Predição de pressão sanguínea através de sinais de fotopletismografia usando redes neurais MLP e LSTM

A pressão arterial é um dos sinais vitais básicos dos seres humanos e sua aferição deve ser feita regularmente durante o dia por pessoas que possuam algum tipo de doença cardiovascular. Os métodos tradicionais de medição geralmente precisam realizar a oclusão de uma artéria, causando desconforto ao paciente. Isto impede o monitoramento contínuo de pressão e até mesmo desencoraja um monitoramento regular durante o dia. Tendo em vista tal problema, neste trabalho são apresentados e comparados dois algoritmos de aprendizado de máquinas que utilizam sinais de fotopletismografia (PPG) para estimar a pressão arterial sem a necessidade da oclusão da artéria. O primeiro algoritmo implementado foi uma reprodução do método proposto por Kurylyak et al., o qual serviu de referência para o desenvolvimento da rede LSTM (Long Short-Term Memory) proposta neste trabalho, a qual utilizou as características temporais do sinal de PPG como parâmetros de entrada. Para o treinamento dos algoritmos foi utilizada a base de dados MIMIC II (Multiparameter Intelligent Monitoring in Intensive Care). Para avaliação desses métodos foram feitas análises estatísticas dos resultados obtidos com relação aos valores de referência da pressão arterial, já definidos nas bases de dados. Os resultados obtidos indicam que a arquitetura baseada na rede LSTM utilizando características temporais do sinal de PPG como parâmetro de entrada podem produzir melhores resultados quando comparado com a rede MLP (Multi Layer Perceptron).