[論文レビュー] Developing Personalized Models of Blood Pressure Estimation from Wearable Sensors Data Using Minimally-trained Domain Adversarial Neural Networks

Lida Zhang, Nathan C. Hurley+5 more|PubMed|Jul 24, 2020

Non-Invasive Vital Sign Monitoring参考文献 30被引用数 15

ひとこと要約

本稿では、最小限のトレーニングデータを用いて、ウェアラブル生体インピーダンス信号から個別化された無血圧計式血圧測定を可能にする、ドメイン敵対的ニューラルネットワーク（DANN）を強化したマルチタスク学習モデルを提案する。敵対的トレーニングを通じて被験者に依存しない特徴を学習することで、4分間の被験者固有データを用いるだけでISO基準の正確性を達成し、ベースライン手法と比較して収縮血圧で最大0.67 mmHg、拡張血圧で最大0.26 mmHgのRMSE低減を実現する。

ABSTRACT

Blood pressure monitoring is an essential component of hypertension management and in the prediction of associated comorbidities. Blood pressure is a dynamic vital sign with frequent changes throughout a given day. Capturing blood pressure remotely and frequently (also known as ambulatory blood pressure monitoring) has traditionally been achieved by measuring blood pressure at discrete intervals using an inflatable cuff. However, there is growing interest in developing a cuffless ambulatory blood pressure monitoring system to measure blood pressure continuously. One such approach is by utilizing bioimpedance sensors to build regression models. A practical problem with this approach is that the amount of data required to confidently train such a regression model can be prohibitive. In this paper, we propose the application of the domain-adversarial training neural network (DANN) method on our multitask learning (MTL) blood pressure estimation model, allowing for knowledge transfer between subjects. Our proposed model obtains average root mean square error (RMSE) of 4.80 ± 0.74 mmHg for diastolic blood pressure and 7.34 ± 1.88 mmHg for systolic blood pressure when using three minutes of training data, 4.64 ± 0.60 mmHg and 7.10 ± 1.79 respectively when using four minutes of training data, and 4.48±0.57 mmHg and 6.79±1.70 respectively when using five minutes of training data. DANN improves training with minimal data in comparison to both directly training and to training with a pretrained model from another subject, decreasing RMSE by 0.19 to 0.26 mmHg (diastolic) and by 0.46 to 0.67 mmHg (systolic) in comparison to the best baseline models. We observe that four minutes of training data is the minimum requirement for our framework to exceed ISO standards within this cohort of patients.

研究の動機と目的

• ウェアラブルセンサーからの個別化された血圧推定モデルをトレーニングするための高いデータ要件の課題に対処すること。
• 血圧測定のキャリブレーション時間を短縮し、正確性を維持したままトレーニングデータを最小限に抑えること。
• ドメイン敵対的トレーニングによる知識の転送を活用して、被験者間での一般化を向上させること。
• 4分間のトレーニングデータが、血圧測定のISO基準の正確性を満たすのに十分かどうかを評価すること。
• 限られた被験者固有データで新しい個人にモデルを効率的に適応できるフレームワークを開発すること。

提案手法

• ビート・トゥ・ビートの生体インピーダンス信号を用いて、収縮血圧および拡張血圧を推定するマルチタスク学習（MTL）回帰モデルをトレーニングする。
• ドメイン敵対的トレーニング（DANN）を適用し、ソース（既存の被験者）とターゲット（新しい被験者）のドメインを分類するドメイン識別器を訓練することで、被験者に依存しない特徴を学習する。
• 特徴抽出器はドメイン分類の正確性を最小化するように最適化され、分離され、被験者に依存しない表現を学習する。
• モデルは3分、4分、または5分間の被験者固有データでファインチューニングされ、最小限のデータで迅速な個別化が可能になる。
• 他の被験者のデータをトレーニング中に活用することで、知識の転送が実現され、低データ環境下でのパフォーマンスが向上する。
• ドメイン予測におけるクラスの不均衡を防ぐために、3分の1の被験者を含むバランスの取れたドメイン分割が採用されている。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、5分未塔の被験者固有のトレーニングデータで、ISO基準の血圧推定正確性を達成できるか？
• RQ2 ドメイン敵対的トレーニングは、個別化された血圧推定における被験者間の知識転送をどのように改善するか？
• RQ3 生体インピーダンス信号を用いた無血圧計式血圧測定でISO基準を満たすために必要な最小トレーニング時間はどのくらいか？
• RQ4 DANNは、標準的なMTLや事前学習モデルからのファインチューニングと比較して、個別被験者特徴への過学習をどれほど軽減するか？
• RQ5 トレーニング中に観測されなかった血圧範囲の内挿的範囲において、モデルの性能はいかがなっているか？

主な発見

• DANNを強化したモデルは、5分間のトレーニングデータを用いて、平均拡張血圧RMSEが4.48 ± 0.57 mmHg、収縮血圧RMSEが6.79 ± 1.70 mmHgを達成した。
• 4分間のトレーニングデータを用いた場合、拡張血圧RMSEは4.64 ± 0.60 mmHg、収縮血圧RMSEは7.10 ± 1.79 mmHgとなり、ISO基準を満たした。
• 最良のベースライン（他の被験者からの事前学習モデル）と比較して、収縮血圧で0.46～0.67 mmHg、拡張血圧で0.19～0.26 mmHgのRMSE低減を実現した。
• このコhortでは、4分間のトレーニングがISO基準を上回るための最小時間であり、3分間のデータでは性能が基準を下回った。
• モデルは欠落した血圧範囲に対しても良好に一般化しており、範囲内および範囲外の値で同程度のRMSEを示しており、頑健な回帰能力を示している。
• DANNは被験者固有の特徴の記憶を軽減し、単独のMTLやファインチューニングモデルと比較して一般化性能を向上させた。