ارائه يك مدل تركيبي مبتني بر الگوريتم شبكه‌ي عصبي جهت تشخيص فشار خون سرخرگي

امروزه با پيشرفت در صنعت پزشكي و فن آوري‌هاي مرتبط با آن، امكان كم كردن درد در بيماران و تسريع در معاينه و افزايش دقت فراهم شده است. اندازه گيري فشارخون بدون كاف، براي بيماراني كه بايد به مدت طولاني و بصورت مستمر فشارخون آنها تحت نظارت قرار گيرد توصيه مي‌گردد. يكي از راه‌هاي بدون كاف از طريق فشارخون تهاجمي است كه براي بيمار دردآور است. روش‌هاي يادگيري ماشين اين امكان را فراهم مي‌كنند كه از ساير سيگنال‌هاي حياتي و فشار خون بتوان الگويي را جهت يادگيري استخراج كرد. در پژوهش‌هاي پيشين، راه حل‌هاي اندازه گيري فشار خون غير تهاجمي متناوب، مدل‌هاي مبتني بر PTT، اندازه گيري فشار خون با ابزارهاي نوري و مدل‌هاي مبتني بر يادگيري ماشين ارائه شد. مدل‌هاي مبتني بر يادگيري ماشين با توسعه‌هاي سخت افزاري و ماژول‌هاي نرم افزاري به سرعت توسعه يافتند. اما هنوز رسيدن به يك مدل با كارايي بالا مد نظر پژوهشگران است. در اين مقاله، با ارائه‌ي يك طرح تركيبي امكان تخمين فشارخون تقريبي و پيش بيني طبقه‌ي فشارخون از سيگنال‌هاي پايه PPG و ECG با رويكردهاي يادگيري ماشين فراهم مي‌گردد. رويكرد تركيبي با ايجاد شش ويژگي آماري به استخراج اطلاعات از سيگنال‌هاي پايه پرداخته و منجر به كاهش خطاي تخمين و بهبود تشخيص طبقه‌ي پيش بيني مي‌شود. با توجه به نتايج بدست آمده نشان داديم كه امكان حذف سيگنال ABP و تخمين تقريبي خروجي توسط يادگيري شبكه‌ي عصبي با دقت تشخيص 97.42 وجود دارد.