A Study on AI Algorithms for Estimating Cuffless Blood Pressure Based on Biological Signals

Abstract

혈압 측정은 개인의 심혈관 건강에 대한 정보을 제공하는 의료의 필수 구성 요소로 정확한 측정과 지속적인 관찰이 필요하다. 특히, 고령화 시대가 도래함에 따라 혈압 관리의 중요성은 꾸준히 증가하고 있다. 그 중, 고혈압은 동맥의 혈압이 지속적으로 높은 상태로써 뇌졸증, 심부전증, 심장마비 및 신장 질환 등 여러 질병을 유발할 수 있다. 혈압을 측정하기 위해, 병원에서는 커프를 이용하여 환자의 팔을 압박한 뒤 혈관의 압력을 측정하는 방식을 사용하고 있다. 이 방식은 정확도가 높기 때문에 널리 사용되고 있으나, 신체 압박으로 인해 노약자를 위태롭게 할 수 있으며, 부피가 크고 의료 지식이 필요하기 때문에 사용이 불편하고 일상생활에서 장시간 동안 측정이 불가능하다. 본 논문에서는 생체 신호를 통해커프리스 혈압 예측이 가능한 두 가지 방법의 인공지능알고리즘을 제안한다. 첫 번째 알고리즘은 Cascaded forest regression (CFR)으로 광혈류측정(PPG) 신호를 이용하여 수축기 혈압(SBP)과 이완기 혈압(DBP)을 추정한다. 제안한 CFR알고리즘은 SBP와 DBP에 대해 각각 1.760mmHg와 2.896mmHg의 절대 평균 오차와 0.948과 0.926의 R² 점수를 각각 달성하였다. 두 번째 알고리즘은 1차원 SENet과 LSTM을 결합한 앙상블 네트워크로, PPG와 심전도(ECG) 신호를 통해 혈압을 예측하였다. SBP를 이용한 정상혈압, 고혈압 전단계, 고혈압 분류의 경우 94%의 전체 정확도와 0.94, 0.85, 0.92의 F1 점수를 달성하였다. DBP를 이용한 분류의 경우 91%의 전체 정확도와 0.98, 0.78, 0.85의 F1 점수를 달성하였다. 다른 선행 연구에 비해 1-D SENet-LSTM 방법 기반의 SBP와 DBP 분류기는 정확도가 각각 2%, 11% 향상되었다. 예측 결과인 SBP와 DBP에 대한 표준 편차와 평균 오차를 미국의료기기협회(AAMI) 및 영국 고혈압학회 (BHS） 표준에 적용하여 제안된 알고리즘의 성능을 분석하였다.|Blood pressure measurement is an essential component of medical care that provides information on an individual's cardiovascular health, and accurate measurement and continuous monitoring are required. In particular, with the advent of the aging population, the importance of blood pressure management is steadily increasing. Among them, high blood pressure can cause various diseases such as stroke, heart failure, heart attack, and kidney disease as the blood pressure in the arteries is constantly high. In order to measure blood pressure, hospitals use a cuff to compress the patient's arm and then measure the pressure in the blood vessels. This method is widely used because of its high accuracy, but it can endanger the elderly due to body pressure, and it is inconvenient to use because it is bulky and requires medical knowledge, and it is impossible to measure for a long time in everyday life. In this study, two artificial intelligence algorithms that can predict cuffless blood pressure through bio-signals are proposed. The first algorithm is a cascaded forest regression (CFR) that estimates systolic blood pressure (SBP) and diastolic blood pressure (DBP), using photovascularization (PPG) signals. The CFR algorithm achieved mean absolute errors of 1.760 mmHg and 2.896 mmHg for SBP and DBP, respectively. Additionally, best model achieved R² scores of 0.948 and 0.926 for SBP and DBP, respectively. The second algorithm uses an ensemble network combining a one-dimensional SENet and LSTM to blood pressure classification through PPG and electrocardiogram (ECG) signals. For the classification of hypertension, normotension, and prehypertension using SBP, we achieved accuracy of 94% and F1 scores of 0.92, 0.94, and 0.85. For the results obtained using DBP classification the overall accuracy was 91%, with F1 scores of 0.85, 0.98, and 0.78. When compared to other studies, the classifier results generated by SBP and DBP based on the 1-D SENet-LSTM method improved accuracy by 2% and 11%, respectively. The performance of the proposed algorithm was analyzed by applying the predicted standard deviation and average error for SBP and DBP to the American Medical Device Association (AAMI) and British High Blood Pressure Association (BHS) standards.