Cuff-less blood pressure estimation using deep learning

Continuous measurement of blood pressure is a fundamental task to early diagnose and monitor hypertension, that represents, nowadays, one of the major causes of premature death in the world. On the contrary, standard cuff-based methods to measure blood pressure in an out-of-clinic context have some significant drawbacks and they cannot be used for a continuous monitoring. For this reason, in the last decades, cuff-less methods have been proposed. Between them, the most popular one is based on the pulse transit time and its theoretical relation with blood pressure. Even though this approach has obtained promising results, a single feature method seems to be not enough for this highly complex task. This work proposes a pure deep-learning approach that takes two raw physiological signals, i.e. electrocardiogram and photoplethysmogram, as input and tries to estimate simultaneously diastolic and systolic blood pressure. In this way we let all the features’ extraction and selection processes to our network and we exclude possible human errors. In particular, due to scarcity of large public datasets, in our work we use recordings of patients in intensive care units extracted from MIMIC II (Multiparameter Intelligent Monitoring in Intensive Care) dataset. We reach mean absolute errors of 6.6 mmHg and 15.2 mmHg for diastolic and systolic blood pressure, respectively. After a simple personalization step, i.e. fine-tuning our network with few subject-specific measurements, our results improve to 5.5 mmHg for DBP and 10 mmHg for SBP. However, using intensive care units recordings can result in a biased training, since the data are representative only for that highly stress condition. To verify the potential of a MIMIC pre-training in a daily-life context, we assess the performance of our network on a second dataset, that contains recordings of subjects at rest. More in detail, to face this domain shift between the two datasets, we use an unsupervised domain adaptation algorithm, that aligns the covariances of the feature distributions. Even though our results slightly improve on the SBP estimation, supervised methods, such as fine-tuning, seem to the best solution in our problem.

Un continuo monitoraggio della pressione sanguigna è fondamentale per la diagnosi precoce ed il controllo dell’ipertensione, che rappresenta ai giorni nostri una delle maggiori cause di morte prematura. D’altro canto, i metodi diffusi oggi per misurare la pressione sanguigna all’esterno di un ambiente clinico si basano sull’utilizzo di un bracciale ed hanno perciò diversi svantaggi, che li rendono inadatti per un monitoraggio continuo di questo importante parametro. Per questo motivo, negli ultimi tempi si sono diffusi metodi che non richiedono l’utilizzo di un bracciale. Tra di essi, uno dei più diffusi è quello basato sulla relazione tra il tempo di transito dell’onda di pressione all’interno di un’arteria ed il valore della pressione sanguigna. Nonostante questo metodo abbia ottenuto risultati promettenti in letteratura, usare soltanto un singolo valore sembra non essere sufficiente per risolvere un problema così complicato come la stima della pressione sanguigna. Il nostro lavoro propone un metodo di apprendimento profondo che usa l’elettrocardiogramma ed il fotopletismogramma per stimare contemporaneamente la pressione diastolica e sistolica. Più precisamente, nel nostro studio lasciamo che una rete neurale impari in modo autonomo le caratteristiche più significative direttamente dai segnali in ingresso ed evitiamo così il rischio di possibili errori umani durante il processo di analisi. A causa della mancanza di grandi datasets pubblici, in questo studio usiamo dati estratti dal database MIMIC II (acronimo inglese di "Multiparameter Intelligent Monitoring in Intensive Care"), che corrispondono a pazienti in terapia intensiva. Abbiamo raggiunto un errore assoluto medio di 6.6 mmHg per la pressione diastolica e di 15.2 mmHg per quella sistolica. Inoltre, grazie ad una tecnica di personalizzazione basata sul fine-tuning, siamo riusciti a migliorare i nostri risultati ottenendo un errore di 5.5 mmHg e 10 mmHg, rispettivamente. Bisogna però ricordare che, usando dati di pazienti in terapia intensiva, il nostro specifico addestramento potrebbe risultare significativo soltanto per persone in questa determinata condizione. Per questo motivo, nel nostro lavoro abbiamo verificato se un pre-addestramento sui dati MIMIC possa essere usato per la stima della pressione sanguigna in soggetti a riposo, che appartengono ad un secondo dataset e riflettono perciò un cambio di dominio nel nostro problema. Per studiare questo aspetto, abbiamo usato un algoritmo di adattamento di dominio che prova ad allineare le covarianze delle distribuzioni di caratteristiche in modo non supervisionato. Nonostante un leggero miglioramento nella stima della pressione sistolica, i metodi supervisionati come il fine-tuning sembrano rimanere una soluzione migliore per il nostro problema.