Continuous blood pressure measurement during physical stress with multi-wavelength photoplethysmography

No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2023-08-21
Department
Major/Subject
Complex Systems
Mcode
SCI3060
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
53 + 8
Series
Abstract
Hypertension and other cardiovascular risks have become more common during the past decades, especially in the developed world. In 2019 it was estimated that there are over 500 million prevalent cardiovascular disease cases, approximately double the amount in 1990. Blood pressure, and hypertension specifically is a significant indicator of the onset of cardiovascular disease. Current methods of blood pressure measurement have significant weaknesses, sparse datapoints for example, which causes misdiagnoses due to phenomena such as white-coat hypertension. The popularity of consumer fitness devices has grown significantly during the past decade. These devices feature numerous sensors, which measure health information about the user, such as various activity and recovery metrics. Many of these devices feature optical photoplethysmography sensors, which has extensive applications in the assessment of the cardiovascular system. Historically photoplethysmography has been used in medical research and clinical patient monitoring, but the consumer fitness devices have brought the technology to the day-to-day life of consumers. The objective of this work was to develop a model for the estimation of systolic and diastolic blood pressure during physically induced stress. The thesis compares a few different types of machine learning models, which are trained with photoplethysmography data measured from 61 volunteers and explores the possible use cases of these models. The data used in the study were collected as part of this thesis. The subjects participated in a physical exercise intervention, where they did physical exercise at various intensity levels, and their blood pressure was measured during rest with a cuff blood pressure monitor while wearing a multi-wavelength photoplethysmography sensor on a finger. A few different machine learning models were trained to estimate systolic and diastolic blood pressure from the photoplethysmography signal. Systolic blood pressure estimation worked better than diastolic blood pressure estimation. The models' performance leave room for improvement, likely with feature selection and data quality improvements. The main finding of the work was that photoplethysmography based estimation can work even at higher blood pressure levels, which has not been studied before.

Kohonnut verenpaine eli hypertensio sekä muut sydän- ja verisuonitautiriskit ovat yleistyneet erityisesti kehittyneissä maissa viime vuosikymmenten aikana. Vuosien 1990 ja 2019 välissä todettujen sydän- ja verisuonitautien määrä tuplaantui reiluun 500 miljoonaan maailmassa. Verenpaine on merkittävä indikaattori näiden tautien kehittymisestä. Tällä hetkellä yleensä verenpainetta mitataan normaalilta ihmiseltä harvoin, lähinnä terveystarkastusten yhteydessä. Kun verenpainetta mitataan niin yksittäiset mittaukset ovat alttiita mittausvirheille. Yksi merkittävä virhelähde on valkotakkihypertensio, joka vaikuttaa arviolta 15\%-30\% mittauksista. Viime vuosikymmenen aikana kuluttajille suunnatut terveysmittarit ovat yleistyneet merkittävästi. Näissä mittareissa on lukuisia sensoreita, jotka mittaavat terveysdataa laitteen käyttäjästä. Erilaiset aktiivisuutta ja palautumista mittaavat arvot ovat yleisimpiä näistä. Useat puettavat terveysmittarit sisältävät optisen fotopletysmografiasensorin, jolla on monia käyttötarkoituksia verenkiertoelimistön seurannassa. Fotopletysmografiaa on aikaisemmin käytetty muun muassa lääketieteellisessä tutkimuksessa ja potilaiden seurannassa, mutta nämä puettavat terveysmittarit ovat tuoneet kyseisen teknologian tavallisten kuluttajien käyttöön. Tässä työssä kehitettiin eri koneoppimismalleja systolisen ja diastolisen verenpaineen estimointiin fotopletysmografiasignaalista, kun ihminen palautuu lyhytaikaisesta fyysisestä stressistä. Osana työtä kerättiin aineisto, joka koostuu 61 koehenkilön datasta. Jokainen koehenkilö suoritti mittauksen, jossa he urheilevat lyhyen aikaa eri rasittavuustasoilla. Heidän verenpainettaan mitattiin noin minuutin välein olkavarsiverenpainemittarilla, kun he lepäsivät selällään maaten urheilun jälkeen 10 minuutin ajan. Samalla heillä oli sormessa useaa aaltopituutta hyödyntävä fotopletysmografiasensori. Systolisen verenpaineen estimointi toimi paremmin kuin diastolisen. Mallien suorituskyky ei ollut optimaalista, ja todennäköisimpiä parannuskeinoja olisi piirteiden valinnan hyödyntäminen sekä datan laadun parantaminen. Työn päälöydös on, että verenpaineen estimointi fotopletysmografiasignaalista on mahdollista myöskin lyhytaikaisen stressin aikana kun verenpaine on merkittävästi koholla, vaikka se onkin haastavampaa kuin verenpaineen estimointi levossa.
Description
Supervisor
Saramäki, Jari
Thesis advisor
Koskimäki, Heli
Pärkkä, Juha
Keywords
photoplethysmography, blood pressure, cardiovascular system, machine learning
Other note
Citation