End-to-end deep neural network and virtual sensing techniques: an arterial blood pressure waveform reconstruction using Soundi® device

Arterial pressure is a physiologically significant parameter in monitoring human health. It provides crucial insights into the functioning of the cardiovascular system and can reveal pathological conditions such as hypertension, hypotension, and other related diseases. This is a key factor in preventing cardiovascular diseases. It is often referred to as a "silent killer" since it does not cause visible symptoms but can lead to premature death. Significant efforts are being directed towards studying new techniques that allow for simple monitoring of these parameters due to the difficulties associated with traditional invasive and non-invasive monitoring methods. Traditionally, arterial pressure measurement has been performed using non-invasive devices, such as mercury manometers or sphygmomanometers. However, these methods have limitations in terms of practicality and the ability to continuously monitor pressure. In recent years, the advent of artificial neural networks and machine learning has opened up new perspectives in the non-invasive prediction and monitoring of arterial pressure. Deep Neural Networks (DNNs) are particularly suited to handle complex data and learn patterns from physiological signals. In this study, deep learning-based neural networks are employed to create an end-to-end approach for arterial pressure monitoring using a set of signals recorded with the Soundi device. This allows for the acquisition of a dataset comprising physiological signals including PPG, PCG, ECG, and SCG without the need for initial subject calibration. Consequently, a dataset consisting of recordings from 25 subjects is created, which is utilized to train three different DNN models: U-Net, GRU, and 3GRU-Net. Specifically, a subject-dependent analysis is conducted using only the recordings subject00, while a subject-independent analysis is performed using the entire dataset. Among the proposed models, the 3GRU-Net model exhibits the best performance. It incorporates three different encoder branches, which account for the varying frequency content of the input signals, resulting in superior arterial pressure waveform reconstruction. It achieves a mean absolute error of 10.5 mmHg, while the U-Net and GRU-Net models achieve mean absolute errors of 11.5 mmHg and 11.31 mmHg, respectively. Comparing these results to a regression model based on specifically calculated PTT, the DNN models demonstrate significantly better performance, as the mathematical model yields considerably higher mean absolute errors. The calculation of the BHS index reveals that the models perform reasonably well in reproducing the waveform for subject-dependent studies but fail in subject-independent studies, showing considerably lower percentages. Through the utilization of this technique, it becomes possible to establish a novel approach to arterial pressure monitoring that does not require initial calibration during the recording phase and eliminates the preprocessing steps necessary in the implementation of classical mathematical models based on PWV.

La pressione arteriosa è un parametro fisiologicamente significativo nel monitoraggio della salute umana. Fornisce indicazioni cruciali sul funzionamento del sistema cardiovascolare e può rivelare condizioni patologiche come l'ipertensione, l'ipotensione e altre malattie correlate. Questo è un fattore chiave nella prevenzione delle malattie cardiovascolari. Spesso viene definita come un "killer silenzioso" poiché non causa sintomi visibili ma può portare a morte prematura. Sono stati compiuti sforzi significativi nello studio di nuove tecniche che consentano il monitoraggio semplice di questi parametri a causa delle difficoltà associate ai metodi tradizionali di monitoraggio invasivo e non invasive. Tradizionalmente, la misurazione della pressione arteriosa è stata effettuata utilizzando dispositivi non-invasivi come i manometri a mercurio o gli sfigmomanometri. Tuttavia, questi metodi presentano limitazioni in termini di praticità e possibilità di monitorare la pressione in maniera continua. Negli ultimi anni, l'avvento delle reti neurali artificiali e dell'apprendimento automatico ha aperto nuove prospettive nella previsione e nel monitoraggio non invasivo della pressione arteriosa. Le reti neurali profonde (DNN) sono particolarmente adatte per gestire dati complessi e apprendere modelli dai segnali fisiologici. L'uso del deep learning ha acquisito una rilevanza sempre maggiore nella medicina moderna, specialmente nel campo dell'imaging medico, dove è diventato uno strumento chiave per il supporto diagnostico. In questo studio, sono impiegate reti neurali basate su apprendimento profondo per creare un approccio end-to-end per il monitoraggio della pressione arteriosa utilizzando un insieme di segnali registrati con il dispositivo Soundì. Questo permette l'acquisizioni di un banco di segnali fisiologici tra cui PPG, PCG, ECG, SCG, senza la necessità di una calibrazione iniziale sul soggetto. In questo modo è stato realizzato un dataset composto dalle registrazioni di 25 soggetti, utilizzato per trainare i tre differenti modelli di DNN proposti: U-Net, GRU, 3GRU-Net. In particolare viene effettuata un analisi Soggetto-dipendente, utilizzando unicamente le registrazioni del soggetto00, ed un analisi Soggetto-indipendente utilizzando l'intero dataset. Dei modelli proposti, le performance migliori sono raggiunte dal modello 3GRU-Net, che presenta tre divversi rami di encoder che tengono conto del diverso contenuto in frequenza dei segnali in input, ottenendo risultati migliori nella ricostruzione della waveform di pressione arteriosa. Infatti raggiunge valori di errore medio assoluto pari a 10.5~mmHg, mentre con gli altri due modelli si raggiungono valori di 11.5~mmHg per la U-Net e 11.31~mmHg per la GRU-Net. Confrontanto questi risultati anche un modello regressivo basato su PTT appositamente calcolato, si vede come le prestazioni delle DNN siano notevolmente migliori, infatti con il modello matematico si ottengono errori medi assoluti notevolmente più alti. Il calcolo dell'indice BHS mostra come i modelli riescano abbastanza bene nella riproduzione della waveform per uno studio soggetto-dipendente ma falliscono per uno studio soggetto-indipendente avendo percentuali decisamente inferiori. Grazie all'utilizzo di questa tecnica è possibile realizzare un nuovo approccio di monitoraggio della pressione arteriosa, che non richieda una calibrazione iniziale durante la fase di recording e che eviti la parte di preprocessing necessaria nell'implementazione dei classici modelli matematici basati su PWV.