Elektrokardiyografi sinyali ile yapay zekâ tabanlı kan basıncı tespiti = Ai-based blood pressure detection with electrocardiography signal

Abstract

Çalışmanın iki ana terimi kan basıncı (KB) ve elektrokardiyografidir (EKG). Kan basıncı, damarlarda dolaşan kanın damar çeperine yaptığı basınç olarak tanımlanır. Bu durum kalbin dolaşım sistemi ile kan pompalanmasından kaynaklı oluşan basınçla ilişkilidir. Kan basıncı genellikle kalp döngüsündeki sistolik ve diyastolik basınç ile ifade edilir. Ayrıca kan basıncı, kan hacmi sempatik sinir sistemi (SNS) ve renin-anjiotensin aldosteron sisteminin (RAAS) karşılıklı etkileşimiyle düzenlenmektedir. Bu iki sistem tarafından sebep olunan vazokonstriksiyon, baro refleks adı verilen iki aktif negatif geri besleme sistemi tarafından modüle edilir Elektrokardiyografi ise, kalp kasının ve sinirsel iletim sisteminin çalışmasını incelemek üzere kalpte meydana gelen elektriksel faaliyetin kaydedilmesidir. Bu sinyal işareti kalp atımları ile gerçekleşir. Kalp kaslarında aksiyon potansiyel gerçekleştiğinde, kalp kasları kasılır. Böylece kalp tarafından vücudun her tarafına kan pompalanır. Bu aksiyon potansiyelden oluşan akım kalpten tüm vücuda yayılacaktır. Kalbin sistol ve diyastol evrelerinde vücudun farklı bölümlerinde farklı akım dağılımları ile karşılaşılır. Dolayısıyla bir sinyal oluşumu gözlemlenir. Ayrıca bu evrelerde kalbin kasılma ve gevşemesinden kaynaklı damar çeperlerine yapılan basınç ortaya çıkar. Bu durum EKG ve kan basıncı arasındaki ilişkiyi gösteren detaylar arasındadır. Kan basıncının ölçülmesi ve takibi, kalp ve damar hastalıkları, hipertansiyonun neden olduğu inme, böbrek yetmezliği gibi hastalıkların önlenmesinde büyük önem taşımaktadır. Özelliklede kan basıncının normalden yüksek olması olarak adlandırılan hipertansiyon, dünyadaki her iki ölümden birinin sebebi olarak öne çıkmaktadır. Hipertansiyonun teşhis ve tedavisinde kan basıncı takibi temel faktördür. Kan basıncı ölçümlerinde invaziv ve noninvaziv yapılara sahip birçok yöntem kullanılmaktadır. İnvaziv ölçüm sistemleri çoğu zaman hatalı ölçümler ve zaman kaybı gibi sorunlara neden olmaktadır. Noninvaziv modeller ise, donanım ve yazılım maliyetleri gibi birçok soruna neden olmaktadır. Ayrıca bu işlemin stigmamonometre, manşon ve kadranlı barometre gibi araçlar ile gerçekleştirilmesi karmaşık ve olumsuz etkilere sebep olmaktadır. Bu tür invaziv yöntemlerin üstesinden gelmek için son zamanlarda literatürde pek çok tahmin yöntemi ileri sürülmüştür. Kan basıncı tahmini üzerine yapılan çoğu araştırma, elektrokardiyogram ve fotopletismografi (PPG) sinyallerini veya bunların bir kombinasyonunu kullanır. Bu ekipman ihtiyacını beraberinde getirir. Buna ek olarak, bu yöntemlerde görülen ölçüm hataları, süre kısıtları performans açısından verimsizliğe sebep olmaktadır. Giyilebilir biyosensörler, hayati insan belirtilerinin gerçek zamanlı izlenmesi için bir fırsat sağlar, zamanında geri bildirim sağlar, erken teşhis ve tedavi olanakları sağlar. Modern giyilebilir biyosensörler, belirli bir ölçüm prosedürüne tabi olan geleneksel kan basıncı sensörlerinden farklı olarak ilgili sinyalleri gün boyu izler ve cihazı takmaktan başka bir yük oluşturmaz. Bu sinyallerin insan vücudundan güvenilir bir şekilde alınması ve alınan sinyal verilerinin toplanması önemli araştırmaları beraberinde getirmektedir.Elektronik verilerin güvenli bir şekilde toplanması, doğrulanması ve taşınması, nesnelerin interneti (IoT) ve yapay zekâ teknolojisinin entegrasyonuyla sağlanır. IoT ekipmanın kalitesini etkin bir şekilde garantilemenin zorluğu, beraberinde verilerin güvenilirliğini ve doğruluğunu sağlamanın zorluğunu getirir. Bu durum, makine öğrenme tekniklerine dayalı algoritmaların doğruluğunda büyük önem taşımaktadır. Bu nedenle gelişmiş yapay zekâ tabanlı noninvaziv bir süreçle yönetilebilen yeni teknolojik altyapıya sahip sistolik ve diyastolik kan basıncı ölçüm sistemlerine ihtiyaç vardır. Bu kapsamda, çalışma EKG sinyalini kullanarak endirekt ölçüm tekniklerinin sebep olduğu sorunları gidermeyi, minimum hesaplama süresi tespiti yapmayı ve frekans bant analizi ile EKG'den edinilen bilgi aralıklarının niteliklerini değerlendirebilmeyi amaçlamaktadır. Çalışma iki safhadan oluşan bir uygulama sürecine tabidir. İlk safhada kan basıncının minimum sürede hesaplanması hedeflenmiştir. İkinci kısımda ise tespit edilen minimum süre içinde frekans bant analizi ile EKG'nin incelemesinin mümkün kılınarak kan basıncı tespit performansını artırmaktır. Çalışma IEEE veri tabanından alınan beş bireye ait günlük aktivite sırasında ölçülmüş EKG ve KB kayıtlarını içermektedir. Biri kadın, dördü erkek olan bu bireyler, periferik veya kardiyovasküler hastalığa sahip değildir ve sedanterden düzenli aktivite seviyesine kadar değişen bir aktifliğe sahiptir. Yaşları 21-35 arasında değişmektedir. Veriler 64 Hz örnekleme frekansına sahiptir. Beş katılımcı için ilk gün altı buçuk saat boyunca veri toplanmıştır. Veriler ayrıca dört ay ara ile bir ve ikinci katılımcılar için ve altı ay ara ile birinci katılımcı için toplanmıştır. EKG sinyali öncelikle gürültüden arındırılmıştır. Çalışmanın amacına uygun olacak şekilde her bir sinyal 2-4-6-8-10-12-14-16-18-20 saniyelik epoklara ayrılmıştır. Veri seti girdi bilgisi içermediği için zaman alanında 25 adet öznitelik çıkarımı yapılmıştır. Bu özellikler sıklıkla istatistikte kullanılan tanımlayıcı istatistiksel parametrelerdir. İstatistiğe dayalı özellik çıkarımının amacı farklı perspektiflerden EKG sinyali bilgisini ortaya çıkarmaktır. Bu şekilde bilgi kaybı önlenmektedir. Boyut optimizasyonunu sağlamak için sonraki adımda özellik seçimi yapılmıştır. Bu süreçte ise spearman özellik seçme algoritması kullanılmıştır. Özellik setleri için üç farklı makine öğrenimi algoritmasına dayalı performans değerlendirmesi yapılmıştır. Her yapılan işlem, hedeflenen her bir süre için gerçekleştirilmiştir. Gömülü sistemlere entegresinin kolay olması sebebiyle gauss süreç regresyonu yapay zekâ algoritması tercih edilmiştir. Bu sürece göre, 16 saniyede en başarılı kan basıncı tahmini gerçekleştirilirken, diğer saniyelerin küçük başarı oranı farkları ile kullanılabileceği öngörülmüştür. Alt frekans bant analizi sürecine ilişkin 10 saniyelik süre kullanımı tercih edilmiştir. 10 saniye ile daha hızlı sonuçlar elde edilir ve kan basıncı değerlerinin hesaplanmasında ortalama tepe değerler alınarak hata oranının azaltılması sağlanır. İkinci uygulama sürecinde, 10 saniyelik epoklanmış EKG sinyali kullanılarak frekans bantlarında ayrım gerçekleştirilmiştir. 64 Hz frekansa sahip EKG kaydı için 56 Hz frekans bandında, frekans bant ayrımı yapabilmek için üst örnekleme yapılmıştır. 64 Hz frekans bandındaki bir kayıt, sadece 32 Hz frekans bandı içerisinde bilgi aktarabilir. Üst örnekleme yapılarak yeni veri seti frekansı 128 Hz olarak belirlenmiştir EKG sinyali 5-15 Hz, 5-11 Hz, 8-58.5 Hz, 3-40 Hz, 8-20 Hz, 9-30 Hz ve 2-40 Hz frekans bantlarına ayrılmıştır. Veri seti girdi bilgisi içermediği için zaman alanında 25 adet istatistiksel özellik kullanılmıştır.İlk uygulama sürecinde 20 süre için toplam 500 adet özellik çıkarılmıştır. İkinci uygulma için ise 9 eş zamanlı EKG sinyalinden toplamda 225 adet özellik çıkarılmıştır. Bununla birlikte minimum düzeyde özelliğin kullanımı ile performansın yüksek oluşu hedeflendiği için bir seçim kriteri söz konusu olmaktadır. Özellik seçimi ile oluşturulacak modellerin performans artırımı için ilişkili özellikleri değerlendirmek önem arz etmektedir. Özellikler arasındaki ilişki düzeyini tespit etmek için spearmen korelasyon kat sayısı veya özellik seçme algoritması kullanılmıştır. EKG sinyali ile 11 grup oluşturulmuş ve her bir gruba ait modelin korelasyon değeri hesaplanmıştır. İlişkisi yüksek olan istatistik özellikler belirlenmiştir. Bu adımdan sonra seçilen 11 özellik seti için üç makine öğrenimi algoritmasına dayalı tahmin modelleri oluşturulmuştur. Çalışmanın ana sorusu "EKG ile KB tespiti için gereken minimum süre nedir?" ve "Minimum sürede hangi frekans bantlarında EKG ile KB tespiti yüksek doğrulukta gerçekleştirilir?" dir. Bu amaçla 2-20 saniye arasında farklı sürelere sahip sinyaller için modeller geliştirilmiş ve algoritmalar test edilmiştir. Tespit edilen süre zarfında farklı frekans bantlarında EKG sinyal bilgisi alınarak KB tahmin modelleri oluşturulmuş ve performansları test edilmiştir. Çalışmada önerilen model zaman aşımı açısından literatürdeki çalışmalardan önemli ölçüde farklılık göstermektedir. Her saniye için KB hesaplaması yapılmıştır. Hesaplanan KB değerleri, her adımda benzersiz bir yapı sergilemiştir ve performans artışı göstermiştir. İlk olarak EKG sinyali için istatistiksel girdiler belirlendikten sonra modelin performansının bazı özellikler karşısında düşük olduğu belirlenmiştir. Öte yandan, veri boyutu optimize edilerek gereksiz özellikler kaldırılmıştır. Bu sayede yüksek korelasyon seviyelerine sahip veri setlerinde performans artışı gözlemlenmiştir. Kademeli olarak geliştirilmeye çalışılan bu sistemde periyodik gözlemler tablolar halinde sunulmuş ve yüksek doğruluk oranı ile minimum süre tespiti yapılmıştır. Karşılaştırma yapılan üç yapay zeka algoritması şunlardır: Gauss süreç regresyonu, karar ağacı ve topluluk karar ağacı algoritması. Bu algoritmalar birbirilerinden farklı çalışma teknikleri bakımından veri seti üzerinde çalışma süreci incelenmiş ve her koşul için performans değerleri karşılaştırılmıştır. Regresyon modellerine ve veri setine sağladıkları uyum sebebi ile kullanımları tercih sebebi olmuştur. Her iki uygulama sürecinde de topluluk karar ağacı algoritması en yüksek performans gösteren algoritma olmuştur. EKG sinyali ile her iki uygulama süreci için 11 grup oluşturulmuş ve minimum süre tespiti için 660, alt frekans bant analizi için 594 olmak üzere toplam 1254 adet model oluşturulmuştur. 1254 adet KB tahmin modelleri belirli performans değerlendirme metrikleri ile değerlendirilmiştir. Bunlar ortalama mutlak yüzde hatası (OMYH), ortalama mutlak hata (OMH), standart hata (SH), ortalama kare hata (OKH), kök ortalama karesel hata (KOKH), korelasyon katsayısı (R) ve korelasyon katsayısının karesi (R2) olmak üzere yedi adettir. Minimum süre tespiti uygulamasına ilişkin DKB ve SKB tahmin modelleri için OMYH değerleri sırasıyla 2,44 ve 1,92 olarak 16 saniyede tespit edilmiştir. Alt frekans bantı analizine ilişkin DKB ve SKB 10 saniyede 2-40 Hz frekans bandı için OMYH tahmin performans değerleri sırasıyla 1,80 ve 1,36'dır. Tüm bunlara göre, 10 saniyelik EKG sinyalinin 2-40 Hz frekans bandında yüksek performans oranıyla sistolik ve diyastolik kan basıncı değerlerinin hesaplanabileceği değerlendirilmektedir

The two main terms of the study are blood pressure (BP) and electrocardiography (ECG). Blood pressure is the pressure the circulating blood exerts on the vessel wall. This is related to the pressure caused by the heart's circulatory system and blood pumping. Blood pressure is usually expressed in terms of systolic and diastolic pressure in the cardiac cycle. In addition, blood pressure and volume are regulated by the interaction of the sympathetic nervous system (SNS) and the renin-angiotensin-aldosterone system (RAAS). The vasoconstriction caused by these two systems is modulated by two active negative feedback systems called baroreflexes. Electrocardiography is recording the electrical activity occurring in the heart to study the functioning of the heart muscle and the neurotransmitter system. This signaling occurs with heartbeats. When an action potential occurs in the heart muscle, the heart muscle contracts. Thus, blood is pumped by the heart to all parts of the body. The current formed from this action potential will spread from the heart to the whole body. Different flow distributions are encountered in different parts of the body during the systole and diastole phases of the heart. Therefore, a signal formation is observed. In addition, in these stages, pressure on the vessel walls arises due to the contraction and relaxation of the heart. This is among the details that show the relationship between EKG and blood pressure. Measuring and monitoring blood pressure is very important in preventing cardiovascular diseases, stroke caused by hypertension, and kidney failure. Hypertension, called higher than normal blood pressure, stands out as the cause of one of every two deaths worldwide. Blood pressure monitoring is the main factor in diagnosing and treating hypertension. Many methods with invasive and noninvasive structures are used in blood pressure measurements. Invasive measurement systems often need to be corrected, such as erroneous measurements and loss of time. Noninvasive models cause many problems, such as hardware and software costs. In addition, performing this process with instruments such as a stigmamonometer, cuff, and dial barometer causes complex and adverse effects. Many prediction methods have been proposed in the literature recently to overcome such invasive methods. Most research on blood pressure estimation uses electrocardiogram and photoplethysmography (PPG) signals or a combination of these. This brings the need for equipment. In addition, measurement errors and time constraints seen in these methods cause inefficiency in terms of performance. Wearable biosensors provide an opportunity for real-time monitoring of vital human signs, providing timely feedback and enabling early detection and treatment. Unlike traditional blood pressure sensors, which are subject to a specific measurement procedure, modern wearable biosensors monitor the relevant signals throughout the day. They do not create a burden other than wearing the device. Receiving these signalsfrom the human body reliably and collecting the received signal data brings essential research. The secure collection, verification, and transport of electronic data are achieved through integrating the Internet of Things (IoT) and artificial intelligence technology. The challenge of effectively assuring the quality of IoT equipment comes with the challenge of ensuring the reliability and accuracy of data. This is important in the accuracy of algorithms based on machine learning techniques. For this reason, there is a need for systolic and diastolic blood pressure measurement systems with a new technological infrastructure that can be managed with an advanced artificial intelligence-based noninvasive process. In this context, the study aims to eliminate the problems caused by indirect measurement techniques by using the ECG signal to determine the minimum computation time and to evaluate the characteristics of the information intervals obtained from the ECG with frequency band analysis. The study is subject to an implementation process consisting of two phases. In the first phase, it is aimed to calculate blood pressure in a minimum time. In the second part, it is to increase the blood pressure detection performance by enabling the examination of the ECG with frequency band analysis within the minimum time determined. The study includes ECG and BP recordings of five individuals measured during daily activity from the IEEE database. These individuals, one female and four males do not have peripheral or cardiovascular disease and have activity ranging from sedentary to regular activity levels. Their ages range from 21 to 35. The data has a sampling frequency of 64 Hz. Data were collected for six and a half hours on the first day for five participants. Data were also collected for the first and second participants, four months apart, and the first participant, six months apart. The ECG signal is primarily noise-free. In accordance with the purpose of the study, each signal was divided into epochs of 2-4-6-8-10-12-14-16-18-20 seconds. Since the data set does not contain input information, 25 features were extracted in the time domain. These features are descriptive statistical parameters often used in statistics. Statistical feature extraction aims to reveal ECG signal information from different perspectives. In this way, information loss is prevented. In order to achieve size optimization, feature selection was made in the next step. The spearman feature selection algorithm was used in this process.Performance evaluation based on three different machine learning algorithms was made for feature sets. Each transaction was carried out for each targeted period. Gaussian process regression artificial intelligence algorithm is preferred because it is easy to integrate into embedded systems. According to this process, the most successful estimation of blood pressure in 16 seconds was realized, while it was predicted that other seconds could be used with minor success rate differences. A 10-second period was preferred for the lower-frequency band analysis process. Faster results are obtained within 10 seconds, and the average peak values are taken in calculating blood pressure values, thus reducing the error rate. In the second application process, frequency band separation was performed using a 10-second epoched ECG signal. For the ECG recording with a frequency of 64 Hz, upsampling was performed in the 56 Hz frequency band to distinguish between frequency bands. A 64 Hz frequency band recording can only transmit information within the 32 Hz frequency band. The frequency of the new data set was determined as 128 Hz by upsampling. The ECG signal was divided into frequency bands of 5-15 Hz, 5-11 Hz, 8-58.5 Hz, 3-40 Hz, 8-20 Hz, 9-30 Hz, and 2-40 Hz. . Since the data set did not contain input information, 25 statistical features were used in the time domain.In the first application process, 500 features were extracted for 20 periods. For the second application, a total of 225 features were extracted from 9 simultaneous ECG signals. However, since it is aimed to use the minimum level of features and high performance, there is a selection criterion. It is essential to evaluate the related features in order to increase the performance of the models to be created by feature selection. Spearmen correlation coefficient or feature selection algorithm was used to determine the level of relationship between features. 11 groups were formed with the ECG signal, and the correlation value of the model belonging to each group was calculated. Statistical features with high correlation were determined. After this step, prediction models based on three machine learning algorithms were created for the 11 selected feature sets. The main question of the study is "What is the minimum time required for BP determination by EKG?" and "Which frequency bands can detect BP with ECG with high accuracy in minimum time?" is For this purpose, models have been developed for signals with different durations between 2-20 seconds and algorithms have been tested. BP prediction models were created by taking ECG signal information in different frequency bands during the determined period, and their performances were tested. The model proposed in the study differs significantly from the studies in the literature in terms of timeout. KB calculations were made for each second. The calculated BP values showed a unique structure at each step and performance improvement. After first determining the statistical inputs for the ECG signal, it was determined that the model's performance was low compared to some features. On the other hand, unnecessary features are removed by optimizing the data size. In this way, an increase in performance was observed in data sets with high correlation levels. In this system, which was tried to be developed gradually, periodic observations were presented in tables, and minimum time was determined with high accuracy. The three AI algorithms compared are Gaussian Process Regression, Decision Tree, and Ensemble Decision Tree algorithm. The working process of these algorithms on the data set was examined in terms of different working techniques, and the performance values were compared for each condition. Their use has been the reason for preference due to their compatibility with the regression models and the data set. The EDT algorithm had the highest performance in both implementation processes. With the ECG signal, 11 groups were created for both application processes, and a total of 1254 models were created, 660 for minimum time detection and 594 for lower frequency band analysis. 1254 KB prediction models were evaluated with specific performance evaluation metrics. These are mean absolute percent error (MAPE), mean absolute error (MAE), standard error (SE), mean square error (MSE), root mean square error (RMSE), correlation coefficient (R), and correlation coefficient squared (R2). MAPE values for the DBP and SBP estimation models for the minimum time determination application were determined as 2.44 and 1.92, respectively, in 16 seconds. The MAPE estimation performance values for the DBP and SBP frequency bands of 2-40 Hz in 10 seconds for the lower frequency band analysis are 1.80 and 1.36, respectively.According to all these, it is evaluated that SBP and DBP values can be calculated with a high-performance ratio of the 10-second ECG signal in the 2-40 Hz frequency band.