Progressi nel Monitoraggio della Pressione Sanguigna con la Tecnologia Indossabile

La pressione sanguigna (BP) è un’importante misura della salute che aiuta a monitorare la salute del cuore delle persone. È fondamentale per molti individui, specialmente per chi ha problemi cardiaci. I metodi tradizionali di monitoraggio possono essere invasivi e scomodi, rendendoli meno adatti per l’uso regolare. Con l’aumento della tecnologia indossabile, come gli smartwatch, c’è l’opportunità di monitorare la pressione sanguigna in modo non invasivo che si adatta alla vita quotidiana delle persone.

Un metodo comune per monitorare la BP è attraverso una tecnologia chiamata Fotoplettismografia (PPG). Questa tecnica utilizza una fonte di luce, come un LED, per illuminare la pelle. Un sensore raccoglie la luce che rimbalza indietro. La quantità di luce restituita cambia in base al volume di sangue nei vasi, il che può fornire informazioni sull'attività del cuore.

Questo articolo discute un modo per utilizzare metodi informatici avanzati, in particolare usando Reti Neurali Profonde (DNN), per stimare la pressione sanguigna dai segnali PPG. L’obiettivo è creare modelli che funzionino bene su dispositivi a bassa potenza, assicurando che possano essere usati in indossabili quotidiani senza necessitare di molta energia o spazio di archiviazione.

#La Sfida della Stima della Pressione Sanguigna Basata su PPG

Stimare la pressione sanguigna usando PPG non è semplice. Anche se esistono vari modelli avanzati, molti richiedono troppa memoria e potenza di elaborazione per funzionare su dispositivi semplici. I metodi tradizionali per monitorare la BP, come l’uso di un bracciale, sono ancora ampiamente usati. Tuttavia, non sono pratici per un monitoraggio continuo.

Molti studi recenti hanno dimostrato che i DNN possono superare questi metodi tradizionali. Possono apprendere direttamente dai dati PPG senza necessità di estrarre prima caratteristiche complesse. Tuttavia, questi modelli spesso hanno un numero elevato di parametri, rendendoli troppo complessi per dispositivi a bassa potenza.

#Automazione del Design delle Reti Neurali

Per affrontare le sfide della stima della pressione sanguigna, è stato proposto un nuovo approccio che automatizza il design dei DNN. Questo metodo include due passaggi principali: Ricerca di Architettura Neurale (NAS) e Quantizzazione.

1. Ricerca di Architettura Neurale (NAS): Questa è una tecnica in cui un programma per computer aiuta a trovare la migliore struttura per una rete neurale. Invece di progettare manualmente la rete, NAS seleziona automaticamente la migliore combinazione di strati per ridurre gli errori nelle previsioni mantenendo anche la dimensione del modello piccola.

2. Quantizzazione: Dopo aver trovato una struttura di rete efficiente, si utilizza la quantizzazione per ridurre la quantità di memoria richiesta dal modello. Semplifica il modello convertendo i suoi calcoli in modo che possano essere eseguiti utilizzando meno memoria ed energia.

Applicando queste tecniche, l’obiettivo è creare DNN leggeri ed efficienti che possono essere usati in dispositivi indossabili come gli smartwatch.

#Sperimentazione con i Dati

I ricercatori hanno utilizzato diversi dataset disponibili pubblicamente per addestrare e testare i loro modelli. Questi dataset contenevano segnali PPG e letture corrispondenti della pressione sanguigna da vari pazienti. Lo scopo era garantire che i modelli sviluppati potessero prevedere con precisione la pressione sanguigna in diverse situazioni.

I dati sono stati preprocessati e i modelli sono stati addestrati seguendo i protocolli stabiliti. Un focus significativo è stato posto sull’assicurare che i modelli potessero performare bene in condizioni reali, dove fattori come il movimento possono interferire con le letture PPG.

#Risultati dello Studio

I risultati dalla progettazione automatizzata dei DNN sono stati promettenti. I modelli appena creati hanno mostrato miglioramenti significativi rispetto ai metodi tradizionali. Hanno raggiunto errori inferiori nella stima della pressione sanguigna, utilizzando anche meno risorse.

In particolare, i migliori modelli hanno ottenuto un successo notevole:

• Hanno ridotto l’errore di stima della pressione sanguigna di circa il 4.99% rispetto ai modelli avanzati esistenti.
• Sono riusciti a mantenere l’accuratezza riducendo la dimensione del modello fino al 73.36%.

Questi risultati evidenziano che è possibile creare modelli che non solo performano bene, ma si adattano anche alle limitazioni della tecnologia indossabile.

#Implementazione Pratica su Dispositivi a Bassa Potenza

Uno degli obiettivi principali era implementare questi modelli su dispositivi con potenza di calcolo limitata, come il chip GAP8. Questo chip è progettato per applicazioni a bassa energia ed è adatto per elaborare segnali PPG. I ricercatori hanno ottimizzato i loro modelli addestrati per questo specifico hardware.

Il processo di implementazione ha comportato la conversione dei DNN in codice che potesse girare sul GAP8. Questo passaggio è essenziale per garantire che i modelli possano essere utilizzati in dispositivi indossabili reali senza necessità di accesso costante a internet o cloud computing.

Durante l’implementazione, i modelli sono stati testati per le loro prestazioni, latenza e consumo energetico. Sono stati trovati operanti in modo efficiente, fornendo risposte rapide consumando pochissima energia.

#Conclusione

La ricerca ha dimostrato che è fattibile integrare modelli DNN avanzati in dispositivi indossabili a bassa potenza per monitorare efficacemente la pressione sanguigna. L’uso dell’automazione nel design di queste reti ha migliorato notevolmente la loro efficienza, rendendoli adatti per l’uso quotidiano senza un notevole consumo di batteria.

I futuri sviluppi si concentreranno su una personalizzazione ulteriore di questi modelli. Affinando i modelli con dati individuali dei pazienti, l’accuratezza delle stime della pressione sanguigna può essere ulteriormente migliorata, avvicinandoci a un futuro in cui il monitoraggio continuo della salute tramite indossabili diventa comune.

L’obiettivo finale è assicurarsi che le tecnologie per monitorare statistiche vitali della salute come la pressione sanguigna siano accessibili, efficienti e pratiche per tutti gli utenti, potenzialmente salvando vite abilitando interventi medici tempestivi.