مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 17 63 2025 8 2 Synthetic Photoplethysmogram (PPG) Generation Using Genetic Programming Based Generative Model تولید سیگنال فوتوپلتیسموگرام (PPG) مصنوعی با استفاده از مدل سازنده مبتنی بر برنامه‌نویسی ژنتیک 43 54 fa فاطمه قاسمی دانشگاه رازی کرمانشاه فردین ابدالی محمدی دانشگاه کرمانشاه 2023 12 16 <p style="direction: ltr;">Today, advancements in Information and Communication Technology (ICT), particularly in healthcare and cardiac activity monitoring, have led to increased adoption of Photoplethysmogram (PPG) technology in smart devices and mobile phones. The development of generative models for producing artificial PPG signals faces challenges such as a lack of diversity and constraints in training data. This article employs a Genetic Programming (GP) based approach to introduce a generative model capable of producing PPG data with increased diversity and enhanced accuracy using an initial sample of PPG signals. In contrast to conventional regression, Genetic Programming automates the determination of the mathematical model's structure and compositions. The proposed approach, with a Mean Squared Error (MSE) of 0.0001, Root Mean Square Error (RMSE) of 0.01, and a correlation of 0.999, demonstrates superior performance due to appropriate optimization and acceptable accuracy in generating synthetic PPG data. It outperforms other methods in terms of efficiency and execution capability, especially in resource-constrained environments.</p> <p>امروزه تحولات فناوری اطلاعات و ارتباطات در حوزه سلامت، به&zwnj;ویژه در نظارت بر فعالیت&zwnj;های قلبی، به افزایش استفاده از تکنولوژی فوتوپلتیسموگرام (PPG: Photoplethysmogram) در دستگاه&zwnj;های هوشمند و تلفن&zwnj;های همراه منجر شده است. توسعۀ مدل&zwnj;های سازنده به جهت تولید سیگنال&zwnj;های مصنوعی PPG نیازمند حل چالش&zwnj;هایی مانند کمبود تنوع و محدودیت داده&zwnj;ها در آموزش مدل&zwnj;های یادگیری عمیق است. این مقاله، یک رویکرد مبتنی بر برنامه&zwnj;نویسی ژنتیک (GP: Genetic Programming) را به &zwnj;کار می&zwnj;گیرد تا مدل سازنده&zwnj;ای را ارائه دهد که با کمک یک نمونۀ اولیه از سیگنال PPG، قادر به تولید داده&zwnj;هایی با تنوع بیشتر و دقت افزوده&zwnj;شده باشد. برخلاف رگرسیون معمول، در برنامه&zwnj;نویسی ژنتیک ساختار و ترکیبات مدل ریاضی به&zwnj;صورت خودکار تعیین می&shy;گردد. رویکرد پیشنهادی، با داشتن اندازه خطای میانگین (MSE: Mean Squared Error) برابر با 0.0001، ریشه میانگین مربعات خطا (RMSE: Root Mean Squared Error) به&zwnj;اندازه 0.01 و همبستگی 0.999 نشان می&zwnj;دهد که به دلیل بهینگی مناسب و دقت قابل&zwnj;قبول در تولید داده&zwnj;های PPG مصنوعی، نسبت به دیگر روش&zwnj;ها برتری دارد و ازنظر کارایی و قابلیت اجرا در محیط&zwnj;های با منابع محدود نیز مؤثر عمل می &shy;کند.</p> http://jour.aicti.ir/ar/Article/Download/45081