[논문 리뷰] Online Heart Rate Prediction using Acceleration from a Wrist Worn Wearable

Ryan McConville, Gareth Archer외 5명|Bristol Research (University of Bristol)|2018. 06. 25.

Non-Invasive Vital Sign Monitoring참고 문헌 6인용 수 4

한 줄 요약

이 논문은 심장 박동수를 예측하기 위해 손목에 착용하는 가속도계 데이터를 사용하는 온라인 주도 학습 기반 접근법을 제안한다. 이는 에너지 소모가 높은 PPG 센서에 대한 의존도를 줄이는 데 목적이 있다. 예측 불확실성이 높을 경우에만 동적으로 PPG를 쿼리함으로써, 세 명의 심장판막 수술 후 회복 중 환자로부터 확보한 4주간의 자유 생활 데이터 기반으로 평균 절대 오차(MAE) 2.89bpm을 달성하면서도 PPG 센서 사용률을 총 20.25%로 낮춘다.

ABSTRACT

In this paper we study the prediction of heart rate from acceleration using a wrist worn wearable. Although existing photoplethysmography (PPG) heart rate sensors provide reliable measurements, they use considerably more energy than accelerometers and have a major impact on battery life of wearable devices. By using energy-efficient accelerometers to predict heart rate, significant energy savings can be made. Further, we are interested in understanding patient recovery after a heart rate intervention, where we expect a variation in heart rate over time. Therefore, we propose an online approach to tackle the concept as time passes. We evaluate the methods on approximately 4 weeks of free living data from three patients over a number of months. We show that our approach can achieve good predictive performance (e.g., 2.89 Mean Absolute Error) while using the PPG heart rate sensor infrequently (e.g., 20.25% of the samples).

연구 동기 및 목표

• 자신의 손목에 착용한 웨어러블 기반 가속도계 데이터로 실생활 조건에서 장기간에 걸쳐 심박수를 신뢰할 만하게 예측할 수 있는지 조사한다.
• 심장 수술 후 회복 단계에서 신체적 능력, 노화, 또는 복구 단계 변화로 인해 발생하는 심박수-가속도 관계의 개념 이탈(concept drift) 문제를 해결한다.
• 지능적인 실시간 쿼리 방식을 통해 에너지 소모가 높은 PPG 센서에 대한 의존도를 줄임으로써 에너지 소비를 최소화한다.
• 시간이 지남에 따라 변화하는 생리적 패턴에 적응할 수 있는 온라인 주도 학습 프레임워크를 개발하고 평가한다.
• 주기적인 PPG 검증을 통해 오직 가속도계 데이터만으로 장기간에 걸쳐 저전력 심박수 모니터링이 가능한지 실현 가능성을 입증한다.

제안 방법

• 세 축의 가속도 특징에서 추출한 1분 창 단위의 통계적, 스펙트럼적, 제로 크로싱 지표를 기반으로 회귀 모델의 앙상블을 학습한다.
• 예측 불확실성 기반 주도 학습을 적용: 예측 분산이 임계값 $ O $를 초과할 경우에만 PPG 쿼리를 수행한다.
• 예측 오차가 임계값 $ T $를 초과하거나, 수명 주기(TTL)가 경과할 경우 모델을 재학습함으로써 개념 이탈에 대응한다.
• 알고리즘은 엣지 게이트웨이에서 온라인으로 실행되며, 스트리밍 데이터를 실시간으로 처리하고 최소 지연 시간으로 모델을 업데이트한다.
• 예측 정확도와 센서 사용률의 균형을 위해 불확실성이 높은 간격에 집중적으로 PPG 쿼리를 수행함으로써 총 PPG 샘플링 빈도를 감소시킨다.
• 시스템은 두 회복 단계에 걸쳐 세 환자로부터 확보한 4주간의 자유 생활 데이터를 기반으로 평가되었으며, 특징은 1분 간격의 PPG 심박수 측정값에 맞춰져 있다.

실험 결과

연구 질문

• RQ1 자신의 손목에 착용한 가속도계 데이터만으로 실생활 조건에서 장기간에 걸쳐 심박수를 수용 가능한 정확도로 예측할 수 있는가?
• RQ2 초기 데이터로 학습된 정적 오프라인 모델을 사용할 경우 성능이 시간이 지남에 따라 어떻게 악화되는가?
• RQ3 환자의 회복 과정에서 심박수-가속도 관계의 개념 이탈에 효과적으로 대응할 수 있는 온라인 주도 학습 접근법이 가능한가?
• RQ4 불확실성 기반 쿼리 방식을 사용할 경우 예측 정확도와 PPG 센서 사용률 사이의 상호 상충 관계는 어떠한가?
• RQ5 임상적으로 허용 가능한 심박수 예측 정확도를 유지하면서 PPG 사용량을 최소화함으로써 얼마나 많은 에너지 절감을 달성할 수 있는가?

주요 결과

• 제안된 온라인 주도 학습 방법은 환자 549번에서 평균 절대 오차(MAE) 2.89bpm을 달성했으며, 총 샘플의 20.25%만이 PPG 측정을 필요로 했다.
• 세 환자 전반에 걸쳐 높은 성능 유지가 확인되었으며, MAE 값은 2.5에서 5.0bpm 사이로, 오프라인 기준 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 불확실성 임계값 $ O $ 를 증가시킴으로써 PPG 사용률은 약 50%에서 15~20%로 감소했으며, MAE는 거의 증가하지 않았다.
• 온라인 접근법은 예측값 대비 진짜 심박수 그래프를 통해 시각적으로 확인한 결과, 오프라인 기준 모델보다 심박수 추세(정점과 골절점 포함)를 더 정확하게 추적했다.
• 환자의 생리적 변화가 발생하는 회복 과정 동안에도 개념 이탈에 강건하게 대응하여, 수개월에 걸쳐도 정확도를 유지함을 입증했다.
• PPG 센서 사용률을 최대 80% 감소시킴으로써 상당한 에너지 절감 효과를 달성했으며, 임상적으로 의미 있는 예측 정확도를 유지했다.