[논문 리뷰] Recognising Cardiac Abnormalities in Wearable Device Photoplethysmography (PPG) with Deep Learning

Stewart Whiting, Samuel Moreland외 3명|arXiv (Cornell University)|2018. 07. 11.

Non-Invasive Vital Sign Monitoring참고 문헌 8인용 수 6

한 줄 요약

이 논문은 심장 이상을 탐지하기 위해 LSTM 네트워크를 사용하는 딥러닝 접근법을 제안한다. 이 방법은 ECG 자료 없이도 웨어러블 광plethysmography(PPG) 신호에서 직접 심실 조기 beats(PVCs)를 탐지하며, ECG로 확인된 PVCs에 대해 60%의 민감도와 77%의 특이도를 달성한다. 이는 실생활 환경에서 PPG 전용 심장 모니터링의 가능성을 입증한다.

ABSTRACT

Cardiac abnormalities affecting heart rate and rhythm are commonly observed in both healthy and acutely unwell people. Although many of these are benign, they can sometimes indicate a serious health risk. ECG monitors are typically used to detect these events in electrical heart activity, however they are impractical for continuous long-term use. In contrast, current-generation wearables with optical photoplethysmography (PPG) have gained popularity with their low-cost, lack of wires and tiny size. Many cardiac abnormalities such as ectopic beats and AF can manifest as both obvious and subtle anomalies in a PPG waveform as they disrupt blood flow. We propose an automatic method for recognising these anomalies in PPG signal alone, without the need for ECG. We train an LSTM deep neural network on 400,000 clean PPG samples to learn typical PPG morphology and rhythm, and flag PPG signal diverging from this as cardiac abnormalities. We compare the cardiac abnormalities our approach recognises with the ectopic beats recorded by a bedside ECG monitor for 29 patients over 47.6 hours of gold standard observations. Our proposed cardiac abnormality recognition approach recognises 60%+ of ECG-detected PVCs in PPG signal, with a false positive rate of 23% - demonstrating the compelling power and value of this novel approach. Finally we examine how cardiac abnormalities manifest in PPG signal for in- and out-of-hospital patient populations using a wearable device during standard care.

연구 동기 및 목표

• ECG에 의존하지 않고 PPG 신호에서 심장 이상을 자동으로 탐지하는 방법을 개발하는 것.
• 딥러닝 모델이 임상적 ECG 황금 표준 기반 웨어러블 PPG 데이터에서 PVCs를 인식하는 성능을 평가하는 것.
• 병원 내 및 외래 진료 환경에서 다양한 환자 집단에서 PPG 신호에 나타나는 심장 이상의 특성 분석.
• PPG 전용 모니터링이 장기적인 심장 위험 탐지 및 조기 경고 시스템 향상 잠재력을 어떻게 활용할 수 있는지 탐색하는 것.

제안 방법

• 정상 PPG 형태와 리듬을 학습하기 위해 400,000개의 깨끗한 PPG 샘플을 기반으로 LSTM 딥 네트워크를 훈련한다.
• 학습된 정상 패tern에서 크게 이탈하는 PPG 신호를 잠재적인 심장 이상으로 표시한다.
• 29명의 환자를 대상으로 웨어러블 PPG와 병동 ECG를 동시에 47.6시간 동안 모니터링하여 비교 평가를 수행하며, PVCs를 황금 표준으로 사용한다.
• 신호 품질 확보 및 ECG 관찰 결과와의 일치를 위해 고운동 상태 PPG 신호 필터링을 포함한다.
• PPG로 탐지된 이상과 ECG로 확인된 PVCs를 비교하기 위해 세트 기반 혼동 행렬을 사용하여 성능을 평가한다.
• 추가 분석을 통해 다양한 임상 집단(HDU, AMU, ED, SURGERY, HOME)에서의 PPG 기반 이상 빈도를 통합 분석한다.

실험 결과

연구 질문

• RQ1 정상 PPG 신호로 훈련된 딥러닝 모델이 ECG 기준 없이 PVCs와 같은 심장 이상을 탐지할 수 있는가?
• RQ2 실생활 애벌런트 모니터링에서 PPG 전용 탐지 성능이 ECG 황금 표준과 비교해 어떻게 되는가?
• RQ3 다양한 환자 집단에서 PPG 신호의 심장 이상 빈도와 패턴은 어떻게 달라지는가?
• RQ4 신호 품질과 운동 아티팩트가 PPG 기반 심장 이상 탐지 정확도에 어떤 영향을 미치는가?

주요 결과

• 황금 표준에서 분당 최소 1개 이상의 PVCs가 존재할 경우, 제안된 방법은 ECG로 확인된 PVCs의 60%를 탐지한다.
• 위양성율은 23%로, PPG로 이상으로 표시된 신호 중 약 23%는 ECG 기준으로 PVCs를 포함하지 않음을 의미한다.
• 황금 표준에서 분당 2개 이상의 PVCs가 존재할 경우, 탐지 민감도는 68%로 상승하여 PVC 부담이 높을수록 성능 향상이 뚜렷하다.
• HDU 및 AMU와 같은 병원 내 환자 집단은 각각 5.1%와 5.8%의 높은 PPG 기반 이상 빈도를 보이며, 환자 중증도가 높음을 반영한다.
• 외과적 치료를 받은 환자(SURGERY)는 가장 낮은 이상 빈도(1.54%)를 보이며, 건강 상태가 양호하거나 임상 모니터링이 철저하기 때문일 수 있다.
• ED 환자 집단은 이상 빈도에 높은 변동성이 존재하며(평균 3.17%, 표준편차 7.9%), 환자 중증도의 이질성이 뚜렷하다.