Article
Un enfoque de aprendizaje profundo para estimar la frecuencia respiratoria del fotopletismograma
Fecha
2022-01Autor
Lampier, Lucas C.
Coelho, Yves L.
Caldeira, Eliete M. O.
Bastos-Filho, Teodiano F.
Institución
Resumen
Este trabajo presenta una metodología para entrenar
y probar una red neuronal profunda (Deep Neural
Network – DNN) con datos de fotopletismografías
(Photoplethysmography – PPG), con la finalidad de
llevar a cabo una tarea de regresión para estimar la
frecuencia respiratoria (Respiratory Rate – RR). La
arquitectura de la DNN está basada en un modelo
utilizado para inferir la frecuencia cardíaca (FC) a
partir de señales PPG ruidosas. Dicho modelo se ha
optimizado a través de algoritmos genéticos. En las
pruebas realizadas se usaron BIDMC y CapnoBase,
dos conjuntos de datos de acceso abierto. Con CapnoBase,
la DNN logró un error de la mediana de 1,16
respiraciones/min, que es comparable con los métodos
analíticos reportados en la literatura, donde el
mejor error es 1,1 respiraciones/min (excluyendo el
8 % de datos más ruidosos). Por otro lado, el conjunto
de datos BIDMC aparenta ser más desafiante,
ya que el error mínimo de la mediana de los métodos
reportados en la literatura es de 2,3 respiraciones/min
(excluyendo el 6 % de datos más ruidosos). Para este
conjunto de datos la DNN logra un error de mediana
de 1,52 respiraciones/min.//This article describes the methodology used to train
and test a Deep Neural Network (DNN) with Photoplethysmography
(PPG) data performing a regression
task to estimate the Respiratory Rate (RR). The
DNN architecture is based on a model used to infer
the heart rate (HR) from noisy PPG signals, which
is optimized to the RR problem using genetic optimization.
Two open-access datasets were used in
the tests, the BIDMC and the CapnoBase. With the
CapnoBase dataset, the DNN achieved a median error
of 1.16 breaths/min, which is comparable with
analytical methods in the literature, in which the best
error found is 1.1 breaths/min (excluding the 8 %
noisiest data). The BIDMC dataset seems to be more
challenging, as the minimum median error of the literature’s
methods is 2.3 breaths/min (excluding 6 %
of the noisiest data), and the DNN based approach
achieved a median error of 1.52 breaths/min with the
whole dataset.