Abstract

Amaç ve Kapsam: Hipertansiyon hastalarında tansiyonun gün içerisinde takip edilmesi ve ilaç tedavisi ile kontrol alınması hayati öneme sahiptir. Hipertansiyonun takibi sürekli kan basıncı takibi sistemleri ile yapılabilir. Ancak bu cihazların vücuda verdiği rahatsızlığı gidermek için yeni teknolojilere ihtiyaç duyulmaktadır. Bu kapsamda, çalışmanın amacı holter cihazlarına entegre edilebilir, Elektrokardiyografi (EKG) sinyali tabanlı kan basıncı ölçme yazılım sürecinin geliştirmektir. Materyal ve Metot: çalışmada, açık kaynak paylaşımlı, beş sağlıklı bireyin üç günlük ortalama 6şar saatlik fiziksel aktivite sırasında EKG sinyali ve kan basıncı kayıtları kullanılmıştır. çalışmada EKG sinyali filtrelenerek 10 saniyelik epoklara ayrılmıştır. 19897 epoktan 25 adet zaman domeninde özellik çıkarılmıştır. çıkarılan özellikler ile makine öğrenmesi tabanlı Sistolik (Büyük) ve Diastolik (Küçük) kan basıncı tahmin modelleri geliştirilmiştir. Sonuçlar: Sistolik ve diastolik kan basıncı tahmin modelleri R ve MSE performans değerleri sırasıyla 1, 0,0112 ve 1, 0,0054 olarak tespit edilmiştir. Sonuç: Elde edilen sonuçlara göre makine algoritmaları tabanlı sistolik ve diastolik kan basıncının hesaplanabileceği ve Holter gibi vücuda daha az rahatsızlık veren cihazlara yazılımsal olarak entegre edilebileceği değerlendirilmektedir.

References

[1] P. D. Karakurt, “Hipertansiyon ve Evde Bakım,” Atatürk üniversitesi Hemşirelik Yüksekokulu Derg., vol. 10, no. 1, pp. 97–104, 2007, Accessed: Jun. 03, 2021. [Online]. Available: https://dergipark.org.tr/en/pub/ataunihem/issue/2636/33917.

[2] World Health Organization, “A global brief on hypertension | World Health Day 2013,” Switzerland, 2013. Accessed: Jul. 05, 2021. [Online]. Available: www.who.int.

[3] World Health Organization, “Hypertension,” World Health Organization, 2021. https://www.who.int/news-room/fact-sheets/detail/hypertension (accessed Jul. 05, 2021).

[4] E. öncü, “Sağlık Okuryazarlığının Hipertansiyon Kontrolünde önemi,” Dünya İnsan Bilim. Derg., vol. 2018, no. 1, pp. 45–70, May 2018, Accessed: Jun. 03, 2021. [Online]. Available: https://dergipark.org.tr/en/pub/insan/694112.

[5] J. Esmaelpoor, M. H. Moradi, and A. Kadkhodamohammadi, “A multistage deep neural network model for blood pressure estimation using photoplethysmogram signals,” Comput. Biol. Med., vol. 120, p. 103719, May 2020, doi: 10.1016/j.compbiomed.2020.103719.

[6] A. Soltan zadi, R. Alex, R. Zhang, D. E. Watenpaugh, and K. Behbehani, “Arterial blood pressure feature estimation using photoplethysmography,” Comput. Biol. Med., vol. 102, pp. 104–111, Nov. 2018, doi: 10.1016/j.compbiomed.2018.09.013.

[7] A. S. Alghamdi, K. Polat, A. Alghoson, A. A. Alshdadi, and A. A. Abd El-Latif, “A novel blood pressure estimation method based on the classification of oscillometric waveforms using machine-learning methods,” Appl. Acoust., vol. 164, p. 107279, Jul. 2020, doi: 10.1016/j.apacoust.2020.107279.

[8] ü. Şentürk, K. Polat, and İ. Yücedağ, “A non-invasive continuous cuffless blood pressure estimation using dynamic Recurrent Neural Networks,” Appl. Acoust., vol. 170, p. 107534, Dec. 2020, doi: 10.1016/j.apacoust.2020.107534.

[9] ü. Şentürk, K. Polat, and İ. Yücedağ, “Towards wearable blood pressure measurement systems from biosignals: a review,” Turkish J. Electr. Eng. Comput. Sci., vol. 27, no. 5, pp. 3259–3281, Oct. 2019, doi: 10.3906/elk-1812-121.

[10] C. Landry, E. T. Hedge, R. L. Hughson, S. Peterson, and A. Arami, “Accurate Blood Pressure Estimation during Activities of Daily Living: A Wearable Cuffless Solution,” IEEE J. Biomed. Heal. Informatics, 2021, doi: 10.1109/JBHI.2021.3054597.

[11] C. Landry, E. T. Hedge, R. L. Hughson, S. D. Peterson, and A. Arami, “Wearable Physiological and Blood Pressure Measurements During Activities of Daily Living,” IEEE Dataport, 2021, doi: https://dx.doi.org/10.21227/wysp-gt69.

[12] R. Alpar, Uygulamalı istatistik ve geçerlilik güvenirlilik: Spor, sağlık ve eğitim bilimlerinden örneklerle, 2nd ed. Ankara: Detay Yayıncılık, 2016.

[13] K. Polat and K. Onur Koc, “Detection of Skin Diseases from Dermoscopy Image Using the combination of Convolutional Neural Network and One-versus-All,” J. Artif. Intell. Syst., vol. 2, no. 1, pp. 80–97, Feb. 2020, doi: 10.33969/ais.2020.21006.

[14] M. K. Ucar, S. Orenc, M. R. Bozkurt, and C. Bilgin, “Evaluation of the relationship between Chronic Obstructive Pulmonary Disease and photoplethysmography signal,” in 2017 Medical Technologies National Congress (TIPTEKNO), Oct. 2017, pp. 1–4, doi: 10.1109/TIPTEKNO.2017.8238032.

[15] M. K. Uçar, Z. Uçar, K. Uçar, M. Akman, and M. R. Bozkurt, “Determination of body fat percentage by electrocardiography signal with gender based artificial intelligence,” Biomed. Signal Process. Control, vol. 68, p. 102650, Jul. 2021, doi: 10.1016/j.bspc.2021.102650.

[16] M. K. Uçar, M. Nour, H. Sindi, and K. Polat, “The Effect of Training and Testing Process on Machine Learning in Biomedical Datasets,” Math. Probl. Eng., vol. 2020, pp. 1–17, 2020, doi: 10.1155/2020/2836236.