[논문 리뷰] Ambulatory Atrial Fibrillation Monitoring Using Wearable Photoplethysmography with Deep Learning

Maxime Voisin, Yichen Shen외 4명|arXiv (Cornell University)|2018. 11. 12.

Non-Invasive Vital Sign Monitoring인용 수 6

한 줄 요약

이 연구는 손목에 착용하는 기기로 수집한 연속적이고 이동성 있는 광plethysmography(PPG) 신호에서 심房세동(AF)을 탐지하는 데 95% AUC를 달성하는 50층의 1차원 합성곱 신경망을 제시한다. 모델은 81명의 환자로부터 확보한 4,000시간 이상의 PPG 데이터로 훈련되었으며, 운동 아티팩트에도 불구하고 강건한 성능을 보이며 자유 생활 조건에서 정확하고 실시간으로 AF 부담을 추정할 수 있다.

ABSTRACT

We develop an algorithm that accurately detects Atrial Fibrillation (AF) episodes from photoplethysmograms (PPG) recorded in ambulatory free-living conditions. We collect and annotate a dataset containing more than 4000 hours of PPG recorded from a wrist-worn device. Using a 50-layer convolutional neural network, we achieve a test AUC of 95% and show robustness to motion artifacts inherent to PPG signals. Continuous and accurate detection of AF from PPG has the potential to transform consumer wearable devices into clinically useful medical monitoring tools.

연구 동기 및 목표

• 실생활 자유 생활 조건에서 기록된 광plethysmography(PPG) 신호로부터 심방세동(AF)을 정확하게 탐지할 수 있는 딥 러닝 모델을 개발하는 것.
• 이동성 모니터링에서 성능을 떨어뜨리는 일반적인 운동 아티팩트 문제를 해결하는 것.
• 모든 PPG 세그먼트를 기각하지 않고도 소비자 수준의 웨어러블 기기에서 연속적이고 장기적인 AF 부담 추정을 가능하게 하는 것.
• 일시적이고 무증상인 AF를 선제적으로 篩查할 수 있는 임상적으로 실현 가능하고 확장 가능한 솔루션을 마련하는 것.
• 딥 러닝이 PPG 신호에서 의미 있는 생리학적으로 관련된 특징을 효과적으로 추출할 수 있음을 보여주는 것.

제안 방법

• 30초 분량의 PPG 세그먼트를 20 Hz로 샘플링하여 훈련한 50층의 1차원 합성곱 신경망(CNN)은 입력 전처리로 FIR 저통과 필터링(5 Hz 커프오프), 평균 중심화, 단위 분산 스케일링을 수행한다.
• 표현 능력을 향상시키면서도 파rameter 효율성을 유지하기 위해 16개의 ResNeXt 블록과 그룹화된 합성곱을 사용한 네트워크 아키텍처를 채택한다.
• 전역 평균 풀링, 밀집층, 시그모이드 출력층을 활용하여 AF 존재 여부에 대한 이진 확률 점수를 산출한다.
• 손실 함수는 이진 교차 엔트로피이며, 레이블이 부여된 PPG 데이터셋에서 예측 오차를 최소화하기 위해 엔드 투 엔드로 최적화된다.
• 모델의 예측에 가장 영향을 주는 PPG 신호의 시간 단위를 시각화하기 위해 센시티비티 매핑을 적용하며, 수축기/이완기 피크 및 그 전의 신호 기울기와 같은 형태적 특징에 집중한다.
• 고차원 특징 표현을 분석하기 위해 t-SNE 시각화를 사용하여 AF와 비-AF 리듬 간의 분리 가능성과 운동 강도가 특징 공간 군집에 미치는 영향을 분석한다.

실험 결과

연구 질문

• RQ1 자유 생활 조건에서 이동성으로 기록된 PPG 신호에서 딥 러닝 모델이 AF 발작을 정확하게 탐지할 수 있는가?
• RQ2 웨어러블 PPG 모니터링에서 주요 과제인 운동 아티팩트 존재 시 모델의 성능은 어떠한가?
• RQ3 소음이나 운동에 의해 오염된 세그먼트를 기각하지 않고도 모델이 AF를 탐지할 수 있는가?
• RQ4 모델은 원시 PPG 신호에서 어떤 분류 특징을 학습하는가? 이 특징들은 생리학적으로 해석 가능한가?
• RQ5 운동 강도가 학습된 특징 공간에서 AF와 정상 심방 세동 리듬을 구분하는 데 모델의 능력에 어떤 영향을 미치는가?

주요 결과

• 모델은 실생활 조건에서 이동성 PPG 신호로부터 AF를 탐지하는 데 테스트 AUC가 95%에 도달하여 높은 진단 정확도를 입증한다.
• 이전 방법들이 데이터 정제가 필요로 하였듯이, 모델은 모든 PPG 세그먼트를 기각하지 않고도 심한 운동 아티팩트 상황에서도 강건한 성능을 유지한다.
• 센시티비티 매핑 결과, 모델이 수축기 및 이완기 피크와 그 전의 기울기와 같은 핵심 PPG 형태적 특징에 집중하고 있음을 확인하였으며, 이는 심장 리듬 이상의 지표로 알려져 있다.
• t-SNE 시각화 결과, 학습된 특징 공간에서 AF와 비-AF PPG 기록은 대부분 분리 가능하며, 고운동 강도 신호는 왼쪽 하단 구역에 고유하고 더 모호한 군집을 형성한다.
• 모델은 이전 임상 연구에서 심혈관계 위험 및 AF 예측과 관련된 것으로 알려진, 첫 번째 및 두 번째 순서의 신호 도함수와 일치하는 분류 특징을 학습한다.
• 결과적으로 딥 러닝이 PPG 신호에서 임상적으로 관련된 특징을 효과적으로 추출할 수 있으며, 이는 웨어러블 기기에서 정확하고 연속적인 AF 부담 모니터링을 가능하게 한다.