[論文レビュー] Ambulatory Atrial Fibrillation Monitoring Using Wearable Photoplethysmography with Deep Learning

Maxime Voisin, Yichen Shen+4 more|arXiv (Cornell University)|Nov 12, 2018

Non-Invasive Vital Sign Monitoring被引用数 6

ひとこと要約

本研究では、腕時計型デバイスを介して収集された連続的で動的な光容積脈波計測（PPG）信号から心房細動（AF）を検出するための50層1次元畳み込みニューラルネットワークを提示する。モデルは81名の被験者から得られた4,000時間以上のPPGデータで学習され、運動アーティファクトに対しても頑健であることが示され、自由な生活環境下でも正確でリアルタイムなAF負荷推定が可能となる。

ABSTRACT

We develop an algorithm that accurately detects Atrial Fibrillation (AF) episodes from photoplethysmograms (PPG) recorded in ambulatory free-living conditions. We collect and annotate a dataset containing more than 4000 hours of PPG recorded from a wrist-worn device. Using a 50-layer convolutional neural network, we achieve a test AUC of 95% and show robustness to motion artifacts inherent to PPG signals. Continuous and accurate detection of AF from PPG has the potential to transform consumer wearable devices into clinically useful medical monitoring tools.

研究の動機と目的

• 実生活における自由な状態下で記録された光容積脈波計測（PPG）信号から心房細動（AF）を正確に検出できる深層学習モデルの開発を目的とする。
• ウェアラブルPPGモニタリングにおいて一般的に性能を低下させる運動アーティファクトの課題に対処することを目的とする。
• 消費者用ウェアラブルデバイスを用いて、いかなるPPGセグメントも破棄せずに、連続的で長期的なAF負荷推定を可能とすることを目的とする。
• 一時的で無症状のAFを前もってスクリーニングできる、臨床的実用的でスケーラブルなソリューションを提供することを目的とする。これは従来の心電図ベースの手法で見逃されがちな状態である。
• 深層学習がPPG信号から意味のある生理学的関連特徴を抽出できることを示すこと

提案手法

• 30秒のPPGセグメント（20 Hzでサンプリング）を入力とし、FIR低-passフィルタ（5 Hzカットオフ周波数）、平均値ゼロ化、単位分散スケーリングによる前処理を施した50層1次元畳み込みニューラルネットワーク（CNN）を学習する。
• 表現力の向上を図りながらパラメータ効率を維持するため、16個のResNeXtボトムアップブロックとグループ化畳み込みを用いたネットワークアーキテクチャを採用する。
• グローバル平均プーリング、全結合層、シグモイド出力層を用い、AFの有無を示す二値確率スコアを出力する。
• 損失関数はバイナリクロスエントロピーであり、ラベル付きPPGデータセット上で予測誤差を最小化するようにエンドツーエンド最適化される。
• モデルの予測に最も寄与する時間ステップを可視化するため、サリエンシー可視化を適用し、収縮期・拡張期のピークや信号勾配といった形態的特徴に注目する。
• 高次特徴表現の分析にt-SNE可視化を用い、AFと非AFリズムの分離可能性、および運動強度が特徴空間クラスタリングに与える影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 自由な生活環境下で動的な状態で収集されたPPG信号から、深層学習モデルがAF発作を正確に検出できるか？
• RQ2 ウェアラブルPPGモニタリングにおける主要な障害要因である運動アーティファクトの影響下でも、モデルの性能は維持されるか？
• RQ3 ノイズや運動による汚損が生じたPPGセグメントでさえも、破棄せずにAF検出が可能か？
• RQ4 モデルは生のPPG信号からどのような特徴を学習し、それらは生理学的に解釈可能か？
• RQ5 運動強度が、学習された特徴空間におけるAFと正常洞調律の区別能力に与える影響はいかほどか？

主な発見

• モデルは、自由な生活環境下の動的PPG信号からAFを検出するテストAUCが95%に達し、現実世界の条件下でも高い診断精度を示した。
• 従来の手法がデータの選別を要するのに対し、本モデルは、重大な運動アーティファクトが存在する状況でも、いかなるPPGセグメントも破棄せずに、頑健な性能を維持した。
• サリエンシー地図の結果、モデルは収縮期・拡張期のピークやそれらに先行する信号勾配といった、心拍リズム異常を示す既知のPPG形態的特徴に注目していることが明らかになった。
• t-SNE可視化の結果、学習された特徴空間においてAFと非AFのPPG記録は大きく分離しており、特に高運動強度の信号は左下象限に位置する明確でないクラスタを形成していた。
• モデルは、心血管リスクやAF予測に関連するとされる既存の臨床研究で知られている血行動態的マーカー（一次および二次の信号微分）に一致する特徴を学習した。
• 本結果は、深層学習がPPG信号から臨床的に関連する特徴を効果的に抽出できることを示唆し、ウェアラブルデバイスにおける正確で連続的なAF負荷モニタリングの実現に貢献する。