Estudio y evaluación del riesgo de hipertensión a partir de registros fotopletismográficos utilizando clasificadores de inteligencia artificial

Abstract

[ES] La hipertensión es uno de los principales factores de riesgo de muchas enfermedades cardiovasculares, la principal causa de muerte en el mundo. El control regular de la presión arterial es crucial para las personas que ya padecen hipertensión y para la detección precoz de la enfermedad, ya que muchos pacientes con una presión arterial muy elevada presentan hipertensión asintomática que pueden derivar en una urgencia hipertensiva. Sin embargo, los métodos tradicionales basados en manguitos no son llevables ni compatibles con la medición continua y requiere la atención del paciente. Por ello, los trabajos en este campo buscan desarrollar sistemas de estimación de la presión arterial robustos y no intrusivos que se actualicen periódicamente en tiempo casi real, pudiendo incorporar esta técnica en dispositivos llevables como smartwatch. Se utilizará una base de datos con señales electrocardiográficas y fotopletismográficas simultáneas para desarrollar métodos de clasificación de inteligencia artificial para la evaluación del riesgo de hipertensión. El objetivo es probar si los métodos de aprendizaje profundo con las redes preentrenadas GoogleNet y ResNet y la representación de imágenes de las señales fotopletismográficas con escalograma mediante la transformada wavelet continua mejoran los resultados de los métodos tradicionales de aprendizaje automático sin requerir registros electrocardiográficos ni extracción de características. Los resultados se evaluarán con las pruebas estadísticas de sensibilidad, especificidad y F1 score. La clasificación con aprendizaje profundo alcanzó un F1 score del 93%, mejorando un 7% el enfoque de aprendizaje automático con modelos de Bagged trees. En general, estos resultados han demostrado que diferentes métodos de inteligencia artificial son capaces de estimar los niveles de presión arterial, siendo los enfoques de aprendizaje profundo los de mayor rendimiento. Por lo tanto, estas técnicas tienen un gran potencial en dispositivos llevables para la evaluación y monitorización continua y no invasiva del riesgo de hipertensión.

[EN] Hypertension is a major risk factor for many cardiovascular diseases, which are the leading cause of death worldwide. Regular blood pressure control is crucial for people already suffering from hypertension but also for the early detection of the illness, as most patients with severely elevated blood pressure have asymptomatic hypertension without evidence of end-organ damage that can derive in hypertensive urgency. However, traditional cuff-based monitoring methods are not designed to be wearable, are not compatible with continuous measurement and their measurement requires patient attention. Because of these factors, work in this field is focused on the development of robust and unobtrusive blood pressure estimation systems that can provide periodic updates of the blood pressure level in near real time, being able to incorporate this technique in wearable devices as a smartwatch. A database with simultaneous electrocardiographic and photoplethysmographic signals will be used to develop artificial intelligence classification methods for hypertension risk assessment. The aim is to prove if deep learning methods that use the pretrained convolutional neural networks GoogleNet and ResNet and the image representation of photoplethysmographic signals with the scalogram by continuous wavelet transform show an improvement in blood pressure estimation compared to traditional machine learning methods without requiring either electrocardiographic recordings or feature extraction. The results evaluation will be carried out by the statistical tests of sensibility, specificity and F1 score. Deep learning classification achieved an F1 score of 93%, improving 7% respect to machine learning approach using bagged tree models. Altogether, these results have demonstrated that different methods of artificial intelligence are able to estimate BP levels, being deep learning approaches those ones with higher performance. Hence, these techniques have a great potential to be implemented in wearable devices for continuous and noninvasive hipertension risk assessment and monitoring.