DEVELOPMENT AND VALIDATION OF A MULTI-CHANNEL PPG REPRESENTATION FOR TRANSFERABLE BLOOD PRESSURE ESTIMATION

Accurate and continuous blood pressure (BP) monitoring is essential for the management of hypertension and cardiovascular disorders. While traditional cuff-based devices do not enable comfortable long-term monitoring, photoplethysmography (PPG) provides a promising cuffless alternative suitable for wearable technologies. However, reliable BP estimation from PPG remains a challenge due to high physiological variability and limited mutual information between PPG and BP. Current deep learning models often exhibit poor generalization across datasets, sensor locations, and heterogeneous populations, such as individuals with spinal cord injury. This thesis aims to investigate and develop a robust multi-channel PPG representation that preserves blood-pressure-relevant features while reducing domain-specific biases. The goal is to identify signal representations and learning strategies that enhance generalization across populations and sensor placements, ultimately enabling transferable BP estimation in real-world scenarios.

Il monitoraggio accurato e continuo della pressione arteriosa è fondamentale per la gestione dell'ipertensione e delle patologie cardiovascolari. Sebbene i metodi tradizionali basati su bracciale non consentano misurazioni continuative e confortevoli nel lungo periodo, la fotopletismografia (PPG) rappresenta un’alternativa non invasiva e potenzialmente integrabile in dispositivi indossabili. Tuttavia, stimare la pressione arteriosa dalla PPG rimane complesso a causa dell’elevata variabilità fisiologica e della limitata correlazione diretta tra segnale PPG e pressione arteriosa. I modelli di deep learning attuali mostrano scarsa capacità di generalizzazione tra dataset, siti di acquisizione differenti e popolazioni eterogenee, come i pazienti con lesione midollare. Questa tesi si propone di sviluppare e analizzare una rappresentazione multi-canale della PPG che preservi le informazioni rilevanti per la stima della pressione arteriosa riducendo i bias dipendenti dal dominio. L’obiettivo è individuare strategie di rappresentazione e apprendimento in grado di migliorare la generalizzazione dei modelli tra popolazioni e posizionamenti sensoriali, favorendo applicazioni affidabili in contesti reali.