Misura non invasiva della pressione arteriosa da segnali fotopletismografici mediante deep learning e proposta di una funzione di loss avanzata

Negli ultimi anni la telemedicina ha assunto un ruolo sempre più importante, sia nella vita quotidiana sia nel campo della ricerca scientifica. In questo contesto, il monitoraggio dei parametri vitali ha visto una forte evoluzione, in particolare grazie alla diffusione della tecnica della fotopletismografia (PPG), che si distingue per la possibilità di essere integrata in dispositivi indossabili, compatti, non invasivi e di semplice utilizzo. Il segnale PPG permette di ricavare diverse informazioni fisiologiche rilevanti, tra cui la frequenza cardiaca, la frequenza respiratoria, la saturazione di ossigeno nel sangue e la pressione sanguigna. Presso l’unità di Bari, l’attività di ricerca si è concentrata in particolare sulla stima del segnale di pressione sanguigna invasiva (ABP) utilizzando segnali PPG [1]. Considerando che i metodi tradizionali per la misura della pressione sanguigna risultano spesso invasivi o poco adatti a un monitoraggio continuo, il segnale PPG, facilmente acquisibile tramite sensori ottici, rappresenta un’alternativa promettente. Tuttavia, per ottenere risultati accurati, è fondamentale che tale segnale venga opportunamente elaborato e analizzato. In questo contesto, le tecniche di deep learning (DL) risultano particolarmente adatte, perché sono in grado di modellare la relazione complessa e non lineare tra il segnale PPG e la pressione sanguigna.