Uso de aprendizaje de máquina para la estimación automática de presión arterial a partir de electrocardiografía y fotopletismografía.

Abstract

La presión arterial es uno de los signos vitales más importantes del sistema cardiovascular. Actualmente hay métodos invasivos y no invasivos para medir y/o estimar la presión. En esta tesis, se usan redes neuronales artificiales (ANN) y máquinas de soporte vectorial para regresión (SVR) para estimar las presiones sistólica y diastólica desde electrocardiograma (ECG) y fotopletismograma (PPG). Se utilizó la base de datos MIMIC-II que dispone de ECG, PPG y presión arterial continua. Se trabajó con los datos de 239 pacientes adultos. Se generaron instancias de entrenamiento y prueba para los modelos de regresión. Con cada algoritmo de aprendizaje automático, se probaron 3 modelos para cada presión arterial (sistólica y diastólica), que se medían según el estándar AAMI. Los mejores resultados con ANN de error absoluto medio con desviación estándar fueron 5,7856 ± 6,4123 [mmHg] y 3,0503 ± 3,5532 [mmHg], para las presiones sistólica y diastólica, respectivamente. Con SVR, fueron 5,0893 ± 6,4563 [mmHg] y 2,6861 ± 3,6004 [mmHg], para las presiones sistólica y diastólica, respectivamente. Estos resultados son buenos de acuerdo al estándar AAMI.