Assessing cardiovascular health through machine learning: A feasibility study

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis

Authors

Date

2025-07-31

Department

Major/Subject

Complex Systems

Mcode

Degree programme

Master's Programme in Life Science Technologies

Language

en

Pages

60

Series

Abstract

Coronary artery disease (CAD) is the leading global cause of death and develops gradually through the buildup of atherosclerotic plaques, leading to either stable or acute coronary syndromes. Endothelial dysfunction in large epicardial arteries is the earliest detectable sign of atherogenesis, prompting growing interest in its early identification to prevent or slow the progression of more severe cardiovascular diseases. This thesis presents a novel method for assessing endothelial function through finger photoplethysmography. The signal was acquired by using Oura Ring (Oura Health, Oulu, Finland). The study had 21 subjects, and the Oura Ring data was referenced to EndoPAT’s (Itamar Medical, Caesarea, Israel) assessment of endothelial function002E. The collected data was used to create new features out of the photoplethysmography signal. The collected can be used to estimate the level of endothelial function. Using green and infrared LED based data, two regression models and two classification models were trained. The features were selected using sequential forward selection and leave-one-out cross validation was used to validate the results. The best results were acquired using infrared LED signal and the best regression was acquired using Ridge regression and it gave a Pearson correlation of 0.75 and an R2 score of 0.56. The best classification was also acquired using the infrared LED and the best model was a kNN classifier which correctly classified 18/21 subjects and a precision of 0.917 and a recall of 0.846. This results suggest that photoplethysmography-based features may be used to assess endothelial function.

Sepelvaltimotauti on maailmanlaajuisesti yleisin kuolinsyy, ja se kehittyy vähitellen ateroskleroottisten plakkien kertymisen seurauksena, mikä johtaa joko stabiiliin tai akuuttiin sepelvaltimo-oireyhtymään. Endoteelin toimintahäiriö suurissa epikardiaalisissa valtimoissa on varhaisin havaittavissa oleva merkki aterogeneesistä, minkä vuoksi sen varhainen tunnistaminen kiinnostaa yhä enemmän vakavampien sydän- ja verisuonisairauksien ennalta ehkäisyn tai hidastamisen vuoksi. Tässä opinnäytetyössä esitellään uusi menetelmä endoteelitoiminnan arvioimiseksi sormesta mitatun fotopletismografiasignaalin avulla. Signaali kerättiin Oura-sormuksella (Oura Health Oy, Oulu, Suomi). Tutkimukseen osallistui 21 henkilöä, ja Oura-sormuksen dataa verrattiin EndoPAT-laitteen (Itamar Medical, Caesarea, Israel) arvioon endoteelitoiminnasta. Kerätystä fotopletismografiadatasta johdettiin uusia piirteitä koneoppimismalleille, joita voidaan käyttää endoteelitoiminnan tason arviointiin. Signaalin vihreän ja infrapuna-LED:n perusteella koulutettiin kaksi regressiomallia ja kaksi luokittelumallia. Piirteiden valintaan käytettiin vaiheittaista eteenpäin valintaa (sequential forward selection) ja mallien validointiin leave-one-out-ristivalidointia. Parhaat tulokset saavutettiin käyttämällä infrapuna-LED-signaalia. Paras regressiomalli oli Ridge-regressio, joka antoi Pearsonin korrelaatiokertoimeksi 0.75 ja selityskertoimeksi (R²) 0.56. Paras luokittelumalli oli kNN-luokitin, joka luokitteli oikein 18/21 osallistujaa ja saavutti tarkkuuden (precision) 0.917 ja herkkyyden (recall) 0.846. Tulokset viittaavat siihen, että fotopletismografiaan perustuvia piirteitä voidaan hyödyntää endoteelitoiminnan arvioinnissa.

Description

Supervisor

Aledavood, Talayeh

Thesis advisor

Koskimäki, Heli

Keywords

machine learning, cardiovascular health, endothelial function, photoplethysmography, koneoppiminen, endoteelitoiminta

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508186243

Collections

[dipl] Perustieteiden korkeakoulu / SCI