Un método basado en GBM de luz para la evaluación de la calidad de la señal de la fotoletismografía de muñeca

Área de la Ciencia:

• Ingeniería biomédica
• Procesamiento de señales
• Aprendizaje automático

Sus antecedentes:

• La fotopletismografía basada en la muñeca (PPG) es vital para el monitoreo de la salud cardiovascular.
• Las señales de PPG son propensas a artefactos de movimiento y luz, lo que compromete la precisión de los datos.
• La evaluación sólida de la calidad de la señal es crucial para obtener información fiable sobre la salud basada en los PPG.

Objetivo del estudio:

• Desarrollar y evaluar un algoritmo de aprendizaje automático para evaluar la calidad de la señal PPG basada en la muñeca.
• Mejorar la precisión y fiabilidad del monitoreo de parámetros cardiovasculares mediante dispositivos portátiles.

Principales métodos:

• Se utilizaron dos conjuntos de datos (WCS y LAB) que incluyen miles de segmentos de PPG basados en muñecas.
• Las señales preprocesadas a través de la desnudez y la normalización.
• Se extrajeron 11 características estadísticas de dominio de tiempo/frecuencia y 2 características de coincidencia de plantillas (distancia euclidiana, coeficiente de correlación).
• Utilizó un clasificador LightGBM con validación cruzada de un sujeto (LOSO-CV).

Principales resultados:

• El clasificador LightGBM logró un alto rendimiento en ambos conjuntos de datos bajo LOSO-CV.
• Resultados del conjunto de datos WCS: precisión = 92,6%, recuerdo = 89,8%, puntuación F1 = 91,4%, AUC = 0,925.
• Resultados del conjunto de datos de LAB: precisión = 96,1%, recuerdo = 95,2%, puntuación F1 = 96,6%, AUC = 0,941.

Conclusiones:

• El algoritmo de aprendizaje automático propuesto mejora efectivamente la evaluación de la calidad de la señal PPG basada en la muñeca.
• La combinación de características estadísticas y de ajuste de plantillas mejora significativamente el rendimiento.
• Este algoritmo ofrece una herramienta poderosa para mejorar la precisión del monitoreo de salud cardiovascular portátil.