Estimativa contínua e não invasiva da pressão arterial com base na análise do tempo de trânsito de pulso em sinais de eletrocardiografia e fotopletismografia

Abstract

A hipertensão é caracterizada por níveis elevados da Pressão Arterial (PA). É considerada um "assassino silencioso", pois na maioria dos casos não há manifestações da doença. Métodos de monitoramento contínuo de forma não invasiva são desejados tanto pelos profissionais de saúde quanto pelos pacientes que precisam realizar o monitoramento contínuo da PA. Atualmente o método utilizado para realizar um monitoramento de 24 horas é a Monitorização Ambulatorial de Pressão Arterial (MAPA); no entanto esse método realiza uma amostragem pouco densa da PA, pois geralmente o equipamento realiza uma medida a cada 15 minutos. Atualmente, o método de se medir a PA de forma mais densa (denominada contínua) é por meio do cateter; no entanto este método pode trazer complicação. Diante do exposto, fica clara a necessidade de aperfeiçoar as técnicas de medição não invasiva da PA. Pesquisas recentes têm investigado o uso de técnicas de regressão e de classificação em sinais de Eletrocardiograma (ECG) e Fotopletismografia, do inglês Photoplethysmography (PPG). Basicamente este método analisa o tempo da onda de pressão que sai do coração e chega a um membro periférico. Essa técnica é conhecida com Tempo de Trânsito de Pulso, do inglês Pulse Transit Time (PTT). O principal objetivo desta pesquisa é implementar e avaliar diferentes abordagens de classificações e regressão e extrair novas características dos sinais de ECG e PPG com o intuito de verificar o desempenho no processo de estimar os valores da Pressão Arterial Diastólica (PAD) e Pressão Arterial Sistólica (PAS). No processo de estimar a PA, foram testados os seguintes regressores: Regressão por Vetores de Suporte, do inglês Support Vector Regression (SVR), Regressão com Bagging Predictors, Modelo de Regressão Linear, Modelo Linear de Regressão Generalizado, LSboost, Regressão por Árvore de Decisão e Regressão por Stepwise Linear Model. Já no teste da classificação foi utilizada a Máquina de Vetor de Suporte, do inglês Suport Vector Machine (SVM) e o Robust boosting. Para os testes dos algoritmos foram extraídas características temporais e característica no domínio da frequência. As características temporais são as seguintes: o intervalo entre o pico da onda R do sinal de ECG e o pico do sinal de PPG; o intervalo entre o pico da onda R do sinal de ECG e o vale do sinal de PPG; e o intervalo R-R do sinal de ECG. Já as características no domínio da frequência, são 5 bandas de energia do sinal de ECG e 5 bandas de energia do sinal de PPG. Nos resultados obtidos durante os testes, o algoritmo de Regressão por Árvore de Decisão, teve os melhor resultado na PAD com erro Desvio Padrão, do inglês Standard Deviation (STD) = 2.80 e Erro Absoluto Médio, do inglês Mean Absolute Error (MAE) = 1.89, já os resultados em PAS, com erro STD = 3.26 e MAE = 2.24. JáPressão Arterial, Fotopletismografia, Eletrocardiografia, Pulse Transit Time.

nos testes de classificação direta, utilizando o classificador Robust boosting, o classificador teve um desempenho, com uma acurácia de 99%, sensibilidade de 94%, medida-F de 95% e uma precisão de 96%. Assim, pode-se verificar que houve uma melhora significativa ao utilizar a Regressão por Árvore de Decisão com calibração. Em trabalhos futuros será interessante realizar novos teste sem o processo de calibração, para ver se o desempenho se mantém consistente.