[논문 리뷰] PPGnet: Deep Network for Device Independent Heart Rate Estimation from Photoplethysmogram

A Shyam, Vignesh Ravichandran외 3명|arXiv (Cornell University)|2019. 03. 21.

Non-Invasive Vital Sign Monitoring참고 문헌 8인용 수 4

한 줄 요약

이 논문은 환자별 맞춤 재학습이나 삼축 가속도계 데이터를 요구하지 않고 단일 채널 손목 PPG 신호를 사용하여 기기 독립적 심박수 추정을 위한 엔드 투 엔드 딥 러닝 모델인 PPGnet을 제안한다. 모델은 IEEE SPC 2015 데이터셋에서 평균 절대 오차(MAE)가 3.36 ± 4.1 BPM을 기록하며, 새로운 내부 PPG 데이터셋에 대해 희소 재학습을 통한 전이 학습의 가능성을 입증하여 다양한 PPG 하드웨어 설계 간의 일반화를 가능하게 한다.

ABSTRACT

Photoplethysmogram (PPG) is increasingly used to provide monitoring of the cardiovascular system under ambulatory conditions. Wearable devices like smartwatches use PPG to allow long term unobtrusive monitoring of heart rate in free living conditions. PPG based heart rate measurement is unfortunately highly susceptible to motion artifacts, particularly when measured from the wrist. Traditional machine learning and deep learning approaches rely on tri-axial accelerometer data along with PPG to perform heart rate estimation. The conventional learning based approaches have not addressed the need for device-specific modeling due to differences in hardware design among PPG devices. In this paper, we propose a novel end to end deep learning model to perform heart rate estimation using 8 second length input PPG signal. We evaluate the proposed model on the IEEE SPC 2015 dataset, achieving a mean absolute error of 3.36+-4.1BPM for HR estimation on 12 subjects without requiring patient specific training. We also studied the feasibility of applying transfer learning along with sparse retraining from a comprehensive in house PPG dataset for heart rate estimation across PPG devices with different hardware design.

연구 동기 및 목표

• 환자별 맞춤 재학습이 필요 없는 손목 PPG 신호로부터 심박수 추정을 위한 딥 러닝 모델을 개발하는 것.
• 웨어러블 기기의 배터리 소모를 줄이기 위해 삼축 가속도계 데이터 의존도를 제거하는 것.
• 전이 학습을 통해 다양한 하드웨어 설계를 가진 PPG 기기 간의 일반화를 가능하게 하는 것.
• IEEE SPC 2015 및 내부 ADI 데이터셋을 포함한 다양한 데이터셋을 사용하여 운동 아티팩트 하에서 모델의 강인성을 평가하는 것.
• 기존의 사전 훈련된 모델을 사용하여 새로운 PPG 기기용 희소 재학습의 가능성을 탐색하는 것.

제안 방법

• 모델은 8초 분량의 단일 채널 PPG 신호에서 시간적 및 주파수 특징을 추출하기 위해 1D 컨volutional 신경망(CNN) 레이어와 장기 단기 기억(LSTM) 레이어를 조합한 하이브리드 아키텍처를 사용한다.
• 모델은 사전 처리 없이 원시 PPG 신호에 대해 엔드 투 엔드로 훈련되어 가속도계와 같은 외부 센서 데이터에 의존하지 않는다.
• 전이 학습은 IEEE SPC 2015 데이터셋에서 사전 훈련된 가중치로 모델을 초기화하고, 새로운 내부 PPG 데이터셋(ADI)의 희소 서브셋(15%)에서 미세 조정함으로써 적용된다.
• 모델 수렴은 네 가지 조건에서 평가된다: ADI에서 무작위 초기화, ADI에서 무작위 초기화 및 전체 데이터, ADI에서 전체 데이터를 사용한 전이 학습, ADI에서 15% 데이터를 사용한 전이 학습.
• 성능 평가는 평균 절대 오차(MAE), 절대 오차의 표준편차(SDAE), 피어슨 상관계수(PCC)를 사용하여 평가된다.
• 모델은 IEEE SPC 2015 데이터셋과 내부 ADI 데이터셋 모두에서 평가되어 운동 조건과 심박수 범위(39–155 BPM)가 다양한 상황에서의 강인성을 테스트한다.

실험 결과

연구 질문

• RQ1 환자별 맞춤 재학습이 필요 없이 단일 채널 손목 PPG 신호로부터 딥 러닝 모델이 심박수를 추정할 수 있는가?
• RQ2 모델은 다시 학습하지 않고도 다양한 PPG 하드웨어 설계 간에 일반화할 수 있는가?
• RQ3 새로운 데이터셋에 대해 희소 재학습을 통한 전이 학습이 전체 재학습과 유사한 성능을 달성할 수 있는가?
• RQ4 고운동 조건, 특히 무작위 운동 아티팩트 하에서 모델의 성능은 어떠한가?
• RQ5 가속도계 데이터를 사용하지 않고도 낮은 오차와 높은 상관계수를 달성할 수 있는가?

주요 결과

• 모델은 IEEE SPC 2015 데이터셋에서 사전 처리나 가속도계 데이터 없이도 상태의 최고 성능을 기록하며 평균 절대 오차(MAE)가 3.36 ± 4.1 BPM을 기록했다.
• IEEE SPC 2015 테스트 세트에서 강한 신체 운동 상황에서도 모델은 평균 절대 오차가 12.48 ± 14.45 BPM을 기록하여 운동 아티팩트 하에서도 강인함을 입증했다.
• 내부 ADI 데이터셋에서 무작위 초기화로 훈련한 경우, 모델은 평균 절대 오차가 4.10 ± 5.19 BPM이고 피어슨 상관계수(PCC)가 0.92를 기록했다.
• IEEE SPC 2015에서 사전 훈련된 가중치를 사용하고 전체 ADI 데이터셋에서 미세 조정한 경우, 모델은 MAE가 4.095 ± 5.25 BPM을 기록하여 전체 훈련 성능과 거의 동일한 성능을 달성했다.
• 단지 ADI 데이터셋의 15%만을 사용하여 재학습한 경우에도 모델은 MAE가 4.11 ± 5.27 BPM을 기록하여 새로운 하드웨어 기기용 최소한의 재학습으로도 충분함을 보여주었다.
• 모델은 급격한 운동 전환 상황에서도 적응성을 보이며, 250–400 밴드에서 높은 가속도 에너지를 기록한 상황에서도 정확도를 유지하여 운동 아티팩트에 대한 저항력을 입증했다.