FR3111534A1

FR3111534A1 - Procédé de prédiction de la pression artérielle à l’aide de capteurs PPG

Info

Publication number: FR3111534A1
Application number: FR2006526A
Authority: FR
Inventors: Franck Mouney; Alain Magid Hallab
Original assignee: Axelife; Hallab Alain
Current assignee: Axelife; Hallab Alain
Priority date: 2020-06-22
Filing date: 2020-06-22
Publication date: 2021-12-24
Also published as: FR3111533A1; WO2021259958A1

Abstract

La présente invention concerne un procédé de prédiction de la tension artérielle (TA) à partir du signal de photopléthysmogramme (PPG) associé à un nouvel ensemble de données d'origine. L'ensemble de données est basé sur le fait que les sujets sont périodiquement surveillés pendant des semaines, tandis que les ensembles de données publics considèrent de courtes périodes d'acquisition. La méthode préditive utilise des fréquences clés dans le spectre du signal PPG isolé à l'aide de l'algorithme LASSO. L'efficacité de la méthode a été évaluée sur des données expérimentales enregistrées sur une longue période. Par ailleurs, une évaluation des différents marqueurs temporels du signal PPG qui ont été proposés dans la littérature a été menée sur le même jeu de données. Ces évaluations ont montré que seuls quelques-uns de ces marqueurs temporels sont utiles pour la prédiction des pressions artérielle systolique et diastolique. Les résultats mettent en évidence que de meilleures prévisions de tension artérielle sont obtenues en utilisant le spectre du signal PPG plutôt que des marqueurs temporels sélectionnés de manière optimale.

Description

Procédé de prédiction de la pression artérielle à l’aide de capteurs PPG

Art antérieur

La pression artérielle a toujours été une mesure physiologique clé dans le cadre d’examen médical, étant l’un des biomarqueurs les plus importants lors d’une évaluation clinique. Ainsi, la surveillance continue de la tension artérielle afin de prédire les maladies cardiovasculaires graves sont l’un des défis majeurs des prochaines années. De nombreux chercheurs ont concentré leurs travaux sur la prédiction de mesures de la PA sans brassard à partir de signaux PPG uniquement. Cette méthode prometteuse permettrait une mesure non invasive et continue en utilisant des capteurs portatifs.

Certains travaux récents se concentrent sur une méthode d’extraction du temps de transit en utilisant des capteurs PPG et des capteurs ECG [10] [19] [21]. D’autres travaux plus anciens décrivent une surveillance plus générale de la PA [6] [20].

Les méthodes basées sur la PPG utilisent des propriétés optiques et une relation correspondant aux changements synchrones du volume sanguin et de la PA [8]. Les longueurs d’onde rouge ou proche infrarouge sont utilisées comme source de lumière PPG car elles permettent d’évaluer correctement les changements de volume sanguin grâce aux phénomènes d’absorption et de réflexion des cellules sanguines. La figure 1 illustre l’utilisation d’un tel capteur dans un dispositif portable (montre/bande) pour la surveillance de la tension artérielle à partir d’un signal PPG.

L’estimation de la PA à partir des capteurs PPG a été principalement étudiée en tenant compte des approches par domaine temporel [13] [26] [5]. La plupart d’entre elles impliquent le pré-traitement du signal (lissage, filtrage, etc..), une extraction des caractéristiques temporelles et un modèle basé sur les données pour la prédiction de la PA.

Les caractéristiques fréquentielles ont été étudiées pour la prédiction de la PA. Par exemple, la Transformée de Fourier Rapide ou FFT en anglais a récemment été envisagé pour extraire des informations spectrales afin d’estimer la PA [31]. Comme souligné récemment [18], les techniques basées sur le domaine spectral sont plus pratiques car il n’est pas nécessaire de détecter les ondes par rapport aux techniques basées sur le domaine temporel. Il convient de noter que certaines approches récentes combinent à la fois des informations temporelles et des informations fréquentielles [2].

Outre les techniques d'estimation de la PA, un autre aspect crucial concerne le protocole de collecte des données du PPG pour estimer la PA. Selon Stergiou et al [22], un nouveau type de protocoles de validation sera développé pour les moniteurs BP continus, sans brassard et centraux. L'IEEE Std 1708TM [1] a été spécialement étudié pour définir les performances objectives d'évaluation de la mesure de la PA au travers d’appareil portable et sans brassard avec différents modes de fonctionnement (par exemple, pour mesurer à court terme, à long terme, instantané, continu, battement (s) à battement (s) BP, ou variabilité BP). Un aspect sous-jacent important concerne l'ensemble de données d'évaluation qui doit être assez représentatif.

Liste des figures

Un exemple de bracelet dote de capteur PPG.

Graphique sur une journée de mesure

Illustration des méthodes utilisées pour prédire la PA : la méthode basée sur les données fréquentielles est représentée à droite, à gauche la méthode temporelle

Présentation de la modélisation Gaussienne

Modélisation gaussienne avec des descripteurs issus de ce modèle

Présentation du calcul de la médiane du spectre d’une fenêtre qui se déplace dans le signal PPG.

Variations de la pression artérielle d’un sujet sur une période de 4 semaines

Erreur de prédiction quadratique moyenne validée de façon croisée de l'algorithme du LASSO lors de l'utilisation des marqueurs temporels du signal PPG : pression artérielle systolique (a) et diastolique (b)

Pression artérielle systolique (a) et diastolique (b) prévues par le modèle temporel LASSO

Erreur de prédiction quadratique moyenne croisée par l'algorithme du LASSO en analyse spectrale du signal PPG : pression artérielle systolique (a) et diastolique (b)

Pression artérielle systolique (a) et diastolique (b) prévue par le modèle fréquentiel LASSO

Pression artérielle systolique (a) et diastolique (b) prévues par le modèle LASSO fréquentiel

Description détaillée de l’invention

Une nouvelle méthode efficace d'estimation de la PA basée à partir d’un capteur PPG est proposée. Cette méthode est basée sur un nouvel ensemble de données pour récolter les données à partir desquelles sont calculés les modèles d'estimation de la pression artérielle. Des descripteurs temporels sont calculés pour l'ensemble des données.

L'ensemble de données concerne le suivi à long terme d'un sujet, avec des acquisitions PPG et BP (instantané) régulièrement réalisées sur plusieurs semaines. Les études de données existantes ne prennent pas en compte un tel protocole d'acquisition et sont limités à des acquisitions de courte durée.

Matériel

Le protocole d'acquisition a été élaboré afin d'obtenir des données propres et reproductibles et surtout le même état physiologique sur plusieurs semaines. Ce protocole implique que le sujet soit allongé pendant 5 minutes avec les dispositifs médicaux prêts. Ensuite, trois mesures consécutives sont effectuées avec un intervalle de 1 minute. Le signal PPG et la pression artérielle sont enregistrés en même temps.

Nous avons utilisé un brassard BP marqué CE et des enregistrements du signal PPG par infrarouge via un dispositif médical pOpmetre@ :

Le brassard du tensiomètre est positionné sur le bras gauche du sujet.
La pince PPG est positionnée sur le pouce de la main droite.

Les mesures sont généralement effectuées à la même heure tous les jours juste avant le déjeuner afin d'éviter toute perturbation externe (ex : déjeuner, café, etc.). Tous les jours, pendant 6 semaines, trois mesures consécutives de signaux PPG de 10 secondes ont été enregistrées avec la TA sans brassard correspondante (voir figure 2). En conséquence, 84 signaux PPG et leurs pressions artérielles systoliques et diastoliques correspondantes ont été enregistrés sur une période de 40 jours. Pour capturer la variation intrinsèque de la pression artérielle, même si toutes les acquisitions sont réalisées dans les mêmes conditions, une surveillance de longue durée est nécessaire. Cet aspect est illustré et discuté ci-dessus, fournissant un aperçu de la distribution des pressions sanguines mesurées.

Méthode

La méthode utilisée pour prédire la pression artérielle à partir du signal PPG est illustrée par la figure 3. Les trois principales étapes de la méthode proposée sont détaillées ci-après. On notera que la méthode basée sur la fréquence proposée correspond à la partie droite de la figure 3, tandis que la partie gauche traite de la comparaison avec les caractéristiques temporelles existantes.

Traitement des données :

Tout d'abord, chaque signal PPG est normalisé en soustrayant sa valeur moyenne et en divisant par son écart type (Std), conduisant à PPGs défini par :

Ensuite, le traitement des données est effectué séparément dans les domaines temporel et fréquentiel.

Domaine temporel :

Comme mentionné précédemment, la plupart des travaux connexes envisagent une étape de prétraitement (filtrage) avant d'extraire les caractéristiques temporelles.

L'étape de prétraitement est nécessaire pour corriger les artefacts résultant de l'acquisition [15] [14]: artefact de mouvement, perte de contact avec la peau, interférence de la ligne électrique, rythme cardio-vasculaire irrégulier, détection de la saturation du signal, etc. Dans notre cas, aucun artefact n'a été détecté lors de l'acquisition.

Le filtrage fréquentiel est principalement utilisé avec une bande de fréquence de coupure généralement réglée sur [0,1 - 10] Hz [15]. Cependant, afin de filtrer les artefacts indépendants des variations de la PA, le filtrage de Kalman peut être envisagé [11]. La motivation d'un tel filtrage adaptatif est que le signal PPG est lié au sujet. En effet, selon [11], les effets non stationnaires provoqués par la respiration affectent le signal PPG. Dans un tel cas, un filtrage adaptatif est nécessaire pour prendre en compte la variation du temps de respiration. Ainsi, le filtrage de prétraitement doit pouvoir adapter son paramètre dans le temps.

Dans [3], les auteurs ont envisagé un filtrage passe-bande classique de 0,5 Hz à 5 Hz suivi d'une suppression de la dérive de base. Ils ont utilisé une distribution gaussienne à 2 pour approximer la forme de chaque impulsion (voir figure 5). Il permet de réduire les irrégularités dans la forme de l'impulsion captée par un smartphone. Notez que [13] n'utilise aucun prétraitement au niveau du signal mais a essayé de réduire le bruit pendant l'enregistrement depuis l'appareil photo du smartphone en tenant compte de la luminosité, de la couleur de la peau et de la position du doigt sur l'appareil photo.

Nous utilisons un filtre passe-bas pour supprimer les hautes fréquences dans le signal avec une fréquence de coupure de 10 Hz qui permet de supprimer toute interférence sur la ligne électrique (50 Hz, 60Hz, etc ...). Un lissage est ensuite appliqué au moyen d'un filtre numérique avec un ordre polynomial de trois afin d'avoir une bonne qualité de 1ère et 2ème dérivée du signal.

En ce qui concerne les caractéristiques du domaine temporel présentes dans la littérature, il existe différentes catégories qui ont été testées pour prédire la pression artérielle (voir figure 4). On notera que les travaux connexes utilisent une combinaison de ces caractéristiques temporelles. Les catégories et les articles publiés correspondants sont :

Marqueurs spécifiques au pouls : [32], [30], [25].
Aire sous courbe à partir de marqueurs spécifiques : [32], [30], [29].
1ère et 2ème dérivées : [32], [16], [24].
Segment temporel sous courbe : [13], [26], [11], [30], [16], [12].
Valeurs de fréquence cardiaque liées : [13], [5], [11], [32], [29], [12].
Énergie, entropie, coefficient d'asymétrie, etc. ... : [17].
Paramètres du modèle gaussien : similaires à [3].

Nous avons introduit de nouvelles caractéristiques temporelles : 21 caractéristiques du modèle gaussien (voir figure 5), l'énergie du signal, la pente de la remontée, l'asymétrie et le kurtosis de l'impulsion. Les 21 caractéristiques construites à partir du modèle gaussien ajusté [4] correspondent à des points spécifiques, certains d'entre eux étant indiqués dans la figure 5. En ce qui concerne le modèle gaussien, nous avons extrait 21 paramètres de cette méthode qui sont principalement tirés de certains des points de coordonnées spécifiques (voir figure 5). Nous utilisons la méthode du maximum de vraisemblance et l'algorithme de maximisation des attentes (EM) pour faire la somme des deux gaussiennes pour ajuster au plus près l'impulsion brute [4]. A noter qu'une approche similaire a été envisagée pour l'analyse des signaux bruyants [3]. Par souci de clarté, toutes les fonctionnalités ne sont pas décrites de manière exhaustive dans le présent document. Nous considérons 153 caractéristiques temporelles (marqueurs), y compris celles nouvellement introduites. Seuls ceux pertinents (conduisant à la meilleure prédiction) seront résumés dans la section des résultats ci-dessous.

Domaine fréquentiel : Étant donné que l'acquisition des signaux PPG n'est pas encore automatique (c'est-à-dire avec une durée fixe et contrôlée), la durée des différents signaux PPG se situe entre 4,47 et 32,98 secondes. Ceci est gênant car les différents spectres des signaux PPG représentent différentes résolutions spectrales. Afin de surmonter ce problème, le spectre PPG résulte du calcul du spectre médian sur des fenêtres glissantes de 10 secondes, comme illustré par la figure 6. Ainsi, les signaux PPG ayant moins de 10 secondes ne sont pas utilisés dans cette étude. Cela signifie que dans notre cas, seuls 56 signaux PPG sur 84 sont conservés et leurs spectres médians calculés comme décrit précédemment. De plus, pour augmenter la résolution des spectres du signal PPG, le signal PPG a été amplifié (en ajoutant des valeurs nulles à la fin du signal) jusqu'à 105 (équivalent d'une fenêtre temporelle de 100 secondes à une fréquence d'échantillonnage de 1 KHz).

Apprentissage :

À cette étape, les marqueurs temporels et respectivement le spectre médian des signaux PPG ainsi que leurs pressions artérielles systolique et diastolique correspondantes sont considérés pour construire un modèle prédictif de la pression artérielle du sujet. Dans les deux cas (temporel et fréquentiel), l'algorithme LASSO (Least Absolute Shrinkage and Selection Operator) [27] est utilisé pour construire le modèle prédictif. Le LASSO est une technique de régression pénalisée L1 qui bénéficie de certaines des propriétés de la sélection des sous-ensembles et de la régression des crêtes. La principale raison qui a motivé le choix de l'algorithme LASSO dans notre étude est le nombre élevé de variables prédictives (153 marqueurs temporels et respectivement 700 fréquences) et le petit nombre d'observations (84 dans le cas des marqueurs temporels et respectivement 56 dans le cas des descripteurs spectraux). En effet, les estimations des moindres carrés ordinaires dans un modèle de régression sont obtenues en minimisant l'erreur quadratique résiduelle. Cela génère généralement des estimateurs à faible biais mais ayant en contrepartie une grande variance et donc une mauvaise précision de prédiction. L'algorithme LASSO met à zéro certains coefficients afin de réduire la variance des valeurs prédites et ainsi d'améliorer la précision globale de la prédiction. Lorsqu'un grand nombre de prédicteurs sont initialement pris en compte dans le modèle prédictif, l'algorithme LASSO conserve un sous-ensemble plus petit qui présente les effets les plus forts et aide ainsi à interpréter plus facilement le modèle résultant. Nous avons utilisé le logiciel R et le package lars (version : 1.2) proposés par Trevor Hastie et Brad Efron pour calculer les différents résultats obtenus.

Prédiction :

Pour la prédiction de la pression artérielle, le modèle LASSO formé est utilisé. Les entrées du modèle LASSO prennent les marqueurs temporels donnés ou les spectres médians donnés du signal PPG et le modèle réalise la prédiction de la pression artérielle. L'efficacité du modèle prédictif est évaluée au moyen de l'indicateur d'erreur quadratique moyenne (ESM) obtenu par validation croisée. La méthode de validation croisée avec oubli est utilisée dans cette étude. Le graphique du BP prédit par rapport au BP réel donne également une illustration de la qualité du modèle prédictif, qui est détaillée ci-dessous.

Résultats :

Pour le sujet pris en considération dans cette étude, un résumé des statistiques concernant sa variation de la pression artérielle sur la période d'enquête de 4 semaines (28 jours) est donné dans le tableau 1. Notez que Q25 et Q75 représentent les 1er et 3e quartiles du sang répartition de la pression.

Blood pressure	Min	Q25	Median	Mean	Q75	Max
Systolic	86	95	96.5	97.07	100.25	107
Diastolic	53	57	59	59.04	60.25	67

Tableau 1 : Résumé des statistiques de la tension artérielle du sujet (en mm Hg)

La figure 7 montre la propagation des pressions sanguines enregistrées au cours des 6 semaines de l'enquête. Cela illustre la variabilité mentionnée précédemment qui peut être observée sur une longue période, même si les acquisitions sont réalisées dans les mêmes conditions.

Les résultats concernant les modèles LASSO temporels et fréquentiels, obtenus respectivement à partir de marqueurs temporels et de spectres médians sont présentés ci-dessous.

Modèle LASSO temporel

L'algorithme LASSO est utilisé pour identifier les marqueurs temporels utiles pour la prédiction de la pression artérielle. La figure 8 indique l'erreur de prédiction quadratique moyenne validée de manière croisée sans laisser-aller de l'algorithme du lasso, pour les pressions artérielles systolique et diastolique.

Le MSE le plus bas de la prédiction de la pression artérielle est obtenu avec deux ensembles de marqueurs temporels, correspondant soit à la pression systolique soit à la pression diastolique.

Dans le cas de la pression artérielle systolique (les marqueurs nouvellement introduits sont ceux sans référence dans la littérature) :

ATG1 : Amplitude de base du premier modèle gaussien.
ASM : aire sous la courbe du début au sommet de l'impulsion [32].
NCCP : nombre d'impulsions consécutives détectées pour évaluer la fréquence cardiaque.
TUTE90 : intervalle de temps entre la montée et la descente à 90% de l'amplitude sous la courbe [3] [26] [5].
TE : moyenne temporelle des impulsions détectées [32] [3] [29].
Aa2D : Amplitude du 1er sommet de la dérivée seconde du signal [16].
HV : Variance de l'entropie spectrale du signal. Notez que l'entropie spectrale H a été utilisée par [17].
LgE : Énergie du signal (inspirée de [17]).
KTEM : Moyenne de l'énergie Kaiser-Teager du signal [17].
SQIM : Moyenne de l'asymétrie des impulsions dans le signal [14].

Dans le cas de la pression artérielle diastolique (les marqueurs nouvellement introduits sont ceux sans référence dans la littérature) :

NCCP : nombre d'impulsions consécutives détectées pour évaluer la fréquence cardiaque.
TDP : durée entre le début et le pic diastolique (2e point maximum) de l'impulsion [30].
AbP : Amplitude du 2ème point minimum de la dérivée seconde du signal a rapporté le pouls [24] [16].
ASMMG : aire moyenne sous courbe entre le début de l'impulsion et l'amplitude maximale extraite du modèle gaussien (inspiré de [32]).
AMDP : surface moyenne sous la courbe entre le début et le pic diastolique (2e point maximum) de l'impulsion [30].
Te2D : intervalle de temps entre le début et le troisième sommet de la dérivée seconde du signal de l'impulsion [16].
Tf2D : intervalle de temps entre le début et le cinquième sommet de la dérivée seconde du signal du pouls (inspiré de [16] et [24]).

Les modèles prédictifs finaux LASSO pour les pressions sanguines systolique et diastolique sont présentés dans le tableau 2.

Tableau 2. Modèles LASSO pour la prédiction de la systolique (SBP) et diastolique (DBP) pression artérielle lors de l'utilisation de marqueurs temporels extraits du signal PPG

SBP	ATG1	ASM	NCCP	TUTE90	TE	Aa2D	HV	LgE	KTEM	SQIM
SBP	-5.56	-1460.55	2.36	-0.01	65.40	4331.39	-2.1e+07	-42.64	6.36e+05	-30.19
DBP	NCCP	TDP	AbP	ASMMG	AMDP	Te2D	Tf2D	-	-	-
DBP	1.23	-39.26	-11294.59	988.39	220.86	0.05	-0.04	-	-	-

Les points bleus de la figure 9 sont les 56 mesures qui sont retenues dans l'analyse fréquentielle (enregistrements où la durée du signal PPG est supérieure à 10 secondes). Ces points sont mis en évidence à des fins de comparaison avec l'approche fréquentielle détaillée dans la section suivante.

Modèle LASSO fréquentiel

Ci-après, l'algorithme LASSO est utilisé pour identifier les fréquences du spectre PPG qui sont utiles pour la prédiction de la pression artérielle. La figure 10 donne l'erreur de prédiction quadratique moyenne à validation croisée sans interruption de l'algorithme du lasso pour les pressions sanguines systolique et diastolique.

Le modèle LASSO avec le MSE le plus bas (18.07) utilisé pour la prédiction de la prédiction de la pression artérielle systolique est donné dans le tableau 3.

Tableau 3. Coefficient du modèle LASSO pour la prédiction de la pression artérielle systolique lors de l'utilisation du spectre du signal PPG

Frequency (Hz)	0.36	2.08	5.20	6.00	6.28	8.60	10.12	10.48
LASSO coefficients (×10−4)	-31.32	6.66	7.10	5.54	31.10	-6.11	-25.08	64.51
Frequency (Hz)	10.88	10.92	14.64	15.68	16.52	17.20	17.24	17.76
LASSO coefficients (×10−4)	-2.21	-22.47	-29.31	15.28	5.11	-5.97	-10.97	-54.22
Frequency (Hz)	18.08	18.36	19.88	20.00	20.24	20.56	20.60	22.60
LASSO coefficients (×10−4)	22.98	-56.71	10.07	62.41	-35.46	6.20	20.26	20.74
Frequency (Hz)	22.64	25.32	25.56	26.60	27.20	27.56
LASSO coefficients (×10−4)	16.95	12.93	-32.07	65.43	24.03	22.43

Le modèle LASSO avec le MSE le plus bas (7,95) utilisé pour la prédiction de la pression artérielle diastolique est donné dans le tableau 4.

Tableau 4. Modèle LASSO pour la prédiction de la pression artérielle diastolique lors de l'utilisation du spectre du signal PPG

Frequency (Hz)	0.04	1.76	2.12	2.60	2.88	5.24	5.76	5.80
LASSO coefficients (×10−4)	-16.01	34.04	7.10	16.85	0.47	9.92	5.76	6.24
Frequency (Hz)	6.00	6.76	7.08	8.44	8.60	8.76	13.08	13.60
LASSO coefficients (×10−4)	16.27	-1.24	3.08	-3.25	-0.01	-3.17	-8.06	-17.80
Frequency (Hz)	14.40	15.04	15.76	15.80	17.16	18.84	18.88	19.20
LASSO coefficients (×10−4)	-2.99	-12.37	-13.61	-1.46	-27.77	-1.05	-7.54	-28.36
Frequency (Hz)	19.88	19.92	21.88	22.92	23.96	24.88	25.08	27.52
LASSO coefficients (×10−4)	42.60	1.05	48.18	-6.56	21.96	38.08	15.75	198.89

La figure 11 présente les pressions sanguines prévues et réelles lors de l'utilisation des modèles prédictifs LASSO présentés dans les tableaux 3 et 4.

Selon le tableau 1 et la figure 7, il apparaît que la variation de la pression artérielle est assez conséquente même si le sujet est toujours dans la même position (couché).

En effet, nous avons remarqué que la pression artérielle systolique varie entre 86 mmHg et 107 mmHg alors que la tension artérielle diastolique oscille entre 53 mmHg et 67 mmHg. Ainsi, un gradient de 21 mmHg sur la pression artérielle systolique et respectivement de 14 mmHg sur la pression artérielle diastolique est observé au cours des 6 semaines d'enregistrements quotidiens. Par conséquent, les méthodes d'estimation de la PA devraient intégrer cette variabilité dans le protocole d'évaluation, nécessitant des ensembles de données à long terme.

Le premier aspect que nous voulons aborder ici concerne les marqueurs temporels du signal PPG liés à la prédiction de la pression artérielle. Malgré le nombre élevé de marqueurs temporels qui ont été proposés dans la littérature pour prédire la pression artérielle, à notre connaissance, il n'y a pas d'étude comparative de leurs performances. En effet, afin de faire une comparaison objective de ces marqueurs temporels, un aspect essentiel à prendre en compte est évidemment d'utiliser le même ensemble de données. Certaines bases de données publiques qui peuvent être utilisées pour la prédiction de la pression artérielle à partir des signaux PPG comme MIMIC [9] ou Elgendi [14] présentent certains inconvénients. Concernant l'ensemble de données Elgendi, des signaux PPG très courts (2,1 secondes) sont enregistrés, et une seule fois. En ce qui concerne l'ensemble de données MIMIC, des signaux sont enregistrés sur des sujets en unité de soins intensifs, ce qui signifie que les sujets peuvent avoir été sous médicaments ou dans des états très instables. MIMIC contient des personnes en bonne santé ainsi que des personnes souffrant d'hypertension ou d'autres maladies chroniques mais ne donne aucun moyen de les identifier. Il y a des informations utiles qui manquent comme, par exemple, des informations biométriques (âge, taille, poids, etc.). De plus, bien que les signaux soient enregistrés sur plusieurs heures, nous ne pouvons pas extraire le même type d'informations que les enregistrements quotidiens sur plusieurs semaines comme dans notre cas.

L'algorithme LASSO a révélé que seuls 10 marqueurs temporels sont utiles pour la prédiction de la pression artérielle systolique (voir tableau 3). La prédiction de la pression artérielle systolique semble convenir assez bien pour les basses pressions sanguines (moins de 95 mmHg) - voir figure 9.a. Mais, pour des pressions plus élevées, un effet de saturation apparaît dans la prédiction (le modèle ne peut pas correctement prédire des pressions sanguines plus élevées et la sortie du modèle semble être une variation aléatoire autour de 97 mmHg). Concernant la pression artérielle diastolique, seuls 7 marqueurs temporels sur 153 semblent être liés à la pression artérielle. En regardant la figure 9.b, on peut facilement remarquer que la prédiction de la pression artérielle diastolique est très mauvaise même si le MSE semble être acceptable. En effet, le modèle ne peut pas prédire efficacement la variation de la pression artérielle diastolique et les prédictions ressemblent à une variation aléatoire autour de 59 mmHg. La figure 12 illustre mieux cette observation sur les différents enregistrements (sessions). Les pressions sanguines réelles sont représentées par les points noirs. Les points bleus sont les prédictions lorsque la pression artérielle est sous-estimée et les points rouges sont les prédictions lorsque la pression artérielle est surestimée. Ces points sont liés aux points noirs par des lignes verticales bleues et respectivement rouges. Il est évident que les lignes verticales sont moins hautes et que la prédiction est meilleure. On peut remarquer que de nombreuses variations de la pression artérielle restent inexpliquées, en particulier pour la pression artérielle diastolique. Cela montre clairement que l'utilisation de certains indicateurs comme MSE, RMSE (Root Mean Square Error), MAE (Mean Average Error), etc., n'est pas suffisante pour évaluer la qualité d'une prédiction. Concernant le modèle fréquentiel LASSO utilisé pour la prédiction de la pression artérielle, il faut noter qu'avec seulement 30 fréquences dans le cas de la pression artérielle systolique (voir tableau 3) et avec 32 fréquences dans le cas de la pression artérielle diastolique (voir tableau 4).

Il apparaît que de meilleures prédictions sont obtenues que dans le cas des marqueurs temporels. En effet, on peut facilement observer visuellement que les pressions sanguines systolique et diastolique prédites correspondent mieux aux pressions sanguines réelles que dans le cas des marqueurs temporels (voir la figure 11, à comparer aux points bleus de la figure 9). Il est clair que, dans les spectres du signal ppg, certaines fréquences peuvent être utilisées pour prédire efficacement la propagation complète de la variation de la pression artérielle. La prédiction de la pression artérielle diastolique est bien meilleure que dans le cas des marqueurs temporels. Dans le cas de la pression artérielle systolique, le modèle semble légèrement sous-estimer l'hypertension artérielle et légèrement surestimer l'hypotension artérielle. Quoi qu'il en soit, la qualité de la prédiction de la pression artérielle systolique est significativement améliorée par rapport aux marqueurs temporels utilisés car la saturation observée lorsque les prédictions sont faites dans le domaine temporel n'est pas présente dans le domaine spectral. La figure 13 illustre mieux la meilleure qualité des prédictions dans le domaine spectral. Par rapport aux prédictions basées sur des marqueurs temporels (voir figure 12), la hauteur des lignes verticales représentant la différence entre le réel et le prédit est considérablement réduite. En ce qui concerne la pertinence d'indicateurs tels que le MSE considéré, il convient de noter que les valeurs rapportées telles que 18.07 (LASSO fréquentiel sur la pression systolique) et 11.31 (LASSO temporel sur la pression systolique), ne sont pas suffisantes pour refléter l'efficacité de l’approche : en effet, selon MSE (calculé par une procédure de non-sortie), l'approche temporelle semble surpasser celle fréquentielle. Néanmoins, comme discuté ci-dessus, ce n'est pas le cas, comme l'illustrent les figures (les figures rapportent des prédictions, à l'aide de modèles entraînés, sur l'ensemble des données).

Ces résultats semblent assez précis, selon le protocole AAMI [23], pour intégrer l'algorithme proposé dans un dispositif médical.

Résultats

Un nouvel ensemble de données est proposé pour la prédiction de la pression artérielle à partir du signal PPG. Cet ensemble de données contient 84 mesures des pressions sanguines systolique et diastolique liées aux signaux PPG. Le sujet a été suivi sur une période de 6 semaines, ce qui n'est le cas d'aucun autre ensemble de données publiques.

Nous avons évalué sur cet ensemble de données divers marqueurs temporels du signal PPG qui ont été proposés dans la littérature pour la prédiction de la pression artérielle. Sur la base de notre ensemble de données, peu d'entre elles se sont révélées utiles pour la prévision de la pression artérielle. La qualité de prédiction est relativement faible, en particulier pour la pression artérielle diastolique.

Une nouvelle approche d'estimation de la pression artérielle spécifique au sujet basé sur le spectre des signaux PPG est proposée. Cette approche exploite l'algorithme LASSO pour la sélection des fréquences clés pour prédire la pression artérielle. Cette méthode donne de meilleurs résultats que dans le cas des marqueurs temporels et les variations semblent correctement capturées sur la distribution des pressions sanguines enregistrées. Une force supplémentaire de cette approche est sa robustesse face à la mauvaise qualité du signal, par rapport aux approches temporelles très sensibles aux artefacts. Les données issues de cette méthode peuvent être utilisées à différentes fins : identification du profil du sujet lors de l’effort ; étalonnage du modèle de prédiction en fonction du profil du sujet ; meilleure prédiction de la pression artérielle dans des conditions plus proches des activités réelles d'une personne.

References

1. Association, I.S., et al.: Ieee standard for wearable cuffless blood pressure measur- ing devices. IEEE Std pp. 1708–2014 (2014)

2. Baek, S., Jang, J., Yoon, S.: End-to-end blood pressure prediction via fully convo- lutional networks. IEEE Access 7, 185458–185468 (2019)

3. Banerjee, R., Ghose, A., Choudhury, A.D., Sinha, A., Pal, A.: Noise cleaning and gaussian modeling of smart phone photoplethysmogram to improve blood pres- sure estimation. In: 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). pp. 967–971. IEEE (2015)

4. Bishop, C.M.: Pattern recognition and machine learning. springer (2006)

5. Choudhury, A.D., Banerjee, R., Sinha, A., Kundu, S.: Estimating blood pressure using windkessel model on photoplethysmogram. In: 2014 36th Annual Interna- tional Conference of the IEEE Engineering in Medicine and Biology Society. pp. 4567–4570. IEEE (2014)

6. Chung, E., Chen, G., Alexander, B., Cannesson, M.: Non-invasive continuous blood pressure monitoring: a review of current applications. Frontiers of medicine 7(1), 91–101 (2013)

7. Efron, Bradley, e.a.: Least angle regression. The Annals of Statistics 32(2), 407-451 (2004)

8. Elgendi, M.: On the analysis of fingertip photoplethysmogram signals. Current cardiology reviews 8(1), 14–25 (2012)

9. Goldberger, A.L., Amaral, L.A., Glass, L., Hausdorff, J.M., Ivanov, P.C., Mark, R.G., Mietus, J.E., Moody, G.B., Peng, C.K., Stanley, H.E.: Physiobank, phys- iotoolkit, and physionet: components of a new research resource for complex phys- iologic signals. Circulation 101(23), e215–e220 (2000)

10. Kaur, H.: Methods for continuous non-invasive measurement of blood pressure: Pulse transit time a review. Asian Journal of Pharmaceutics (AJP): Free full text articles from Asian J Pharm 12(03) (2018)

11. Kurylyak, Y., Barbe, K., Lamonaca, F., Grimaldi, D., Van Moer, W.: Photoplethysmogram-based blood pressure evaluation using kalman filtering and neural networks. In: 2013 IEEE International Symposium on Medical Measure- ments and Applications (MeMeA). pp. 170–174. IEEE (2013)

12. Kurylyak, Y., Lamonaca, F., Grimaldi, D.: A neural network-based method for continuous blood pressure estimation from a ppg signal. In: 2013 IEEE International instrumentation and measurement technology conference (I2MTC). pp. 280–283. IEEE (2013)

13. Lamonaca, F., Barbe, K., Kurylyak, Y., Grimaldi, D., Van Moer, W., Furfaro, A., Spagnuolo, V.: Application of the artificial neural network for blood pressure evaluation with smartphones. In: 2013 IEEE 7th International Conference on In- telligent Data Acquisition and Advanced Computing Systems (IDAACS). vol. 1, pp. 408–412. IEEE (2013)

14. Liang, Y., Chen, Z., Liu, G., Elgendi, M.: A new, short-recorded photoplethysmogram dataset for blood pressure monitoring in china. Scientific data 5, 180020 (2018)

15. Liang, Y., Elgendi, M., Chen, Z., Ward, R.: An optimal filter for short photoplethysmogram signals. Scientific data 5, 180076 (2018)

16. Liu, M., Po, L.M., Fu, H.: Cuffless blood pressure estimation based on photoplethysmography signal and its second derivative. International Journal of Computer Theory and Engineering 9(3), 202 (2017)

17. Monte-Moreno, E.: Non-invasive estimate of blood glucose and blood pressure from a photoplethysmograph by means of machine learning techniques. Artificial intelligence in medicine 53(2), 127–138 (2011)

18. Mouney, F., Tiplica, T., Hallab, M., Dinomais, M., Fasquel, J.B.: Towards a smartwatch for cuff-less blood pressure measurement using ppg signal and physiological features. International Conference on IoT Technologies for HealthCare (2019)

19. Nye, R., Zhang, Z., Fang, Q.: Continuous non-invasive blood pressure monitoring using photoplethysmography: A review. In: 2015 International Symposium on Bioelectronics and Bioinformatics (ISBB). pp. 176–179. IEEE (2015)

20. Ogedegbe, G., Pickering, T.: Principles and techniques of blood pressure measurement. Cardiology clinics 28(4), 571–586 (2010)

21. Peter, L., Noury, N., Cerny, M.: A review of methods for non-invasive and continuous blood pressure monitoring: Pulse transit time method is promising? Irbm 35(5), 271–282 (2014)

22. Stergiou, G.S., Alpert, B., Mieke, S., Asmar, R., Atkins, N., Eckert, S., Frick, G., Friedman, B., Graßl, T., Ichikawa, T., et al.: A universal standard for the validation of blood pressure measuring devices: Association for the advancement of medical instrumentation/european society of hypertension/international organization for standardization (aami/esh/iso) collaboration statement. Hypertension 71(3), 368–374 (2018)

23. Stergiou, G.S., Alpert, B.S., Mieke, S., Wang, J., O’Brien, E.: Validation protocols for blood pressure measuring devices in the 21st century. The Journal of Clinical Hypertension 20(7), 1096–1099 (2018)

24. Suzuki, S., Oguri, K.: Cuffless and non-invasive systolic blood pressure estimation for aged class by using a photoplethysmograph. In: 2008 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. pp. 1327–1330. IEEE (2008)

25. Suzuki, S., Oguri, K.: Cuffless blood pressure estimation by error-correcting out- put coding method based on an aggregation of adaboost with a photoplethysmo- graph sensor. In: 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. pp. 6765–6768. IEEE (2009)

26. Teng, X., Zhang, Y.: Continuous and noninvasive estimation of arterial blood pres- sure using a photoplethysmographic approach. In: Proceedings of the 25th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (IEEE Cat. No. 03CH37439). vol. 4, pp. 3153–3156. IEEE (2003)

27. Tibshirani, R.: Regression shrinkage and selection via the lasso. Journal of theRoyal Statistical Society Series B 58(1), 267–288 (1996)

28. Tibshirani, R.: The lasso method for variable selection in the cox model. Statistics in Medicine 16(4), 385–395 (1997). https://doi.org/10.1002/(SICI)1097-0258(19970228)16:4¡385::AID SIM380¿3.0.CO;2-3

29. Visvanathan, A., Sinha, A., Pal, A.: Estimation of blood pressure levels from re- flective photoplethysmograph using smart phones. In: 13th IEEE International Conference on BioInformatics and BioEngineering. pp. 1–5. IEEE (2013)

30. Xie, Q., Wang, G., Peng, Z., Lian, Y.: Machine learning methods for real-time blood pressure measurement based on photoplethysmography. In: 2018 IEEE 23rd International Conference on Digital Signal Processing (DSP). pp. 1–5. IEEE (2018)

31. Xing, X., Sun, M.: Optical blood pressure estimation with photoplethysmography and fft-based neural networks. Biomedical optics express 7(8), 3007–3020 (2016)

32. Yang, S., Zhang, Y., Cho, S.Y., Morgan, S.P., Correia, R., Wen, L.: Cuff-less blood pressure measurement using fingertip photoplethysmogram signals and physiolog- ical characteristics. In: Optics in Health Care and Biomedical Optics VIII. vol.

10820, p. 1082036. International Society for Optics and Photonics (2018)

Claims

Procédé pour prédire la pression artérielle à partir du signal photoplethysmographique de l’onde de pouls, comprenant une étape d’utilisation de marqueurs fréquentiels dans le spectre du signal PPG par mise en œuvre de l’algorithme LASSO.