[논문 리뷰] Developing Personalized Models of Blood Pressure Estimation from Wearable Sensors Data Using Minimally-trained Domain Adversarial Neural Networks

Lida Zhang, Nathan C. Hurley외 5명|PubMed|2020. 07. 24.

Non-Invasive Vital Sign Monitoring참고 문헌 30인용 수 15

한 줄 요약

이 논문은 웨어러블 생체저항 신호에서 최소한의 훈련 데이터를 사용하여 개인화된, 치우치지 않은 혈압 측정을 가능하게 하는 도메인 적대 신경망(DANN) 기반 다중 작업 학습 모델을 제안한다. 적대적 훈련을 통해 개인별로 변하지 않는 특징을 학습함으로써, 이 모델는 단 4분의 개인별 데이터로 ISO 기준 정확도를 달성하며, 기준 모델 대비 수축기 혈압에서 최대 0.67 mmHg, 이완기 혈압에서 최대 0.26 mmHg까지 RMSE를 감소시킨다.

ABSTRACT

Blood pressure monitoring is an essential component of hypertension management and in the prediction of associated comorbidities. Blood pressure is a dynamic vital sign with frequent changes throughout a given day. Capturing blood pressure remotely and frequently (also known as ambulatory blood pressure monitoring) has traditionally been achieved by measuring blood pressure at discrete intervals using an inflatable cuff. However, there is growing interest in developing a cuffless ambulatory blood pressure monitoring system to measure blood pressure continuously. One such approach is by utilizing bioimpedance sensors to build regression models. A practical problem with this approach is that the amount of data required to confidently train such a regression model can be prohibitive. In this paper, we propose the application of the domain-adversarial training neural network (DANN) method on our multitask learning (MTL) blood pressure estimation model, allowing for knowledge transfer between subjects. Our proposed model obtains average root mean square error (RMSE) of 4.80 ± 0.74 mmHg for diastolic blood pressure and 7.34 ± 1.88 mmHg for systolic blood pressure when using three minutes of training data, 4.64 ± 0.60 mmHg and 7.10 ± 1.79 respectively when using four minutes of training data, and 4.48±0.57 mmHg and 6.79±1.70 respectively when using five minutes of training data. DANN improves training with minimal data in comparison to both directly training and to training with a pretrained model from another subject, decreasing RMSE by 0.19 to 0.26 mmHg (diastolic) and by 0.46 to 0.67 mmHg (systolic) in comparison to the best baseline models. We observe that four minutes of training data is the minimum requirement for our framework to exceed ISO standards within this cohort of patients.

연구 동기 및 목표

• 웨어러블 센서에서 개인화된 혈압 측정 모델을 훈련하기 위한 높은 데이터 요구량 문제를 해결하기 위해.
• 최소한의 훈련 데이터를 사용하면서도 정확도를 유지하면서 치우치지 않은 혈압 측정의 校정 시간을 단축하기 위해.
• 도메인 적대적 훈련을 통한 지식 전이를 통해 다양한 개인 간의 일반화 능력을 향상시키기 위해.
• 4분의 훈련 데이터가 혈압 측정 정확도의 ISO 기준을 충족시키기에 충분한지 평가하기 위해.
• 제한된 개인별 데이터로 새로운 개인에 대해 모델을 효율적으로 적응시킬 수 있는 프레임워크를 개발하기 위해.

제안 방법

• 심박수 간 생체저항 신호를 기반으로 다중 작업 학습(MTL) 회귀 모델을 훈련하여 수축기 및 이완기 혈압을 추정한다.
• 도메인 적대적 훈련(DANN)을 적용하여 소스(기존 개인) 대상(신규 개인) 도메인을 구분하는 도메인 식별자를 훈련시킴으로써 개인별로 변하지 않는 특징을 학습한다.
• 특징 추출기가 도메인 분류 정확도를 최소화하도록 최적화되어, 분리된, 개인에 관계없는 표현을 학습하도록 유도된다.
• 모델는 3분, 4분 또는 5분의 개인별 데이터로 미세조정되어, 최소한의 데이터로도 빠른 개인화가 가능하다.
• 다른 개인의 데이터를 훈련 중에 활용함으로써 지식 전이가 이루어지며, 낮은 데이터 환경에서의 성능 향상이 이루어진다.
• 세 번째 개인을 포함한 균형 잡힌 도메인 분할을 통해 도메인 예측에서 클래스 불균형으로 인한 모델 붕괴를 방지한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 5분 미만의 개인별 훈련 데이터로도 ISO 기준 혈압 측정 정확도를 달성할 수 있는가?
• RQ2 도메인 적대적 훈련은 개인화된 혈압 측정에서 개인 간 지식 전이에 어떻게 기여하는가?
• RQ3 생체저항 신호를 사용한 치우치지 않은 혈압 측정에서 ISO 기준을 충족시키기 위해 필요한 최소 훈련 시간은 얼마인가?
• RQ4 DANN는 표준 MTL 또는 사전 훈련된 모델에서 미세조정한 모델 대비 개인별 특징에 대한 과적합을 줄이는가?
• RQ5 훈련 중에 볼 수 없었던 혈압 범위의 내삽된 값에 대해 모델의 성능은 어떻게 되는가?

주요 결과

• 5분의 훈련 데이터로 DANN 기반 모델은 평균 이완기 혈압 RMSE가 4.48 ± 0.57 mmHg, 수축기 RMSE가 6.79 ± 1.70 mmHg를 달성한다.
• 4분의 훈련 데이터로도 모델은 이완기 혈압 RMSE 4.64 ± 0.60 mmHg, 수축기 혈압 RMSE 7.10 ± 1.79 mmHg를 기록하며 ISO 기준을 충족한다.
• 최적의 기준 모델(다른 개인에서 사전 훈련된 모델) 대비 수축기 혈압에서 0.46~0.67 mmHg, 이완기 혈압에서 0.19~0.26 mmHg까지 RMSE를 감소시킨다.
• 이 코hort에서 4분의 훈련 데이터가 ISO 기준을 초과하기 위한 최소 기간이며, 3분의 데이터로는 성능이 기준 이하로 떨어진다.
• 모델는 누락된 혈압 범위에 대해서도 잘 일반화되며, 포함된 범위와 포함되지 않은 범위에서 유사한 RMSE를 기록함으로써 강력한 회귀 능력을 보여준다.
• DANN는 개인별 특징에 대한 기억화를 줄여, 고립된 MTL 또는 미세조정된 모델 대비 일반화 능력을 향상시킨다.