Lstm multi-stage transfer learning para la estimación de presión arterial utilizando fotopletismografía
Autores: Ali, Noor Faris; Atef, Mohamed
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Lstm multi-stage transfer learning para la estimación de presión arterial utilizando fotopletismografía
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Modelos de aprendizaje automático
Estimación de presión sanguínea
Características orientadas fisiológicamente
Redes LSTM
Aprendizaje de transferencia en múltiples etapas
Señales PPG
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Se ha dedicado una considerable investigación al desarrollo de modelos de aprendizaje automático para la estimación continua de la Presión Arterial (PA). Un problema desafiante que surge en este dominio es la selección de características óptimas con modelos interpretables para profesionales médicos. El objetivo de este estudio fue investigar características motivadoras fisiológicamente basadas en una sólida base fisiológica de los determinantes de la PA. Se extrajo un conjunto potente y compacto de características que abarca seis características orientadas fisiológicamente, además de otro conjunto de características que consiste en seis características comúnmente utilizadas con fines de comparación. En este estudio, propusimos un modelo predictivo de PA utilizando redes Long Short-Term Memory (LSTM) con un enfoque de aprendizaje por transferencia de múltiples etapas. La topología del modelo propuesto consta de tres etapas en cascada. Primero, una etapa de clasificación de la PA. Segundo, una etapa de regresión de la Presión Arterial Media (PAM) para aproximar aún más una cantidad proporcional a la Resistencia Vascular (RV) utilizando el Gasto Cardíaco (GC) extraído de la señal PPG. Tercero, la etapa principal de estimación de la PA. La etapa final (predicción final de la PA) es capaz de explotar correlaciones incrustadas entre la PA y las características propuestas junto con salidas derivadas que llevan características hemodinámicas a través de las etapas de subsecuencia. También construimos modelos tradicionales de Redes Neuronales Artificiales (ANN) de una sola etapa y basados en LSTM para evaluar la mejora en el rendimiento de nuestro modelo propuesto. Los modelos fueron probados y evaluados en 40 sujetos de la base de datos MIMIC II. El modelo multi-etapa basado en LSTM logró un MAE +/- DE de 2.03 +/- 3.12 para la PAS y 1.18 +/- 1.70 mmHg para la PAD. El conjunto propuesto de características resultó en una reducción drástica del error, de hasta un 86.21%, en comparación con los modelos entrenados en las características comúnmente utilizadas. El rendimiento superior del modelo multi-etapa propuesto proporciona evidencia confirmatoria de que las características transferibles seleccionadas entre las etapas, junto con la topología multi-etapa de alto rendimiento, mejoran la precisión de la estimación de la presión arterial utilizando señales PPG. Esto indica la naturaleza convincente y la suficiencia del conjunto de características eficientes propuestas.
Descripción
Se ha dedicado una considerable investigación al desarrollo de modelos de aprendizaje automático para la estimación continua de la Presión Arterial (PA). Un problema desafiante que surge en este dominio es la selección de características óptimas con modelos interpretables para profesionales médicos. El objetivo de este estudio fue investigar características motivadoras fisiológicamente basadas en una sólida base fisiológica de los determinantes de la PA. Se extrajo un conjunto potente y compacto de características que abarca seis características orientadas fisiológicamente, además de otro conjunto de características que consiste en seis características comúnmente utilizadas con fines de comparación. En este estudio, propusimos un modelo predictivo de PA utilizando redes Long Short-Term Memory (LSTM) con un enfoque de aprendizaje por transferencia de múltiples etapas. La topología del modelo propuesto consta de tres etapas en cascada. Primero, una etapa de clasificación de la PA. Segundo, una etapa de regresión de la Presión Arterial Media (PAM) para aproximar aún más una cantidad proporcional a la Resistencia Vascular (RV) utilizando el Gasto Cardíaco (GC) extraído de la señal PPG. Tercero, la etapa principal de estimación de la PA. La etapa final (predicción final de la PA) es capaz de explotar correlaciones incrustadas entre la PA y las características propuestas junto con salidas derivadas que llevan características hemodinámicas a través de las etapas de subsecuencia. También construimos modelos tradicionales de Redes Neuronales Artificiales (ANN) de una sola etapa y basados en LSTM para evaluar la mejora en el rendimiento de nuestro modelo propuesto. Los modelos fueron probados y evaluados en 40 sujetos de la base de datos MIMIC II. El modelo multi-etapa basado en LSTM logró un MAE +/- DE de 2.03 +/- 3.12 para la PAS y 1.18 +/- 1.70 mmHg para la PAD. El conjunto propuesto de características resultó en una reducción drástica del error, de hasta un 86.21%, en comparación con los modelos entrenados en las características comúnmente utilizadas. El rendimiento superior del modelo multi-etapa propuesto proporciona evidencia confirmatoria de que las características transferibles seleccionadas entre las etapas, junto con la topología multi-etapa de alto rendimiento, mejoran la precisión de la estimación de la presión arterial utilizando señales PPG. Esto indica la naturaleza convincente y la suficiencia del conjunto de características eficientes propuestas.