جستجو در:
دوره 16-شماره 1 (زمستان ۱۴۰۳ - شماره پیاپی : 44)
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
1- دانشکده برق و کامپوتر، دانشگاه خوارزمی،
2- گروه مهندسی پزشکی، پژوهشکده برق و فناوری اطلاعات، سازمان پژوهشهای علمی و صنعتی ایران، تهران ،s.shojaie@irost.ir
3- دانشکده برق و کامپیوتر، دانشگاه شهید بهشتی ، تهران،
4- گروه مهندسی پزشکی، پژوهشکده برق و فناوری اطلاعات، سازمان پژوهشهای علمی و صنعتی ایران،
2- گروه مهندسی پزشکی، پژوهشکده برق و فناوری اطلاعات، سازمان پژوهشهای علمی و صنعتی ایران، تهران ،
3- دانشکده برق و کامپیوتر، دانشگاه شهید بهشتی ، تهران،
4- گروه مهندسی پزشکی، پژوهشکده برق و فناوری اطلاعات، سازمان پژوهشهای علمی و صنعتی ایران،
چکیده: (31 مشاهده)
پایش فشار خون، یکی از مؤلفه‌های حیاتی برای حفظ سلامتی است. فشار خون بالا، به عنوان یک عامل خطر می‌تواند منجر به بروز حمله قلبی، سکته، نارسایی قلبی و کلیوی شود. همچنین، فشار خون پایین نیز می‌تواند خطرناک باشد و منجر به گیجی، ضعف، غش و اختلال در اکسیژن رسانی به اندام‌ها و آسیب به مغز و قلب گردد. از این رو پایش مداوم میزان فشار خون در افراد با ریسک بالا بسیار حائز اهمیت می‌باشد، به طوری که استفاده از دستگاه هولتر فشارخون به دلیل قابلیت ثبت طولانی مدت و ارزشمند اطلاعات فشارخون برای بسیاری از بیماران تجویز می‌شود. تلاش برای دستیابی به تکنیک‌های نرم افزاری و توسعه دستگاههای اندازه‌گیری فشارخون بدون کاف، با حفظ آسایش و راحتی بیمار، از مهم‌ترین چالش‌هایی است که ذهن پژوهشگران را به خود اختصاص داده است. در این پژوهش یک چهارچوب یادگیری عمیق بر مبنای شبکهUNet یکبعدی با نظارت عمیق جهت تخمین فشار خون پیوسته از روی سیگنال فوتوپلتیسموگرافی بدون استفاده از روش کالیبراسیون فردی ارائه شده است. مدل ارائه شده بر روی بانک داده UCI برای 942 بیمار تحت مراقبت ویژه، به میانگین خطای مطلق 88/8 ، 43/4 و 32/3 و انحراف معیار 01/11، 18/6 و 15/4 میلیمتر جیوه به ترتیب برای فشار خون سیستول ، دیاستول و فشار خون میانگین دست یافت. طبق استاندارد بین المللی BHS، روش پیشنهادی، درجهی A برای فشار خون دیاستول و میانگین و نیز درجهیC برای فشار خون سیستول را برآورده میکند. نتایج حاصل از این پژوهش حاکی از آن است که چهارچوب یادگیری عمیق پیشنهادی
واژه‌های کلیدی: سیگنال فوتوپلتیسموگرافی، تخمین فشار خون، روش غیرتهاجمی، هوش مصنوعی، یادگیری عمیق، یادگیری ماشین
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |