Geri Dön

PPG sinyalleri kullanarak manşonsuz ve sürekli kan basıncı izleme

Cuffless and continuous blood pressure monitoring using PPG signals

PDF İndir

  1. Tez No: 904651
  2. Yazar: DENA KUBA
  3. Danışmanlar: PROF. DR. ERGUN ERÇELEBİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Gaziantep Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Devreler ve Sistemler Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Hipertansiyon, kardiyovasküler hastalıklar için önemli bir risk faktörüdür ve bu durum, sürekli ve doğru bir şekilde izlenmesi gerektiğini vurgular. Bu tez, Fotopletismogram (PPG) sinyallerini kullanarak manşetsiz ve sürekli kan basıncı izleme sistemi geliştirilmesini amaçlamaktadır ve derin öğrenme modelleri ile Sistolik Kan Basıncı (SBP) ve Diyastolik Kan Basıncı (DBP) tahmini yapılmaktadır. Veri bütünlüğünü korumak için filtreleme, normalleştirme ve segmentasyon gibi minimal veri ön işleme adımları uygulanmıştır. Zaman serisi bağımlılıklarını yakalamak ve tahmin doğruluğunu artırmak amacıyla, öz-dikkat mekanizmaları ile güçlendirilmiş Uzun Kısa Süreli Bellek (LSTM) ağları kullanılmıştır. Model, Sistolik Kan Basıncı (SBP) için ortalama mutlak hata (MAE) 18.1 mmHg ve Diyastolik Kan Basıncı (DBP) için 8.6 mmHg elde etmiş, buna karşılık standart sapmalar sırasıyla 22.3 mmHg ve 11.4 mmHg olarak kaydedilmiştir. Bu sonuçlar, daha karmaşık hibrit modellerin elde ettiği sonuçları aşmasa da, önerilen yaklaşımın basitlik ve verimlilik açısından önemli avantajlar sunduğunu göstermektedir. Hesaplama karmaşıklığını ve kaynak gereksinimlerini en aza indirerek, yöntemimiz düşük güçlü giyilebilir cihazlarda ve gerçek zamanlı uygulamalarda kullanım için oldukça uygundur. Bu çalışma, derin öğrenme tekniklerinin invaziv olmayan, sürekli kardiyovasküler sağlık yönetimi için potansiyelini vurgulamakta ve daha erişilebilir ve kullanışlı izleme çözümlerinin geliştirilmesine katkıda bulunmaktadır.

Özet (Çeviri)

Hypertension is a major cardiovascular risk factor, emphasizing the need for continuous and accurate monitoring. This thesis introduces a cuffless and continuous blood pressure monitoring system using Photoplethysmogram (PPG) signals and deep learning models. Minimal preprocessing, including filtration, normalization, and segmentation, was applied to maintain data integrity. Long Short-Term Memory (LSTM) networks, enhanced with self-attention mechanisms, were utilized to capture temporal dependencies and improve predictive accuracy. The model achieved a Mean Absolute Error (MAE) of 18.1 mmHg for Systolic Blood Pressure (SBP) and 8.6 mmHg for Diastolic Blood Pressure (DBP), with standard deviations of 22.3 mmHg and 11.4 mmHg, respectively. Although these results may not outperform those achieved in recent studies utilizing more complex hybrid models, the simplicity and efficiency of our approach offers significant advantages. By minimizing computational complexity and resource requirements, our method is particularly well-suited for real-time applications and deployment in low-power wearable devices. This study underscores the potential of deep learning techniques for non-invasive, continuous cardiovascular health management and contributes to the development of more accessible and convenient monitoring solutions.

Geri Dön