[論文レビュー] PPG Signals for Hypertension Diagnosis: A Novel Method using Deep Learning Models

Graham Frederick, T. Yaswant+1 more|arXiv (Cornell University)|Apr 14, 2023

Non-Invasive Vital Sign Monitoring被引用数 5

ひとこと要約

本論文は、脈波血圧計（PPG）信号を用いた高血圧症ステージの多クラス分類のための新しい深層学習モデル、AvgPool_VGG-16を提案する。VGG-16アーキテクチャの最終畳み込みブロックにおいてマックスプーリングを平均プーリングに置き換えることで、公開のPPGデータセット上で80%の正確性と0.77のF1スコアを達成し、ResNet-50、VGG-16、AlexNet、および先行研究のXception+BiLSTMといったモデルを上回る性能を発揮した。

ABSTRACT

Hypertension is a medical condition characterized by high blood pressure, and classifying it into its various stages is crucial to managing the disease. In this project, a novel method is proposed for classifying stages of hypertension using Photoplethysmography (PPG) signals and deep learning models, namely AvgPool_VGG-16. The PPG signal is a non-invasive method of measuring blood pressure through the use of light sensors that measure the changes in blood volume in the microvasculature of tissues. PPG images from the publicly available blood pressure classification dataset were used to train the model. Multiclass classification for various PPG stages were done. The results show the proposed method achieves high accuracy in classifying hypertension stages, demonstrating the potential of PPG signals and deep learning models in hypertension diagnosis and management.

研究の動機と目的

• 非侵襲的PPG信号を用いた高血圧症の複数ステージを分類する強固な深層学習モデルの開発を目的とする。
• 臨床診断において、信号対雑音比が低く、被験者間でばらつきが生じるPPG波形の課題に対処することを目的とする。
• 特に平均プーリングとマックスプーリングのプーリング層タイプの違いが、PPG信号解析における分類性能に与える影響を評価することを目的とする。
• AlexNet、ResNet、VGG-16といった既存の深層学習モデルを上回る、PPGベースの高血圧症ステージ分類の性能向上を目的とする。
• 消費者用PPGセンサーを用いたスケーラブルで非侵襲的かつ正確な高血圧症の早期検出手法を提供することを目的とする。

提案手法

• 提案されたモデルであるAvgPool_VGG-16は、最終畳み込みブロックにおけるマックスプーリング層を平均プーリング層に置き換えたVGG-16アーキテクチャの変更版である。
• 公開の血圧分類データセットからのPPG信号は前処理され、深層学習モデルの入力として使用可能な2.1秒の波形画像に変換された。
• モデルはImageNetで事前学習済みの重みを用いた転移学習により訓練され、4つの高血圧症ステージ（ht1、ht2、nt、pt）の多クラス分類に特化して微調整された。
• モデルの性能評価には5分割交差検証が用いられ、正確性、適合率、再現率、F1スコア、混同行列といった指標が使用された。
• ベースラインモデル（AlexNet、ResNet-50、VGG-16、および先行研究におけるXception+BiLSTM）との比較分析が実施された。
• 平均プーリングの使用は、特に微細な血行動態的変化を捉えるために、信号エネルギーをよりよく保持し、過学習を低減する可能性があると仮説された。

実験結果

リサーチクエスチョン

• RQ1 VGG-16アーキテクチャにおいてマックスプーリングを平均プーリングに置き換えることで、PPGベースの高血圧症ステージ分類の正確性が向上するか？
• RQ2 AvgPool_VGG-16の性能は、AlexNet、ResNet-50、VGG-16といった既存の深層学習モデルと比較して、PPG信号画像分類においてどのように異なるか？
• RQ3 特に2期高血圧症（ht2）のデータセットのクラス不均衡が、モデルの一般化性能や性能に及ぼす影響はどの程度か？
• RQ4 人間被験者から得られた実際の前処理済みPPG信号を用いて訓練された深層学習モデルは、多クラス高血圧症分類において臨床的に意味のある正確性を達成できるか？
• RQ5 プーリング層タイプが、PPG信号画像分類タスクにおける特徴表現とモデルの頑健性に与える影響は何か？

主な発見

• AvgPool_VGG-16モデルは、80%の正確性と0.77のF1スコアを達成し、VGG-16（71%の正確性、0.69のF1スコア）、ResNet-50（44%の正確性、0.40のF1スコア）、AlexNet（39%の正確性、0.22のF1スコア）を上回る性能を示した。
• 平均プーリングはマックスプーリングと比較して、特にPPG波形内の微細な血行動態的特徴を保持する点で、モデル性能を顕著に向上させた。
• 正常（nt）および前高血圧症（pt）ステージでは、それぞれ89%および81%のF1スコアを達成し、一般的な高血圧症ステージの分類において高い頑健性を示した。
• モデルは2期高血圧症（ht2）の分類で最も苦戦し、20件のトレーニングデータレコードしかなく、F1スコアはたったの10%にとどまった。これは、データの不均衡が主な制限要因であることを示している。
• 先行研究で報告されたXception+BiLSTMモデルと比較すると、AvgPool_VGG-16は76%の正確性を示したXception+BiLSTMを上回り、より単純なアーキテクチャであるにもかかわらず優れた性能を発揮した。
• 混同行列分析により、モデルは正常および前高血圧症のケースの大部分を正しく分類していたが、多くのht2ケースが他のクラスに誤分類されていた。これは、今後の研究においてデータ拡張の必要性を強調している。