dc.contributor.author | Lima, Caíque Santos | |
dc.date.accessioned | 2022-10-03T17:51:09Z | |
dc.date.available | 2022-10-03T17:51:09Z | |
dc.date.issued | 2022-07-22 | |
dc.identifier.citation | LIMA, Caíque Santos. OxiTidy: motion artifact detection-reduction in photoplethysmographic signals using artificial neural networks. 2022. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/16780. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/16780 | |
dc.description.abstract | Nowadays, technological evolution has allowed advances in several areas, especially in healthcare. Digital transformation in health has brought benefits to both professionals and patients. What was possible to do only with high-cost and unwieldy biomedical equipment, has been popularized with the emergence of wearable devices. This technology allows clinical monitoring beyond medical offices, being able to be incorporated into the daily life of patients and working as another tool for prevention and promotion of health and well-being. Among the various features present in wearables is pulse oximetry. Through this non-invasive technique, it is possible to measure physiological parameters, such as oxygen saturation (SpO2) and heart rate (HR). However, the way pulse oximeters are developed and used directly influences the quality of the information provided to the user. Photoplethysmographic (PPG) signals from pulse oximeters are susceptible to noise, which is largely caused by user movement during monitoring. These motion artifacts can cause measurement errors and false alarms. In order to mitigate these issues, this work proposes an algorithm based on artificial neural networks (ANNs) capable of detecting and reducing the undesirable effects produced by noise in PPG signals. The performance of this algorithm, called OxiTidy, was compared with three other approaches — raw, discrete Fourier transform (DFT) and simple moving average (SMA) —, using data from 17 healthy volunteers. OxiTidy identified the intervals where the measurements were incorrect and estimate new SpO2 values with a good approximation to the readings performed by a pulse oximeter certified by the Brazilian Health Regulatory Agency (Anvisa). | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.language.iso | eng | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Photoplethysmography | eng |
dc.subject | Signal processing | eng |
dc.subject | Motion artifact | eng |
dc.subject | Machine learning | eng |
dc.subject | Multilayer perceptron | eng |
dc.subject | Oxygen saturation | eng |
dc.subject | Heart rate | eng |
dc.subject | Pulse oximeter | eng |
dc.subject | Wearables | eng |
dc.subject | Fotopletismografia | por |
dc.subject | Processamento de sinal | por |
dc.subject | Artefato de movimento | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Perceptron multicamadas | por |
dc.subject | Saturação de oxigênio | por |
dc.subject | Frequência cardíaca | por |
dc.subject | Oxímetro de pulso | por |
dc.subject | Dispositivos vestíveis | por |
dc.title | OxiTidy: motion artifact detection-reduction in photoplethysmographic signals using artificial neural networks | eng |
dc.title.alternative | OxiTidy: detecção e redução de artefato de movimento em sinais fotopletismográficos usando redes neurais artificiais | por |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Hernandes, André Carmona | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6806138514642732 | por |
dc.contributor.advisor-co1 | Aroca, Rafael Vidal | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/9262228584082064 | por |
dc.description.resumo | A evolução tecnológica tem permitido o avanço em diversas áreas do conhecimento nos últimos anos, especialmente na assistência médica. Essa transformação digital na saúde trouxe benefícios para os profissionais da saúde e pacientes. O que era possível fazer apenas com equipamentos biomédicos de alto custo e de difícil manuseio, foi popularizado com o surgimento dos dispositivos vestíveis (wearables). Essa tecnologia permite o acompanhamento clínico para além dos consultórios, podendo ser incorporada ao dia a dia dos pacientes e sendo mais uma ferramenta para prevenção e promoção de saúde e bem-estar. Entre as diversas funcionalidades presentes nos wearables está a oximetria de pulso. Através desta técnica não invasiva é possível medir parâmetros fisiológicos, como a saturação de oxigênio (SpO2) e a frequência cardíaca (HR). No entanto, a forma como esses dispositivos são construídos e usados influencia diretamente a qualidade das informações fornecidas ao usuário. Os sinais fotopletismográficos (PPG) dos oxímetros de pulso são suscetíveis a ruídos que, em grande parte, são provocados pela movimentação do usuário durante o monitoramento. Esses artefatos de movimento podem provocar erros nas leituras e causar alarmes falsos. Visando mitigar esses problemas, este trabalho propõe um algoritmo baseado em redes neurais artificiais (RNAs) capaz de detectar e reduzir os efeitos indesejáveis produzidos pelo ruído nos sinais PPG. O desempenho deste algoritmo, denominado OxiTidy, foi comparado com outras três abordagens — raw, transformada discreta de Fourier (DFT) e a média móvel simples (SMA) —, usando dados de 17 voluntários saudáveis. O OxiTidy foi capaz de identificar os intervalos em que as medidas estavam incorretas e estimar novos valores de SpO2 com uma boa aproximação às leituras realizadas por um oxímetro de pulso certificado pela Agência Nacional de Vigilância Sanitária (Anvisa). | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Elétrica - PPGEE | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.description.sponsorshipId | CAPES: código de financiamento - 001 | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/0894764660082882 | por |