[논문 리뷰] PPG2ABP: Translating Photoplethysmogram (PPG) Signals to Arterial Blood Pressure (ABP) Waveforms using Fully Convolutional Neural Networks

Nabil Ibtehaz, M. Sohel Rahman외 5명|arXiv (Cornell University)|2020. 05. 04.

Non-Invasive Vital Sign Monitoring인용 수 33

한 줄 요약

PPG2ABP는 PPG 신호를 연속 ABP 파형으로 변환하는 두 단계의 cascaded 딥 러닝 파이프라인으로, Deep U-Net 기반 근사 단계와 Refinement 단계로 구성되며 PPG 만으로도 강력한 BP 지표 성능을 달성합니다.

ABSTRACT

Cardiovascular diseases are one of the most severe causes of mortality, taking a heavy toll of lives annually throughout the world. The continuous monitoring of blood pressure seems to be the most viable option, but this demands an invasive process, bringing about several layers of complexities. This motivates us to develop a method to predict the continuous arterial blood pressure (ABP) waveform through a non-invasive approach using photoplethysmogram (PPG) signals. In addition we explore the advantage of deep learning as it would free us from sticking to ideally shaped PPG signals only, by making handcrafted feature computation irrelevant, which is a shortcoming of the existing approaches. Thus, we present, PPG2ABP, a deep learning based method, that manages to predict the continuous ABP waveform from the input PPG signal, with a mean absolute error of 4.604 mmHg, preserving the shape, magnitude and phase in unison. However, the more astounding success of PPG2ABP turns out to be that the computed values of DBP, MAP and SBP from the predicted ABP waveform outperforms the existing works under several metrics, despite that PPG2ABP is not explicitly trained to do so.

연구 동기 및 목표

• 동시대 비침습, 커프 없는 연속 ABP 모니터링을 널리 사용 가능한 PPG 신호로 가능하게 하는 동기화.
• handcrafted features 의존을 제거하고 딥 러닝으로 PPG에서 직접 표현 학습.
• 추정 파형으로부터 연속 ABP 파형 재구성 및 DBP, MAP, SBP 도출.
• 대규모 MIMIC-III 유래 데이터에서 성능 시연 및 표준 BP 평가 지표 충족.

제안 방법

• 웨이블릿 노이즈 제거(db8, 10 레벨) 및 정규화로 PPG 신호 전처리.
• 두 네트워크 파이프라인: 근사 네트워크(1D 깊은 감독 U-Net)로 대략적인 ABP 파형 추정, 그 뒤 Refinement Network(1D MultiResUNet)로 정교화.
• 추정 ABP 파형으로부터 SBP, DBP, MAP를 각각 ABP의 최대/최소/평균으로 계산.
• Approximation Network에 MAE 손실, Refinement Network에 MSE 손실로 학습, 100 에폭 및 10-fold 교차 검증에서 Adam 옵티마이저 사용.
• MAE와 도메인 메트릭(BHS, AAMI) 및 피어슨 상관 및 Bland-Altman 분석으로 평가.

실험 결과

연구 질문

• RQ1 ECG나 handcrafted features 없이 PPG 신호만으로 ABP 파형을 정확히 재구성할 수 있는가?
• RQ2 2단계 딥 러닝 파이프라인이 단일 스테이지 모델에 비해 ABP 파형 재구성 품질을 향상시키는가?
• RQ3 재구성된 ABP 파형에서 유도된 BP 값(DBP, MAP, SBP)이 MIMIC-III 데이터에서 BHS 및 AAMI 표준을 충족하는가?
• RQ4 네트워크 선택(U-Net vs. MultiResUNet) 및 손실 설계(MAE vs. MSE)가 ABP 재구성 정확도에 미치는 영향은?

주요 결과

• ABP 파형 MAE: 4.604 ± 5.043 mmHg 테스트 세트에서.
• DBP MAE: 3.449 ± 6.147 mmHg; MAP MAE: 2.310 ± 4.437 mmHg; SBP MAE: 5.727 ± 9.162 mmHg.
• DBP 및 MAP은 British Hypertension Society 등급 A 달성; SBP는 등급 B 도달.
• AAMI 기준 DBP 및 MAP 충족( SBP 표준편차가 더 높지만 평균 오차는 거의 0에 가까움).
• Pearson 상관계수: DBP 0.894, MAP 0.966, SBP 0.936, p < 0.000001.
• Bland-Altman에 따르면 95% 일치 한계는 DBP 대략 −12에서 15 mmHg, MAP −9에서 10 mmHg, SBP −23에서 19 mmHg 내에 있음.