Вибір амплітудно-часових і спектраль-них параметрів PPG сигналів для діагностики на основі методів машинного навчання
DOI:
https://doi.org/10.64915/RADAP.2026.104.63-73Ключові слова:
неінвазивна діагностика, аналіз фізіологічних сигналів, обробка біосигналів, виділення ознак, вибір ознак, аналіз у частотній області, фазовий спектр, фотоплетизмографія (ФПГ), аналіз пульсової хвилі, машинне навчанняАнотація
Розглянуто задачу підвищення ефективності неінвазивної експрес-діагностики функціонального стану організму на основі аналізу фотоплетизмографіч-них (PPG) сигналів із використанням методів машинного навчання.
На основі аналізу морфологічних особливостей пульсової хвилі, які містять важливу інформацію про гемодинамічні процеси, обґрунтовано доцільність переходу від традиційного аналізу амплітудно-часових характеристик сигналу до комплексного підходу, що включає додаткове вилучення спектрально-фазових параметрів у межах окремих кардіоциклів. Запропоновано методику попередньої обробки сигналів, що включає смугову фільтрацію, нормалізацію та сегментацію, а також підхід до фільтрації в смузі частот до 0,5 - 30 Гц та сплайнової ітерполяції сусідніх вибіро дискретизації в зареєстрованих сигналів, який дозволяє зберегти діагностично значущі особливості форми сигналу. Детально розглянуто систему амплітудно-часових параметрів (тривалість анакроти, інтервали між характерними точками, площа під кривою тощо) та спектрально-фазових характеристик, отриманих за допомогою розкладу у ряд Фур'є.
Особливу увагу приділено процедурі відбору інформативних ознак для моделей машинного навчання. Запропоновано багатокроковий підхід, що включає усунення залежності від частоти серцевих скорочень, аналіз мультиколінеарності, оцінку важливості ознак методом permutation importance та інтерпретацію результатів за допомогою методів PCA та SHAP. Встановлено, що найбільший внесок у точність моделей забезпечують спектрально-фазові параметри, зокрема групова затримка та фазові зсуви гармонік, які безпосередньо пов’язані з фізіологічними властивостями судинної системи.
У результаті сформовано набір ознак, що поєднує часові та спектральні характеристики сигналу та забезпечує підвищення якості класифікації і прогнозування. Отримані результати підтверджують перспективність використання комплексного аналізу PPG-сигналів у поєднанні з методами машинного навчання для задач медичної діагностики та моніторингу стану людини.
Посилання
1. Kyriacou P. and Allen J. (2021) Photoplethysmography: Technology, Signal Analysis and Applications, 1st ed. Elsevier.
2. Khalid S. G., Zhang J., Chen F. and Zheng D. (2018) Blood pressure estimation using photoplethysmography only: Comparison between different machine learning approaches, Journal of Healthcare Engineering, vol. 2018, 1548647, doi: 10.1155/2018/1548647
3. Visvanathan A., Sinha A. and Pal A. (2013) Estimation of blood pressure levels from reflective photoplethysmograph using smart phones, 13th IEEE International Conference on BioInformatics and BioEngineering, pp. 1-5. doi: 10.1109/BIBE.2013.6701568
4. Ali N. F. and Atef M. (2022) Lstm multi-stage transfer learning for blood pressure estimation using photoplethysmography, Electronics, vol. 11, 22, doi: 10.3390/electronics11223749
5. El-Hajj C. and Kyriacou P. (2020) A review of machine learning techniques in photoplethysmography for the non-invasive cuff-less measurement of blood pressure, Biomedical Signal Processing and Control, vol. 58, p. 101 870. doi: 10.1016/j.bspc.2020.101870
6. Priyadarshini R. G., Kalimuthu M., Nikesh S. and Bhuvaneshwari M. (2021) Review of ppg signal using machine learning algorithms for blood pressure and glucoseestimation, IOP Conference Series: Materials Science and Engineering, vol. 1084, pp. 012-031. doi: 10.1088/1757-899X/1084/1/012031
7. Arg¨uello-Prada E. J., Ojeda A. V. V., and Ojeda M. Y. V. (2025) Non-invasive prediction of cholesterol levels from photoplethysmogram (ppg)-based features using machinelearning techniques: A proof-of-concept study, Cogent Engineering, vol. 12, no. 1, p. 2 467 153. doi: 10.1080/23311916.2025.2467153
8. Elgendi M. (2020) textit{PPG Signal Analysis}. 1st ed. CRC Press. [Online]. Available: https://www.perlego.com/book/1974664/ppg-signal-analysis-an-introduction-using-matlab-pdf
9. Seenivasan D. and Sakthivel K. (2025) Patch-based ecg segmentation for arrhythmia classification using hybrid deep learning, Information Technology and Control, vol. 54, no. 4, pp. 1189-1205. doi: 10.5755/j01.itc.54.4.41549
10. Seitsonen E. et al. (2005) EEG spectral entropy, heart rate, photoplethysmography and motor responses to skin incision during sevoflurane anaesthesia, Acta anaesthesiologica Scandinavica, vol. 49, pp. 284-292. doi: 10.1111/j.1399-6576.2005.00654.x
11. Alty S. R., Angarita-Jaimes N.,Millasseau S. C. and Chowienczyk P. J. (2007) Predicting arterial stiffness from the digital volume pulse waveform, IEEE Transactions on Biomedical Engineering, vol. 54, pp. 2268-2275. doi: 10.1109/TBME.2007.897805
12. Awad A. A. et al. (2007) The relationship between the photoplethysmographic waveform and systemic vascular resistance, Journal of Clinical Monitoring and Computing, vol. 21, pp. 365-372. doi: 10.1007/s10877-007-9097-5
13. Sharpan O. B. (2003) Diagnostic sensitivity of the phase spectrum of the pulse signal, textit{Elektronika i svyaz'}, No. 18, pp. 91-95.
14. Sharpan O. B., Husieva O. V. and Mahliovana N. I. (2007) The program-measuring photoplethismographic system of pulse spectrometry. Bulletin of Vinnytsia Polytechnic Institute, no. 5, pp. 34-40, 2007.
15. Rinkeviˇcius M. et al. (2019) Photoplethysmogram signal morphology-based stress assessment, 2019 Computing in Cardiology (CinC), pp. 1-4. doi: 10.22489/CinC.2019.126
16. Elgendi M. (2016) Optimal signal quality index for photoplethysmogram signals, Bioengineering, vol. 3, no. 4. doi: 10.3390/bioengineering3040021
17. Moscato S., Lo Giudice S., Massaro G., and Chiari L. (2022) Wrist photoplethysmography signal quality assessment for reliable heart rate estimate and morphological analysis, Sensors, vol. 22, 15, doi: 10.3390/s22155831
18. Yousef Q., Reaz M.B.I. and Ali M. (2012) The analysis of ppg morphology: Investigating the effects of aging on arterial compliance, Measurement Science Review, vol. 12, pp. 266-271. doi: 10.2478/v10048-012-0036-3
19. Hickey M. and Phillips J. (2015) Investigation of peripheral photoplethysmographic morphology changes induced during a hand-elevation study, Journal of Clinical Monitoring and Computing, vol. 30. doi: 10.1007/s10877-015-9761-0
20. Reguig F. B. (2016) Photoplethysmogram signal analysis for detecting vital physiological parameters: An evaluating study, 2016 International Symposium on Signal, Image, Video and Communications (ISIVC), pp. 167-173. doi: 10.1109/ISIVC.2016.7893981
21. Gonzalez-Landaeta R., Ramirez B. and Mejia J. (2022) Estimation of systolic blood pressure by random forest using heart sounds and a ballistocardiogram, Scientific Reports, vol. 12, no. 1, p. 17196, doi: 10.1038/s41598-022-22205-0
22. Benchekroun M. et al. (2022) Comparison of stress detection through ecg and ppg signals using a random forest-based algorithm, 2022 44th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), vol. 2022, pp. 3150-3153. doi: 10.1109/EMBC48229.2022.9870984
23. Lee S.-W., Woo D.-K., Son Y.-K. and Mah P. S. (2019) Wearable bio-signal(ppg)-basedpersonal authentication method using random forest and period setting consideringthe feature of ppg signals, J. Comput., vol. 14, pp. 283-294. doi: 10.17706/jcp.14.4.283-294.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 В. С. Мосійчук, О. Б. Шарпан, О. В. Гусєва
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
