Projection-based photoplethysmography signal quality assessment

Abstract

Com o rápido aumento na popularidade de dispositivos vestíveis, como smartwatches, aplicativos de monitoramento de saúde estão ganhando destaque. Esses aplicativos costumam utilizar dispositivos vestíveis para captar sinais úteis no diagnóstico das condições de saúde de um indivíduo, como o fotopletismograma. O método de obtenção desse tipo de sinal, a fotopletismografia, é compacto, não-invasivo e econômico. Apesar desses benefícios, a fotopletismografia é particularmente suscetível a artefatos de movimento e interferências ambientais. Esses problemas podem deteriorar a qualidade do sinal, o que prejudica significativamente a eficácia dos aplicativos que o consomem. Portanto, avaliara qualidade dos sinais é essencial nas aplicações de monitoramento de saúde. Para esse fim, algoritmos de aprendizado de máquina podem ser aplicados. Este trabalho apresenta um método inovador para avaliar a qualidade dos sinais de fotopletismografia, realizado através da fusão de projeções de sinais e técnicas de visão computacional. Para ser mais preciso, o sinal unidimensional é projetado em um conjunto de representações bidimensionais. Isso pode ser feito usando técnicas de imagem de séries temporais, como Gramian Angular Field, Markov Transition Field e Recurrence Plots, além de agregar seus resultados, o que chamamos de “Projection Mix”. Essas projeções foram combinadas com vários modelos de visão computacional. Então, esses modelos foram treinados e testados na base de dados de sinais fotopletismográficos de smartphones da Universidade de Brun, com hiperparâmetros selecionados através de busca heurística. Os resultados indicaram que o Recurrence Plot e o Projection Mix geralmente superaram as outras projeções usadas no estudo. Além disso, os métodos baseados em projeção alcançaram resultados comparáveis a classificadores 1D de séries temporais. Por exemplo, a combinação de Wide ResNet com Projection Mix alcançou uma pontuação média de Cohen Kappa de95,5% (remapeada de [−1, 1] para [0, 1]) com um desvio padrão de 0,101.