Rede Neural IncResU-Net para Inferência de Sinais Eletrocardiograma a partir de Sinais Fotopletismograma

  • Rafael Albuquerque Pinto UFAM
  • Hygo de Oliveira UFAM
  • Eduardo Souto UFAM
  • Rafael Giusti UFAM

Resumo


O eletrocardiograma (ECG) é um exame médico que mede a atividade elétrica do coração, enquanto o fotopletismograma (PPG) mede as alterações no volume sanguíneo por meio de tecnologia baseada em luz. Embora ambos os métodos sejam usados para monitorar a frequência cardíaca, o ECG é considerado o método padrão ouro para o diagnóstico de doenças cardíacas porque fornece informações adicionais sobre o funcionamento do coração. Apesar dos esforços para integrar a detecção de ECG em dispositivos vestíveis para monitoramento cardíaco contínuo e confiável, os sensores PPG são atualmente a principal solução viável. Este trabalho propõe um método denominado PPG2ECG, baseado no mapeamento entre domínio, aplicando um conjunto de filtros de convolução, utilizando uma arquitetura de rede neural U-net Inception, para inferir sinais ECG a partir de sinais PPG. Para avaliar a eficácia do método proposto, foram adotadas duas estratégias de avaliação, baseadas em modelos personalizados e generalizados. Os resultados obtidos demonstraram valores médios de erros médio quadráticos de 0,015 e 0,026, respectivamente.

Referências

Banerjee, R., Sinha, A., Pal, A., and Kumar, A. (2013). Estimation of ecg parameters using photoplethysmography. In 13th IEEE International Conference on BioInformatics and BioEngineering, pages 1–5.

Berkaya, S. K. et al. (2018). A survey on ecg analysis. Biomedical Signal Processing and Control, 43:216–235.

Chiu, H.-Y., Shuai, H.-H., and Chao, P.-C. (2020). Reconstructing qrs complex from ppg by transformed attentional neural networks. IEEE Sensors Journal, 20(10):12374–12383.

Elgendi, M. et al. (2019). The use of photoplethysmography for assessing hypertension. npj Digital Medicine, 6(Volume 2).

Karlen, W., Raman, S., Ansermino, J. M., and Dumont, G. A. (2013). Multiparameter respiratory rate estimation from the photoplethysmogram. IEEE transactions on biomedical engineering, 60(7):1946–1953.

Liang, Y., Chen, Z., Ward, R., and Elgendi, M. (2018). Hypertension assessment via ecg and ppg signals: An evaluation using mimic database. Diagnostics, 8(3):65.

Organization, W. H. (2021). World health statistics 2020: monitoring health for the SDGs, sustainable development goals. World Health Organization, Geneve, Switzerland.

Pimentel, M. A., Clifton, D. A., and Clifton, L. (2017). Toward a robust estimation of respiratory rate from pulse oximeters. IEEE Transactions on Biomedical Engineering, 64(8):1914–1923.

Ravichandran, V., Murugesan, B., Shankaranarayana, S. M., Ram, K., S.P., P., Joseph, J., and Sivaprakasam, M. (2019). Deep network for capacitive ecg denoising. In 2019 IEEE International Symposium on Medical Measurements and Applications (MeMeA), pages 1–6.

Reiss, A., Indlekofer, I., Schmidt, P., and Van Laerhoven, K. (2019). Deep ppg: Large-scale heart rate estimation with convolutional neural networks. Sensors, 19(14):3079.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In Lecture Notes in Computer Science, pages 234–241. Springer International Publishing.

Sarkar, P. and Etemad, A. (2020). Cardiogan: Attentive generative adversarial network with dual discriminators for synthesis of ecg from ppg. In AAAI Conference on Artificial Intelligence.

Schmidt, P., Reiss, A., Duerichen, R., Marberger, C., and Van Laerhoven, K. (2018). Introducing wesad, a multimodal dataset for wearable stress and affect detection. In Proceedings of the 20th ACM International Conference on Multimodal Interaction, pages 400–408. ACM.

Szegedy, C., Ioffe, S., Vanhoucke, V., and Alemi, A. A. (2017). Inception-v4, inceptionresnet and the impact of residual connections on learning. In Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence, AAAI’17, page 4278–4284. AAAI Press.

Tian, X., Zhu, Q., Li, Y., and Wu, M. (2020). Cross-domain joint dictionary learning for ecg reconstruction from ppg. In IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP).

Zhu, Q., Tian, X., Wong, C.-W., and Wu, M. (2019). Ecg reconstruction via ppg: A pilot study. In 2019 IEEE EMBS International Conference on Biomedical Health Informatics (BHI), pages 1–4.
Publicado
27/06/2023
Como Citar

Selecione um Formato
PINTO, Rafael Albuquerque; OLIVEIRA, Hygo de; SOUTO, Eduardo; GIUSTI, Rafael. Rede Neural IncResU-Net para Inferência de Sinais Eletrocardiograma a partir de Sinais Fotopletismograma. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 23. , 2023, São Paulo/SP. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 419-430. ISSN 2763-8952. DOI: https://doi.org/10.5753/sbcas.2023.230117.

Artigos mais lidos do(s) mesmo(s) autor(es)

<< < 1 2 3