[論文レビュー] PPG2ABP: Translating Photoplethysmogram (PPG) Signals to Arterial Blood Pressure (ABP) Waveforms using Fully Convolutional Neural Networks

Nabil Ibtehaz, M. Sohel Rahman+5 more|arXiv (Cornell University)|May 4, 2020

Non-Invasive Vital Sign Monitoring被引用数 33

ひとこと要約

PPG2ABPは、PPG信号を連続的なABP波形に変換する二段階のカスケード深層学習パイプラインで、ディープU-Netベースの近似段階と Refinement 段階を用い、PPGだけから強力な血圧指標性能を達成します。

ABSTRACT

Cardiovascular diseases are one of the most severe causes of mortality, taking a heavy toll of lives annually throughout the world. The continuous monitoring of blood pressure seems to be the most viable option, but this demands an invasive process, bringing about several layers of complexities. This motivates us to develop a method to predict the continuous arterial blood pressure (ABP) waveform through a non-invasive approach using photoplethysmogram (PPG) signals. In addition we explore the advantage of deep learning as it would free us from sticking to ideally shaped PPG signals only, by making handcrafted feature computation irrelevant, which is a shortcoming of the existing approaches. Thus, we present, PPG2ABP, a deep learning based method, that manages to predict the continuous ABP waveform from the input PPG signal, with a mean absolute error of 4.604 mmHg, preserving the shape, magnitude and phase in unison. However, the more astounding success of PPG2ABP turns out to be that the computed values of DBP, MAP and SBP from the predicted ABP waveform outperforms the existing works under several metrics, despite that PPG2ABP is not explicitly trained to do so.

研究の動機と目的

• 広く利用可能なPPG信号を用いて、非侵襲でカフレスの連続ABPモニタリングを実現する動機。
• PPGから直接表現を学習する深層学習を活用して、手作り特徴量への依存を排除する。
• 推定された波形から連続的なABP波形の再構築を実現し、DBP、MAP、SBPを導出する。
• 大規模なMIMIC-III由来データでの性能を示し、標準的なBP評価指標を満たす。

提案手法

• ウェーブレットデノイジング (db8, 10レベル) と正規化を用いてPPG信号を前処理する。
• 2つのネットワークをカスケードするパイプラインを使用: おおまかなABP波形を推定するApproximation Network (1D Deeply Supervised U-Net) と、それを細化する Refinement Network (1D MultiResUNet)。
• 推定されたABP波形から、ABPの最大値、最小値、平均をそれぞれ用いてSBP、DBP、MAPを計算する。
• Approximation NetworkにはMAE損失、Refinement NetworkにはMSE損失で訓練し、Adamオプティマイザで100エポック、10折交差検証を実施する。
• MAEとドメイン指標（BHS, AAMI）、およびPearson相関とBland-Altman解析を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 ECGや手作り特徴量を使わず、PPG信号のみからABP波形を正確に再構成できるか？
• RQ2 2段階の深層学習パイプラインは、シングルステージモデルと比較してABP波形の再構成品質を向上させるか？
• RQ3 再構成されたABP波形から導出されたBP値（DBP、MAP、SBP）は、MIMIC-IIIデータ上でBHSとAAMIの基準をどれほど満たすか？
• RQ4 ネットワーク選択（U-Net対(MultiResUNet)）と損失設計（MAE対MSE）がABP再構成精度に与える影響は何か？

主な発見

• ABP波形MAE: 4.604 ± 5.043 mmHg on the test set.
• DBP MAE: 3.449 ± 6.147 mmHg; MAP MAE: 2.310 ± 4.437 mmHg; SBP MAE: 5.727 ± 9.162 mmHg.
• DBPとMAPはBritish Hypertension SocietyのGrade Aを満たす; SBPはGrade Bに達する。
• AAMI基準をDBPとMAPで満たす（SBPの標準偏差は高いが平均誤差はほぼ0）。
• Pearson相関: DBP 0.894, MAP 0.966, SBP 0.936、p < 0.000001。
• Bland-AltmanはDBPで約−12〜15 mmHg、MAPで約−9〜10 mmHg、SBPで約−23〜19 mmHgの95%同意限界を示す。