and heart rate (HR) values. PPG signals, DBP, SBP, and HR values which were measured with traditional methods were obtained from the open dataset of Guilin People’s Hospital of China. This dataset includes information of 219 individuals. Each machine learning method was applied to the features separately, and the results of the regression analysis were interpreted by using the error rates and correlations between the actual and estimated values. Results show that the RF algorithm is more successful than ANN and SVM for the estimation of DBP, SBP, and HR levels.
Fotopletismografi (PPG) sinyalleri, invaziv olmayan, hızlı ve basit kayıt teknikleri nedeniyle tıbbi uygulamalar için daha popüler ve umut verici hale geliyor. Kan basıncını (KB) ve kalp atış hızı (KAH) seviyelerini izlemek için geleneksel invaziv ve manşet tabanlı ölçüm teknikleri yerine PPG sinyallerinin kullanılması mümkündür ve KB ve KAH seviyelerinin sürekli takibi, yüksek ölçüm doğruluklarıyla gerçekleştirilebilir. Bu gelişmeler özellikle yüksek tansiyon ve kalp sorunu yaşayan kişiler için çok önemli ve faydalıdır. Bu çalışmada, PPG sinyallerini alt sinyallere ayrıştırmak ve her bir alt sinyalden ve ana sinyalden bazı istatistiksel özellikler çıkarmak için Ayarlanabilir Q-faktörü Dalgacık Dönüşümü'nü (TQWT) kullanmayı öneriyoruz. Diastolik kan basıncı (DKB), sistolik kan basıncı (SKB) ve kalp atış hızı (KAH) değerlerinin tahmin edilmesinde Yapay Sinir Ağları (YSA), Rastgele Ormanlar (RF) ve Destek Vektör Makineleri (SVM) algoritmaları kullanılmaktadır. Geleneksel yöntemlerle ölçülen PPG sinyalleri, DKB, SKB ve KAH değerleri Çin Guilin Halk Hastanesi'nin açık veri setinden elde edildi. Bu veri seti 219 kişinin bilgilerini içermektedir. Her bir makine öğrenmesi yöntemi, özelliklere ayrı ayrı uygulanmış ve regresyon analizi sonuçları, hata oranları ve gerçek ve tahmin edilen değerler arasındaki korelasyonlar kullanılarak yorumlanmıştır. Sonuçlar RF algoritmasının DKB, SKB ve KAH seviyelerinin tahmininde YSA ve SVM'den daha başarılı olduğunu göstermektedir.
Primary Language | English |
---|---|
Subjects | Image Processing, Machine Learning (Other), Electrical Engineering (Other) |
Journal Section | Electrical and Electronics Engineering |
Authors | |
Publication Date | December 3, 2023 |
Submission Date | September 6, 2023 |
Published in Issue | Year 2023Volume: 26 Issue: 4 |