[論文レビュー] Wrist-worn blood pressure tracking in healthy free-living individuals using neural networks

Mustafa Radha, Koen de Groot+10 more|arXiv (Cornell University)|May 23, 2018

Non-Invasive Vital Sign Monitoring参考文献 45被引用数 3

ひとこと要約

本研究では、自由な生活環境下にいる健康な被験者に対して、不顕在的かつ非侵襲的に夜間収縮期血圧（SBP）低下を推定するため、手首に装着する脈波計（PPG）センサーと長短記憶（LSTM）ニューラルネットワークを組み合わせた手法を提案する。226日間にわたり5,111件の一致したPPGおよび24時間ホルター血圧モニタリングの測定値を用いて、LSTMモデルはSBP低下推定において3.12±2.20 mmHgのRMSEを達成し、従来の機械学習および非機械学習手法を上回った性能を示した。

ABSTRACT

Objective: Evaluate a method for the estimation of the nocturnal systolic blood pressure (SBP) dip from 24-hour blood pressure trends using a wrist-worn photoplethysmography (PPG) sensor and a deep neural network in free-living individuals, comparing the deep neural network to traditional machine learning and non-machine learning baselines. Approach: A wrist-worn PPG sensor was worn by 106 healthy individuals for 226 days during which 5111 reference values for blood pressure (BP) were obtained with a 24-hour ambulatory BP monitor and matched with the PPG sensor data. Features based on heart rate variability and pulse morphology were extracted from the PPG waveforms. Long- and short term memory (LSTM) networks, dense networks, random forests and linear regression models were trained and evaluated in their capability of tracking trends in BP, as well as the estimation of the SBP dip. Main results: Best performance for estimating the SBP dip were obtained with a deep LSTM neural network with a root mean squared error (RMSE) of 3.12$\pm$2.20 $\Delta$mmHg and a correlation of 0.69 $(p=3*10^{-5})$. This dip was derived from trend estimates of BP which had an RMSE of 8.22$\pm$1.49 mmHg for systolic and 6.55$\pm$1.39 mmHg for diastolic BP (DBP). While other models had similar performance for the tracking of relative BP, they did not perform as well as the LSTM for the SBP dip. Significance: The work provides first evidence for the unobtrusive estimation of the nocturnal SBP dip, a highly prognostic clinical parameter. It is also the first to evaluate unobtrusive BP measurement in a large data set of unconstrained 24-hour measurements in free-living individuals and provides evidence for the utility of LSTM models in this domain.

研究の動機と目的

• 自由な生活環境下における手首に装着するPPGセンサーを用いた夜間収縮期血圧（SBP）低下の推定可能性を評価すること。
• 24時間血圧トレンドの追跡に向け、ディープラーニング、従来の機械学習、非機械学習モデルを比較すること。
• 長短記憶（LSTM）ネットワークが長期的な血圧変動を捉え、臨床的に重要なパラメータ（SBP低下など）を推定する能力を評価すること。
• 実世界の環境下で、ウェアラブルPPGセンサーを用いた連続的かつ不顕在的な血圧モニタリングの臨床的有用性を裏付ける証拠を提供すること。

提案手法

• 手首に装着するPPGセンサーが、106名の健康な被験者に対して226日間にわたり連続した脈波計信号を収集した。
• PPG波形からの特徴抽出には、心拍変動およびパルス波形の特徴が含まれた。
• 長短記憶（LSTM）ネットワークは、24時間血圧トレンドを予測するため、PPG由来の特徴の時間的依存性をモデル化するために訓練された。
• 密度型ニューラルネットワーク、ランダムフォレスト、線形回帰モデルも訓練され、血圧トレンド推定およびSBP低下予測の性能と比較された。
• 基準血圧値は24時間ホルター血圧モニタリングにより取得され、PPGセンサーの測定値と一致させた。
• モデルの性能評価には、基準SBP低下値との間で平均二乗誤差（RMSE）および相関係数が用いられた。

実験結果

リサーチクエスチョン

• RQ1 手首に装着するPPGセンサーとディープニューラルネットワークを組み合わせることで、自由な生活環境下の被験者に対して夜間収縮期血圧（SBP）低下を正確に推定できるか？
• RQ2 LSTMベースのモデルは、従来の機械学習および非機械学習モデルと比較して、PPGデータからのSBP低下推定においてどの程度優れているか？
• RQ3 PPG由来の特徴は、SBP低下推定に必要な長期的血圧トレンドをどの程度正確に捉えられるか？
• RQ4 予後予測に重要な指標であるSBP低下は、制約のない日常環境下で不顕在的かつ連続的なPPGモニタリングによって信頼性高く推定可能か？

主な発見

• LSTMニューラルネットワークは、夜間SBP低下推定において、3.12±2.20 mmHgという最小の平均二乗誤差（RMSE）を達成し、他のモデルを顕著に上回った。
• SBP低下推定値は基準値と相関を示し、r=0.69（p=3×10⁻⁵）であった。これは強い統計的有意性を示している。
• LSTMモデルを用いた血圧トレンド推定では、収縮期血圧に対してRMSEが8.22±1.49 mmHg、拡張期血圧に対しては6.55±1.39 mmHgであった。
• 他のモデルは相対的な血圧トレンドの追跡には同等の性能を示したが、SBP低下の推定においてはやや精度が低かった。
• 本研究は、ウェアラブルPPGとディープラーニングを用いた、臨床的予後予測に有用な不顕在的かつ連続的な夜間SBP低下推定の初の証拠を提供した。
• 結果から、LSTMモデルがPPGデータ内の複雑な時間的パターンを捉える能力が、心血管リスク評価に有効であることが示された。