機械学習技術を使用したECGからの非侵襲的血圧推定

背景：血圧（BP）測定は、臨床環境および私的環境で広く使用されています。最近、ECGモニターの使用が増殖しました。ただし、BP推定では有効になりません。心電図（ECG）信号のみを使用して、BP推定の方法を開発しました。 方法：生のECGデータはフィルター処理され、セグメント化されており、これに続いて、特徴抽出のために複雑さ分析が実行されます。次に、収縮期BP（SBP）、拡張期BP（DBP）、および平均動脈圧（MAP）予測モデルを構築するためのスタッキングベースの分類モジュールと回帰モジュールを組み合わせて、マシンラーニング方法が適用されます。さらに、この方法により、確率分布ベースのキャリブレーションが特定のユーザーにモデルを適応させることができます。 結果：51の異なる被験者からのECG録音を使用して、3129 30秒のECGセグメントが構築され、7つの機能が抽出されます。列車検証評価を使用すると、この方法は、SBPで8.64 mmHg、DBPで18.20 mmHg、MAP予測で13.52 mmHgの平均絶対誤差（MAE）を達成します。モデルを較正すると、MAEはSBPで7.72 mmHg、DBPで9.45 mmHg、MAPで8.13 mmHgに減少します。 結論：実験結果は、確率分布ベースのキャリブレーションを使用すると、提案された方法がBP推定の認定医療機器の結果に近い結果を達成できることを示しています。

BACKGROUND: Blood pressure (BP) measurements have been used widely in clinical and private environments. Recently, the use of ECG monitors has proliferated; however, they are not enabled with BP estimation. We have developed a method for BP estimation using only electrocardiogram (ECG) signals. METHODS: Raw ECG data are filtered and segmented, and, following this, a complexity analysis is performed for feature extraction. Then, a machine-learning method is applied, combining a stacking-based classification module and a regression module for building systolic BP (SBP), diastolic BP (DBP), and mean arterial pressure (MAP) predictive models. In addition, the method allows a probability distribution-based calibration to adapt the models to a particular user. RESULTS: Using ECG recordings from 51 different subjects, 3129 30-s ECG segments are constructed, and seven features are extracted. Using a train-validation-test evaluation, the method achieves a mean absolute error (MAE) of 8.64 mmHg for SBP, 18.20 mmHg for DBP, and 13.52 mmHg for the MAP prediction. When models are calibrated, the MAE decreases to 7.72 mmHg for SBP, 9.45 mmHg for DBP and 8.13 mmHg for MAP. CONCLUSION: The experimental results indicate that, when a probability distribution-based calibration is used, the proposed method can achieve results close to those of a certified medical device for BP estimation.