Deep convolutional networks for concurrent photoplethysmographic and phonocardiographic signal processing

Hypertension is also known as "the silent killer", since most affected people are unaware of the problem because it may be totally asymptomatic. Despite its quiet and silent behavior, high blood pressure is one of the strongest risk factors for almost all different cardiovascular diseases and affects 1.13 billion people worldwide. Vascular transit time (VTT), a time delay measuring the time spent by the blood pressure wave to transit from the heart to the vascular bed of a generic peripheral site, is defined as the difference between a reference point on the photoplethysmographic signal PPG, such as the onset of the PPG peak, the maximum positive slope or the systolic peak, and the first cardiac sound (S1) of the phonocardiographic signal (PCG), occurring at the onset of ventricular systole as effec tof the closure of the mitral and tricuspid valves. VTT has been proved correlated to blood pressure (BP) in several studies. In this thesis is presented a deep learning algorithm to process both PCG and PPG signals to extract VTT. The problem was framed as an object detection problem and inspiration was taken from some of the most advanced algorithm in the deep learning landscape representing the state of the art, such as YOLO. The designed and implemented convolutional neural network was fast, flexible, accurate and optimize for time series. The same network is able to both recognize and localize multiple events simultaneously with limited computational cost. Furthermore, several simple and multiple linear regression models were designed and tested, by using a leave-one-out cross-validation approach, to map extracted VTT to BP, obtaining a mean absolute error lower than 2 mmHg.

La maggior parte delle persone colpite da ipertensione non è a conoscenza del problema perché è solitamente asintomatica. Nonostante il suo essere silenziosa, l'ipertensione è uno dei più importanti fattori di rischio per quasi tutte le diverse malattie cardiovascolari e colpisce 1,13 miliardi di persone in tutto il mondo. Il vascular transit time (VTT), definito come il ritardo temporale che misura il tempo impiegato dall'onda pressoria sanguigna per transitare dal cuore al letto vascolare di un generico sito periferico, è calcolato come la differenza tra un punto di riferimento sul segnale fotopletismografico (PPG), come il piede del picco PPG, la massima pendenza positiva o il picco sistolico, e il primo suono cardiaco (S1) del segnale fonocardiografico (PCG), che si verifica all'inizio della sistole ventricolare come effetto della chiusura delle valvole mitrale e tricuspide. Il VTT è stato dimostrato essere correlato alla pressione sanguigna (BP) in diversi studi. In questa tesi viene presentato un algoritmo di deep learning per elaborare segnali PCG e PPG al fine di estrarre il VTT. Il problema è stato affrontato come un problema di object detection, traendo ispirazione da algoritmi costituenti lo stato dell'arte, come YOLO. La rete neurale convoluzionale progettata e implementata è veloce, flessibile, accurata e ottimizzata per le serie storiche. La stessa rete è in grado di classificare e localizzare più eventi contemporaneamente con costo computazionale limitato. Inoltre, diversi modelli di regressione lineare semplice e multipla sono stati progettati e testati, utilizzando un approccio di cross-validation leave-one-out, per analizzare la relazione tra VTT estratto e BP e per predire quest'ultima, ottenendo un errore assoluto medio inferiore a 2 mmHg per la pressione arteriosa sistolica.