Biomedical Signal Processing for Heart Rate Variability Evaluation

Abstract

O processamento de sinais é um campo crucial na pesquisa biomédica e de analise de dados, especialmente na investigação aprofundada de sinais como a Variabilidade da Frequência Cardíaca (VFC), que fornece biomarcadores cruciais para compreender a saúde cardiovascular. No entanto, a estimativa precisa da VFC enfrenta desafios devido a artefactos, especialmente em sinais biomédicos ruidosos de dispositivos wearable sob condições não controladas. Esta tese visa contribuir para o processamento de sinais biomédicos ao abordar desafios na estimativa precisa da VFC usando o fotopletismograma (PPG) e o eletrocardiograma (ECG). Três abordagens foram seguidas: (1) o desenvolvimento de um método de deteção de picos, o Método de Envelope Duplo de Hilbert (HDEM), para aprimorar a precisão da VFC, alcançando sensibilidade de 99,07% e 99,45% para sinais de ECG e PPG, respetivamente; (2) a exploração de modelos de aprendizagem profunda como Long Short-Term Memory (LSTM) e Convolutional Neural Network (CNN) para a deteção robusta de ondas de PPG, com o algoritmo CNN-LSTM obteve o melhor desempenho, com uma precisão e sensibilidade de 0.894, 0.923; e (3) o desenvolvimento de um sistema de estimação em tempo real da VFC baseado em PPG em Simulink®, que atingiu resultados promissores com um Erro Quadrático Médio (RMSE) de 0,178 ± 0,138. Essas descobertas têm um impacto substancial na avaliação da saúde cardiovascular, destacando o potencial de sistemas em tempo real e métodos inovadores de deteção de picos para lidar com desafios em sinais biomédicos ruidosos. As soluções propostas abrem caminho para o desenvolvimento de sistemas de monitorização precisos, que contribuem para a monitorização contínua da saúde e deteção precoce de doenças cardiovasculares.

Signal processing is vital in biomedical and healthcare research for analysing data, particularly in-depth examination of signals like Heart Rate Variability (HRV), which yields crucial biomarkers for understanding cardiovascular health. However, accurate HRV estimation faces challenges due to artifacts, particularly in noisy biomedical signals from wearable devices under uncontrolled environmental conditions. This thesis aims to contribute to biomedical signal processing by addressing challenges in ac-curate HRV estimation using the photoplethysmogram (PPG) and electrocardiogram (ECG). Three approaches were pursued: (1) the development of a peak detection method, the Hilbert Double Envelope Method (HDEM), to enhance HRV accuracy that achieved a 99.07% and 99.45% sensitivity for ECG and PPG signals, respectively; (2) exploration of deep learning models like Long Short-Term Memory (LSTM) and Convolutional Neural Network (CNN) for robust PPG wave detection, with the CNN-LSTM algorithm proving the best-performing model with a 0.894 accuracy and 0.923 precision; and (3) the creation of a real-time PPG-based HRV estimation system in Simulink®, producing promising results with a Root Mean Square Error (RMSE) of 0.178 ± 0.138 These findings have a substantial impact on cardiovascular health assessment, showcasing the potential of real-time machine learning systems and innovative peak detection methods to address challenges in noisy biomedical signals. The proposed solutions pave the way for improved monitoring systems, contributing to enhanced patient outcomes through continuous health monitoring and early detection of cardiovascular diseases.