A carregar...
Publicação
Machine learning algorithm development of SPO2 sensor for improved robustness in wearables
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.37 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Wearable devices application in the digital measurement of health has gained attention by
researchers. These devices allow for data acquisition during real-life activities, resulting
in higher data availability. They often include photoplethysmography (PPG) sensors, the
sensor behind pulse oximetry. Pulse oximetry is a non-invasive method for continuous
oxygen saturation (SpO2) measurements, a standard monitor for anesthesia procedures,
an essential tool for managing patients undergoing pulmonary rehabilitation and an
effective method for assessing sleep-disordered breathing. However, the current market
focuses on heart rate measurements and lacks the robustness of clinical applications
for SpO2 assessment. In addition, the most common obstacle in PPG measurements
is the signal quality, especially in the form of motion artifacts. Thus, this work aims
at increasing the clinical robustness in this devices by evaluating its quality and then
extracting relevant metrics.
Firstly, a data acquisition protocol was developed, focused on acquiring data during
daily activities. This resulted in a dataset with different signal qualities, which was manually
annotated to be used as the base for the Machine Learning models. A second protocol
was also developed especially designed for the extraction of the SpO2 measurement.
Several Machine Learning models were developed to evaluate the signal in three distinct
qualities (corrupted, suboptimal, optimal) in real time. A Random Forest classifier
achieved accuracies of 79% and 80% for the binary models capable of differentiating between
usable and unusable signals, and accuracies of 74% and 80% when distinguishing
between optimal and suboptimal signals, for the two utilized channels. The multi-class
models achieved accuracies of 66% and 65% for the two utilized channels.
Three clinically relevant metrics were also extracted from the PPG signal: heart rate,
respiratory rate and SpO2. The heart rate and respiratory rate algorithms resulted in performances
similar to the ones found in the literature and in other devices currently on the
market. However, while promising, more data is needed to reach statistical significance
for the SpO2 measurement.
A monitorização do estado de saúde de pacientes em ambulatório utilizando dispositivos wearables tem vindo a ser cada vez mais investigada. Estes dispositivos permitem uma aquisição de dados durante o dia a dia, resultando num maior conjunto de dados. Frequentemente, estes dispositivos incluem fotopletismógrafos (PPG), o sensor por detrás da oximetria de pulso. A oximetria de pulso é um método não invasivo para a medição da saturação de oxigénio no sangue (SpO2) de forma contínua. É um equipamento padrão para procedimentos com anestesia, uma ferramenta essencial para monitorizar pacientes em reabilitação pulmonar e um método eficaz para avaliar respiração desordenada do sono. Ainda assim, o mercado atual foca-se principalmente em medições da frequência cardíaca e carece robustez para aplicações clínicas da medição de SpO2. Para além disso, o obstáculo mais comum em medições com PPG é a qualidade do sinal. Consequentemente, este trabalho procura melhorar a robustez clínica destes dispositivos analisando a qualidade do sinal e, posteriormente, extrair métricas relevantes. Primeiramente, foi desenvolvido um protocolo para aquisição de dados de atividades do dia a dia. Assim, foram adquiridos dados com diferentes qualidades, que foram avaliados manualmente de forma a servir de base para os vários modelos de Machine Learning. Também foi desenvolvido um segundo protocolo para a extração do valor de SpO2. Diferentes modelos de Machine Learning foram desenvolvidos para avaliar em tempo real a qualidade do sinal em três qualidades (corrompido, subótimo, ótimo) . Um classificador baseado em Random Forest atingiu exatidões de 79% e 80% em classificadores binários capazes de distinguir entre sinais úteis e inúteis, e exatidões de 74% e 80% a diferenciar entre um sinal subótimo e ótimo, para os dois canais usados. Os classificadores multi-classe atingiram exatidões de 66% e 65% para os dois canais usados. Três medidas clinicamente relevantes foram também extraídas do sinal de PPG: frequências cardíaca e respiratória, cujos algoritmos atingiram resultados semelhantes aos encontrados na literatura e em aparelhos no mercado, e SpO2 que, ainda que promissores, mais dados seriam necessários para os resultados serem estatisticamente significativos
A monitorização do estado de saúde de pacientes em ambulatório utilizando dispositivos wearables tem vindo a ser cada vez mais investigada. Estes dispositivos permitem uma aquisição de dados durante o dia a dia, resultando num maior conjunto de dados. Frequentemente, estes dispositivos incluem fotopletismógrafos (PPG), o sensor por detrás da oximetria de pulso. A oximetria de pulso é um método não invasivo para a medição da saturação de oxigénio no sangue (SpO2) de forma contínua. É um equipamento padrão para procedimentos com anestesia, uma ferramenta essencial para monitorizar pacientes em reabilitação pulmonar e um método eficaz para avaliar respiração desordenada do sono. Ainda assim, o mercado atual foca-se principalmente em medições da frequência cardíaca e carece robustez para aplicações clínicas da medição de SpO2. Para além disso, o obstáculo mais comum em medições com PPG é a qualidade do sinal. Consequentemente, este trabalho procura melhorar a robustez clínica destes dispositivos analisando a qualidade do sinal e, posteriormente, extrair métricas relevantes. Primeiramente, foi desenvolvido um protocolo para aquisição de dados de atividades do dia a dia. Assim, foram adquiridos dados com diferentes qualidades, que foram avaliados manualmente de forma a servir de base para os vários modelos de Machine Learning. Também foi desenvolvido um segundo protocolo para a extração do valor de SpO2. Diferentes modelos de Machine Learning foram desenvolvidos para avaliar em tempo real a qualidade do sinal em três qualidades (corrompido, subótimo, ótimo) . Um classificador baseado em Random Forest atingiu exatidões de 79% e 80% em classificadores binários capazes de distinguir entre sinais úteis e inúteis, e exatidões de 74% e 80% a diferenciar entre um sinal subótimo e ótimo, para os dois canais usados. Os classificadores multi-classe atingiram exatidões de 66% e 65% para os dois canais usados. Três medidas clinicamente relevantes foram também extraídas do sinal de PPG: frequências cardíaca e respiratória, cujos algoritmos atingiram resultados semelhantes aos encontrados na literatura e em aparelhos no mercado, e SpO2 que, ainda que promissores, mais dados seriam necessários para os resultados serem estatisticamente significativos
Descrição
Palavras-chave
Photoplethysmography Pulse Oximetry Machine Learning Signal Quality Heart Rate Respiratory Rate