Робастні методи обробки сигналів для підвищення точності вимірювання артеріального тиску в умовах шумів та артефактів

Abstract

Мета роботи: підвищення точності та надійності вимірювання артеріального тиску в умовах дії артефактів шляхом розробки комбінованого методу, що поєднує частотно-часовий аналіз та імовірнісне моделювання. Методи дослідження: дискретне вейвлет-перетворення (DWT) з використанням базису db8, двостановий фільтр Калмана для динамічного оцінювання станів, статистичний аналіз якості сигналів (SQI), машинне навчання (Random Forest) для класифікації артефактів, порівняльний аналіз на клінічній базі даних MIMIC. Результати дослідження: Розроблено метод Двостанового Калман-Вейвлет Сепаратора (DKWS), який дозволяє динамічно розділяти компоненти часу поширення пульсу (PTT) та періоду перед вигнанням (PEP). Експериментально доведено, що метод знижує середньоквадратичну похибку (RMSE) на 19.2% на синтетичних даних та підвищує стабільність вимірювань у 2.4–3.1 рази на реальних клінічних сигналах порівняно з традиційними підходами. Створено високопродуктивний програмний комплекс мовою Python для автоматизованого аналізу гемодинаміки.

The purpose of the work: to increase the accuracy and reliability of blood pressure measurement under artifact conditions by developing a combined method that integrates time-frequency analysis and probabilistic modeling. Research methods: discrete wavelet transform (DWT) using the db8 basis, dual-state Kalman filter for dynamic state estimation, statistical signal quality analysis (SQI), machine learning (Random Forest) for artifact classification, and comparative analysis on the MIMIC clinical database. Research results: A Dual-State Kalman-Wavelet Separator (DKWS) method was developed, allowing for the dynamic separation of Pulse Transit Time (PTT) and Pre-Ejection Period (PEP) components. It was experimentally proven that the method reduces the Root Mean Square Error (RMSE) by 19.2% on synthetic data and increases measurement stability by 2.4–3.1 times on real clinical signals compared to traditional approaches. A high-performance software complex in Python was created for automated hemodynamic analysis.