[論文レビュー] PPGnet: Deep Network for Device Independent Heart Rate Estimation from Photoplethysmogram

A Shyam, Vignesh Ravichandran+3 more|arXiv (Cornell University)|Mar 21, 2019

Non-Invasive Vital Sign Monitoring参考文献 8被引用数 4

ひとこと要約

本稿では、患者特有のトレーニングや三軸加速度計データを必要とせずに、単一チャネルの手首PPG信号を用いたデバイスに依存しない心拍数推定のためのエンドツーエンドのディーブラーニングモデル、PPGnetを提案する。モデルはIEEE SPC 2015データセットで平均絶対誤差3.36 ± 4.1 BPMを達成し、新たに作成した社内PPGデータセットに対してスパarsely再トレーニングを用いたトランスファーラーニングの可能性を示し、異なるPPGハードウェア設計間での一般化を可能にした。

ABSTRACT

Photoplethysmogram (PPG) is increasingly used to provide monitoring of the cardiovascular system under ambulatory conditions. Wearable devices like smartwatches use PPG to allow long term unobtrusive monitoring of heart rate in free living conditions. PPG based heart rate measurement is unfortunately highly susceptible to motion artifacts, particularly when measured from the wrist. Traditional machine learning and deep learning approaches rely on tri-axial accelerometer data along with PPG to perform heart rate estimation. The conventional learning based approaches have not addressed the need for device-specific modeling due to differences in hardware design among PPG devices. In this paper, we propose a novel end to end deep learning model to perform heart rate estimation using 8 second length input PPG signal. We evaluate the proposed model on the IEEE SPC 2015 dataset, achieving a mean absolute error of 3.36+-4.1BPM for HR estimation on 12 subjects without requiring patient specific training. We also studied the feasibility of applying transfer learning along with sparse retraining from a comprehensive in house PPG dataset for heart rate estimation across PPG devices with different hardware design.

研究の動機と目的

• 患者特有の再トレーニングを必要としない、手首PPG信号からの心拍数推定のためのディープラーニングモデルの開発。
• ウェアラブルデバイスのバッテリー消費を削減するため、三軸加速度計データへの依存を排除すること。
• トランスファーラーニングを用いて、異なるハードウェア設計を持つPPGデバイス間での一般化を可能にすること。
• IEEE SPC 2015および社内AD Iデータセットを含む多様なデータセットを用いて、運動アーチファクト下でのモデルの頑健性を評価すること。
• 事前学習済みモデルを用いた新しいPPGデバイス向けに、スパarsely再トレーニングが可能かどうかを調査すること。

提案手法

• モデルは、8秒間の単一チャネルPPG信号から時間的・スペクトル的特徴を抽出するため、1次元畳み込みニューラルネットワーク（CNN）層と長短期記憶（LSTM）層を組み合わせたハイブリッドアーキテクチャを採用する。
• ネットワークは前処理を施さずに生のPPG信号上でエンドツーエンドにトレーニングされ、加速度計などの外部センサデータに依存しない。
• トランスファーラーニングは、IEEE SPC 2015データセットからの事前学習済み重みを初期値として用い、新しい社内PPGデータセット（ADI）のスパarselyサブセット（15％）でファインチューニングすることで実施する。
• モデル収束は4つの条件下で評価される：ADI上でランダム初期化、ADI上でランダム初期化かつ全データ使用、ADI上で全データ使用のトランスファーラーニング、ADI上で15％データ使用のトランスファーラーニング。
• 性能は平均絶対誤差（MAE）、絶対誤差の標準偏差（SDAE）、ピアソン相関係数（PCC）を用いて評価される。
• モデルはIEEE SPC 2015データセットおよび社内AD Iデータセットの両方で評価され、多様な運動状態および心拍数範囲（39–155 BPM）下での頑健性をテストする。

実験結果

リサーチクエスチョン

• RQ1 患者特有の再トレーニングを必要とせずに、単一チャネルの手首PPG信号からディープラーニングモデルが心拍数を推定可能か？
• RQ2 スクラッチからの再トレーニングなしに、異なるPPGハードウェア設計間で一般化可能か？
• RQ3 新しいデータセットに対してスパarsely再トレーニングを用いたトランスファーラーニングが、フル再トレーニングと同等の性能を達成できるか？
• RQ4 特にランダムな運動アーチファクト下で、モデルの性能はいかがなものか？
• RQ5 加速度計データを一切使用せずに、低誤差かつ高相関を達成できるか？

主な発見

• IEEE SPC 2015データセットでは、平均絶対誤差が3.36 ± 4.1 BPMに達し、前処理や加速度計データなしで最先端の性能を示した。
• IEEE SPC 2015テストセットで激しい身体的運動が発生した状況下でも、平均絶対誤差は12.48 ± 14.45 BPMに留まり、運動アーチファクト下での頑健性を示した。
• 社内AD Iデータセット上でランダム初期化でトレーニングした場合、平均絶対誤差は4.10 ± 5.19 BPM、ピアソン相関係数は0.92を達成した。
• IEEE SPC 2015からの事前学習済み重みを用い、AD Iデータセット全量でファインチューニングした場合、平均絶対誤差は4.095 ± 5.25 BPMに達し、フルトレーニングとほぼ同等の性能を示した。
• AD Iデータセットの15％のみを再トレーニングに使用しても、平均絶対誤差は4.11 ± 5.27 BPMに留まり、新規ハードウェアデバイス向けに最小限の再トレーニングで十分であることが示された。
• モデルは急激な運動変化に対しても適応可能であり、250–400ウィンドウでの加速度計エネルギーが高くなっても正確性を維持した。これは、運動アーチファクトに対して強い耐性を示している。