[论文解读] Ambulatory Atrial Fibrillation Monitoring Using Wearable Photoplethysmography with Deep Learning

Maxime Voisin, Yichen Shen+4 more|arXiv (Cornell University)|Nov 12, 2018

Non-Invasive Vital Sign Monitoring被引用 6

一句话总结

本研究提出了一种50层1D卷积神经网络，能够从腕戴设备采集的连续、动态的光电容积脉搏波（PPG）信号中实现95%的AUC，用于检测心房颤动（AF）。该模型基于81名患者的超过4,000小时PPG数据进行训练，在存在运动伪影的情况下仍表现出稳健性能，实现了自由生活状态下准确、实时的AF负荷估算。

ABSTRACT

We develop an algorithm that accurately detects Atrial Fibrillation (AF) episodes from photoplethysmograms (PPG) recorded in ambulatory free-living conditions. We collect and annotate a dataset containing more than 4000 hours of PPG recorded from a wrist-worn device. Using a 50-layer convolutional neural network, we achieve a test AUC of 95% and show robustness to motion artifacts inherent to PPG signals. Continuous and accurate detection of AF from PPG has the potential to transform consumer wearable devices into clinically useful medical monitoring tools.

研究动机与目标

• 开发一种深度学习模型，能够在真实世界、自由生活条件下准确检测来自光电容积脉搏波（PPG）信号的心房颤动（AF）。
• 解决PPG信号中常见的运动伪影对动态监测性能的负面影响这一挑战。
• 在不丢弃任何PPG片段的前提下，利用消费级可穿戴设备实现连续、长期的AF负荷估算。
• 为阵发性和无症状AF的主动筛查提供一种临床可行且可扩展的解决方案，这些类型AF常被传统基于心电图的方法所遗漏。
• 证明深度学习能够从PPG信号中提取有意义且具有生理相关性的特征，用于心律失常检测。

提出的方法

• 在30秒采样频率为20 Hz的PPG片段上训练一个50层1D卷积神经网络（CNN），输入数据通过FIR低通滤波（截止频率5 Hz）、均值中心化和单位方差缩放进行预处理。
• 网络架构采用16个ResNeXt瓶颈块，结合分组卷积，以增强表征能力，同时保持参数效率。
• 模型采用全局平均池化、全连接层和Sigmoid输出层，生成AF存在与否的二分类概率分数。
• 损失函数采用二元交叉熵，通过端到端优化最小化在标记PPG数据集上的预测误差。
• 应用显著性图可视化，以确定PPG信号中哪些时间步对模型预测影响最大，重点关注收缩期/舒张期峰值和信号斜率等形态学特征。
• 使用t-SNE可视化分析高层特征表示，揭示AF与非AF心律在特征空间中的可分性，以及运动强度对特征空间聚类的影响。

实验结果

研究问题

• RQ1 深度学习模型能否在自由生活、动态条件下准确检测PPG信号中的AF发作？
• RQ2 在可穿戴PPG监测中普遍存在的运动伪影背景下，该模型表现如何？
• RQ3 该模型能否在噪声或运动污染的PPG片段未被丢弃的情况下检测AF？
• RQ4 该模型从原始PPG信号中学习了哪些区分性特征？这些特征是否具有生理可解释性？
• RQ5 运动强度如何影响模型在学习到的特征空间中区分AF与正常窦性心律的能力？

主要发现

• 该模型在从动态PPG信号检测AF的测试中实现了95%的AUC，表明在真实世界条件下具有高诊断准确性。
• 该模型在不丢弃任何PPG片段的情况下仍保持稳健性能，即使在显著运动伪影下也优于以往需要数据修剪的方法。
• 显著性图显示，该模型聚焦于关键PPG形态学特征，如收缩期和舒张期峰值及其前导斜率，这些特征是心脏节律异常的已知指标。
• t-SNE可视化显示，学习到的特征空间中AF与非AF PPG记录在很大程度上可分，而高运动强度信号在左下象限形成一个独立且更模糊的聚类。
• 该模型学习到的区分性特征与既往临床研究中与心血管风险和AF预测相关的已知血流动力学标志物（如一阶和二阶信号导数）一致。
• 结果表明，深度学习能够有效从PPG信号中提取临床相关特征，从而实现在可穿戴设备中准确、连续的AF负荷监测。