[논문 리뷰] PPG Signals for Hypertension Diagnosis: A Novel Method using Deep Learning Models

Graham Frederick, T. Yaswant외 1명|arXiv (Cornell University)|2023. 04. 14.

Non-Invasive Vital Sign Monitoring인용 수 5

한 줄 요약

이 논문은 광량측정법(PPG) 신호를 사용하여 고혈압 단계의 다중 분류를 위한 새로운 딥러닝 모델, AvgPool_VGG-16을 제안한다. VGG-16 아키텍처에서 최대 풀링을 평균 풀링으로 대체함으로써, 공개된 PPG 데이터셋에서 80%의 정확도와 0.77의 F1 스코어를 달성하였으며, ResNet-50, VGG-16, AlexNet 및 이전 모델인 Xception+BiLSTM를 모두 능가하는 성능을 보였다.

ABSTRACT

Hypertension is a medical condition characterized by high blood pressure, and classifying it into its various stages is crucial to managing the disease. In this project, a novel method is proposed for classifying stages of hypertension using Photoplethysmography (PPG) signals and deep learning models, namely AvgPool_VGG-16. The PPG signal is a non-invasive method of measuring blood pressure through the use of light sensors that measure the changes in blood volume in the microvasculature of tissues. PPG images from the publicly available blood pressure classification dataset were used to train the model. Multiclass classification for various PPG stages were done. The results show the proposed method achieves high accuracy in classifying hypertension stages, demonstrating the potential of PPG signals and deep learning models in hypertension diagnosis and management.

연구 동기 및 목표

• 비침습적 PPG 신호를 사용하여 고혈압의 여러 단계를 분류하기 위한 강력한 딥러닝 모델을 개발하는 것.
• 임상 진단에서 PPG 파형의 낮은 신호 대 잡음 비율과 개인 간 변동성을 해결하는 것.
• 특히 평균 풀링과 최대 풀링을 비교하여, PPG 신호 분석에서 풀링 레이어 유형이 분류 성능에 미치는 영향을 평가하는 것.
• AlexNet, ResNet, VGG-16와 같은 기존 딥러닝 모델을 초월하여 PPG 기반 고혈압 단계 분류 성능을 향상시키는 것.
• 소비자용 PPG 센서를 활용하여 조기에 고혈압을 탐지할 수 있는 확장 가능하고 비침습적이며 정확한 방법을 제공하는 것.

제안 방법

• 제안된 모델인 AvgPool_VGG-16는 최종 컨볼루션 블록에서 최대 풀링 레이어를 평균 풀링 레이어로 대체한 VGG-16 아키텍처의 변형이다.
• 공개된 혈압 분류 데이터셋의 PPG 신호는 사전 처리되어 2.1초 분량의 웨이브폼 이미지로 변환되어 딥러닝 모델의 입력으로 사용되었다.
• ImageNet 사전 훈련 가중치를 사용한 전이 학습을 통해 모델을 훈련하였으며, 네 단계의 고혈압 단계(he1, ht2, nt, pt)에 대한 다중 분류를 위해 PPG 이미지 데이터셋에서 미세조정을 수행하였다.
• 모델 성능 평가는 5겹 교차검증을 통해 정확도, 정밀도, 재현도, F1 스코어 및 혼동 행렬을 포함한 지표로 평가되었다.
• 기준 모델인 AlexNet, ResNet-50, VGG-16 및 이전 연구에서 보고된 Xception+BiLSTM와의 비교 분석을 수행하였다.
• 평균 풀링의 사용은 특히 미세한 동역학적 변화를 유지하는 데 유리하며, PPG 이미지 분류에서 과적합을 줄이는 데 도움이 된다는 가설이 제기되었다.

실험 결과

연구 질문

• RQ1 VGG-16 아키텍처에서 최대 풀링을 평균 풀링으로 대체할 경우, PPG 기반 고혈압 단계 분류 정확도가 향상되는가?
• RQ2 AvgPool_VGG-16의 성능은 PPG 신호 이미지에서 AlexNet, ResNet-50, VGG-16와 같은 기존 딥러닝 모델과 비교해 어떻게 되는가?
• RQ3 특히 단계 2 고혈압(ht2)에 대한 데이터셋의 클래스 불균형이 모델 일반화 능력과 성능에 얼마나 큰 영향을 미치는가?
• RQ4 실제로 인간 피험자로부터 수집된 사전 처리된 PPG 신호를 기반으로 훈련된 딥러닝 모델이 다중 분류 고혈압 분류에서 임상적으로 유의미한 정확도를 달성할 수 있는가?
• RQ5 풀링 레이어 유형이 PPG 신호 이미지 분류 작업에서 특징 표현과 모델의 강인성에 미치는 영향은 무엇인가?

주요 결과

• AvgPool_VGG-16 모델은 가장 높은 정확도 80%와 F1 스코어 0.77를 기록하였으며, VGG-16(71% 정확도, 0.69 F1), ResNet-50(44% 정확도, 0.40 F1), AlexNet(39% 정확도, 0.22 F1)를 모두 능가하였다.
• 평균 풀링은 최대 풀링 대비 모델 성능을 크게 향상시켰으며, 특히 PPG 파형에서 미세한 동역학적 특징을 유지하는 데 유리하였다.
• 정상(nt) 및 전고혈압(pt) 단계에서 뛰어난 성능을 보였으며, 각각 F1 스코어 89%와 81%를 기록하여 일반적인 고혈압 단계를 분류하는 데 강인함을 입증하였다.
• 모델은 특히 단계 2 고혈압(ht2)에서 가장 어려움을 겪었으며, 훈련 샘플 수가 제한되어(20건) F1 스코어가 단지 10%에 머물렀다. 이는 데이터 불균형이 핵심 제한 요소임을 시사한다.
• 이전 연구에서 보고된 Xception+BiLSTM 모델과 비교했을 때, AvgPool_VGG-16는 80%의 정확도를 기록하여 76%를 기록한 대비 뛰어난 성능을 보였다. 이는 더 단순한 아키텍처임에도 불구하고 성능이 뛰어나다는 것을 의미한다.
• 혼동 행렬 분석 결과, 대부분의 정상 및 전고혈압 케이스는 정확히 분류되었지만, 많은 ht2 케이스가 다른 클래스로 잘못 분류된 것으로 확인되어, 향후 연구에서 데이터 증강이 필요함을 다시 한번 확인하였다.