Confronto fra algoritmi di Machine Learning per la rilevazione del battito cardiaco mediante segnali accelerometrici ballistografici

Recentemente, le tecnologie dedicate al monitoraggio dei parametri fisiologici sono diventate strategiche nel campo della prevenzione e della diagnosi precoce delle malattie croniche. Lo sviluppo della cosiddetta "Prevenzione Digitale" è il tema del progetto DARE (Digital Lifelong Prevention) [1], progetto nel quale si inquadrano le attività illustrate in questa memoria. Questo lavoro si propone di confrontare le prestazioni di diversi algoritmi di Machine Learning (ML) e di Deep Learning (DL) nel compito di rilevare i battiti cardiaci di persone stese su uno "Smart Bed", riconoscendoli all'interno di tracciati accelerometrici. Sfruttando un approccio di tipo ballistografico [2], le vibrazioni del pulsare del cuore, indotte a tutto il corpo, vengono trasmesse al letto mediante il materasso – tali vibrazioni, vengono misurate mediante un sensore digitale accelerometrico 3D a stato solito ADXL355 [3] montato in modo solidale con alla rete del letto. Contemporaneamente all’acquisizione dei segnali accelerometrici, viene registrata la “verità di fondo” consistente nel segnale prodotto da un sensore analogico fotopletismografico [4] (FPS), usato come riferimento. I tre segnali accelerometrici (relativi agli assi X, Y e Z) e quello del sensore FPS sono acquisiti con una frequenza di campionamento di 250 campioni/s da una scheda a Microcontrollore [5] (MCU) e inviati, via seriale, ad una workstation che si occupa di registrare i segnali su file per le successive elaborazioni. Mediante questa tecnica si è realizzato un "dataset" di segnali acquisiti in un contesto reale – ovvero, utilizzando un letto di tipo ospedaliero (Figura 1) e l’accelerometro (Figura 3) (: 10 volontari sono stati coinvolti, ognuno dei quali si è steso sul letto per 3 minuti, in 4 posizioni diverse (prono, supino, sul fianco destro e su quello sinistro), per un totale di 120 minuti. Il dataset, composto dai 3 segnali a 20-bit generati dal sensore accelerometrico (X, Y e Z) e da quello prodotto dal sensore FPS (acquisito mediante un canale a 12 bit del ADC del MCU), è stato utilizzato per addestrare e valutare i diversi algoritmi di intelligenza artificiale. La prima elaborazione effettuata consiste nel filtraggio digitale di tutti i segnali acquisiti mediante un Filtro Passa Banda, con banda passante [0.5–20] Hz, al fine di limitare il rumore. Successivamente, sfruttando un algoritmo di ricerca dei picchi, il segnale del sensore FPS è stato analizzato per estrarre la verità di fondo, ovvero gli istanti in cui un battito viene registrato dal sensore (Figura 2). Al fine di addestrare gli algoritmi di ML, per ogni misura effettuata (ovvero per ogni tracciato da 3 minuti) è stata costruita una tabella delle “features” – ogni riga della tabella (“item” o istanza) corrisponde ad un segmento del segnale. Ogni traccia di durata 3 minuti è stata suddivisa in 360 segmenti di 125 campioni ciascuno, corrispondenti a 0,5 s; le colonne della tabella (o “features”) sono costituite da 12 “features” calcolate a partire dai segnali accelerometrici X, Y, Z - l’ultima colonna della tabella rappresenta la verità di fondo ed è stata ricavata elaborando il segnale del sensore FPS: è costituita dal valore di battiti identificati in quella particolare istanza, ovvero in quel particolare segmento da 125 campioni.