[論文レビュー] Recognising Cardiac Abnormalities in Wearable Device Photoplethysmography (PPG) with Deep Learning

Stewart Whiting, Samuel Moreland+3 more|arXiv (Cornell University)|Jul 11, 2018

Non-Invasive Vital Sign Monitoring参考文献 8被引用数 6

ひとこと要約

本論文では、心電図（ECG）データを一切使用せずに、ウェアラブル・フォトプレチスモグラフィ（PPG）信号から直接心臓の異常を検出するためのディープラーニング手法を提案している。特に心室性期外収縮（PVC）を対象とし、60%の感受性と77%の特異性を達成しており、実世界の環境におけるPPG単独による心臓モニタリングの可能性を示している。

ABSTRACT

Cardiac abnormalities affecting heart rate and rhythm are commonly observed in both healthy and acutely unwell people. Although many of these are benign, they can sometimes indicate a serious health risk. ECG monitors are typically used to detect these events in electrical heart activity, however they are impractical for continuous long-term use. In contrast, current-generation wearables with optical photoplethysmography (PPG) have gained popularity with their low-cost, lack of wires and tiny size. Many cardiac abnormalities such as ectopic beats and AF can manifest as both obvious and subtle anomalies in a PPG waveform as they disrupt blood flow. We propose an automatic method for recognising these anomalies in PPG signal alone, without the need for ECG. We train an LSTM deep neural network on 400,000 clean PPG samples to learn typical PPG morphology and rhythm, and flag PPG signal diverging from this as cardiac abnormalities. We compare the cardiac abnormalities our approach recognises with the ectopic beats recorded by a bedside ECG monitor for 29 patients over 47.6 hours of gold standard observations. Our proposed cardiac abnormality recognition approach recognises 60%+ of ECG-detected PVCs in PPG signal, with a false positive rate of 23% - demonstrating the compelling power and value of this novel approach. Finally we examine how cardiac abnormalities manifest in PPG signal for in- and out-of-hospital patient populations using a wearable device during standard care.

研究の動機と目的

• 心電図（ECG）に依存せずにPPG信号における心臓異常を自動的に検出する手法を開発すること。
• ウェアラブルPPGデータからのPVC認識において、臨床的ECGゴールドスタンダードと比較してディープラーニングモデルの性能を評価すること。
• 入院時および外来環境の多様な患者集団において、心臓異常がPPG信号にどのように現れるかを分析すること。
• PPG単独モニタリングの可能性を検討し、長期的な心臓リスクの特定および早期警戒システムの改善に寄与すること。

提案手法

• 正常なPPGの形態とリズムを学習するために、40万件のクリアなPPGサンプルを用いてLSTMディープニューラルネットワークをトレーニングする。
• 学習された正常パターンから著しく逸脱するPPG信号を、潜在的な心臓異常として特定する。
• 29名の被験者に対して、ウェアラブルPPGとベッドサイドECGを47.6時間にわたり同時にモニタリングし、PVCをゴールドスタンダードとして比較評価を実施する。
• 信号品質の確保とECG観察との整合性を高めるために、高運動状態のPPG信号に対してもフィルタリング処理を実施する。
• PPGで検出された異常とECGで確認されたPVCを比較するため、セットベースの混同行列を用いて性能を評価する。
• 追加分析として、複数の臨床的集団（HDU、AMU、ED、SURGERY、HOME）におけるPPGベースの異常頻度を統合的に分析する。

実験結果

リサーチクエスチョン

• RQ1 ECGリファレンスなしに、正常なPPG信号でトレーニングされたディープラーニングモデルは、PVCのような心臓異常を検出できるか？
• RQ2 実世界の外来モニタリングにおいて、PPG単独による検出性能はECGゴールドスタンダードと比べてどの程度か？
• RQ3 異なる患者集団におけるPPG信号の心臓異常頻度とパターンは、どのように変動するか？
• RQ4 信号品質と運動アーチファクトの影響は、PPGベースの心臓異常検出の正確性にどのような影響を与えるか？

主な発見

• ゴールドスタンダードで1分間に1回以上のPVCが確認される場合、提案手法はECGで確認されたPVCの60%を検出できた。
• 偽陽性率は23%であり、PPGで異常とマークされた信号のうち約23%はECGではPVCを含まないことを示している。
• ゴールドスタンダードで1分間に2回以上のPVCが確認される場合、感受性は68%に上昇し、PVC負荷が高くなるほど性能が向上することがわかった。
• HDUやAMUなどの入院患者集団では、PPGベースの異常率がそれぞれ5.1%および5.8%と高く、患者の重症度が高いためと推察される。
• 外科的治療を受けた患者（SURGERY）は、最も低い異常率（1.54%）を示しており、健康状態が良好または臨床的モニタリングが徹底されている可能性がある。
• ED集団では、異常頻度に高いばらつき（平均3.17%、標準偏差7.9%）を示しており、患者の重症度が多様であることがうかがえる。