[论文解读] Online Heart Rate Prediction using Acceleration from a Wrist Worn Wearable

Ryan McConville, Gareth Archer+5 more|Bristol Research (University of Bristol)|Jun 25, 2018

Non-Invasive Vital Sign Monitoring参考文献 6被引用 4

一句话总结

本文提出了一种在线主动学习方法，通过腕戴式加速度计数据预测心率，减少对功耗较高的PPG传感器的依赖。通过在预测不确定性较高时动态查询PPG，该方法在三名接受心脏瓣膜手术后康复的患者四週自由生活数据中，仅使用PPG传感器20.25%的时间，实现了2.89 bpm的平均绝对误差（MAE）。

ABSTRACT

In this paper we study the prediction of heart rate from acceleration using a wrist worn wearable. Although existing photoplethysmography (PPG) heart rate sensors provide reliable measurements, they use considerably more energy than accelerometers and have a major impact on battery life of wearable devices. By using energy-efficient accelerometers to predict heart rate, significant energy savings can be made. Further, we are interested in understanding patient recovery after a heart rate intervention, where we expect a variation in heart rate over time. Therefore, we propose an online approach to tackle the concept as time passes. We evaluate the methods on approximately 4 weeks of free living data from three patients over a number of months. We show that our approach can achieve good predictive performance (e.g., 2.89 Mean Absolute Error) while using the PPG heart rate sensor infrequently (e.g., 20.25% of the samples).

研究动机与目标

• 研究腕戴可穿戴设备的加速度计数据是否能在真实世界条件下长期可靠地预测心率。
• 解决因体能变化、衰老或心脏手术后恢复阶段导致的心率-加速度关系中的概念漂移问题。
• 通过智能、按需查询的方式，减少对高功耗PPG传感器的依赖，从而降低能耗。
• 开发并评估一种在线主动学习框架，以适应随时间变化的生理模式。
• 证明仅使用加速度计数据并辅以周期性PPG验证，即可实现长期、低功耗的心率监测。

提出的方法

• 使用从三轴加速度计数据中提取的一分钟窗口特征（包括统计、频谱和零交叉度量）训练回归模型集成。
• 系统采用基于不确定性的主动学习：仅当预测方差超过阈值$ O $时才查询PPG，表示预测不确定性较高。
• 当预测误差超过阈值$ T $，或模型超过其生命周期（TTL）时，对模型进行重新训练，以确保对概念漂移的适应能力。
• 算法在边缘网关上在线运行，实时处理流式数据，并以极低延迟更新模型。
• 通过优先在高不确定性区间查询PPG，该方法在保证预测精度的同时，降低了整体PPG采样频率。
• 系统在三名患者共四周的自由生活数据上进行评估，特征与一分钟一次的PPG心率测量对齐。

实验结果

研究问题

• RQ1 仅依靠加速度计数据是否能在真实世界长期条件下实现可接受精度的心率预测？
• RQ2 当使用在初始数据上训练的静态离线模型时，性能随时间如何退化？
• RQ3 在线主动学习方法是否能有效适应患者康复过程中心率-加速度关系中的概念漂移？
• RQ4 基于不确定性的查询方式在预测精度与PPG传感器使用之间存在何种权衡？
• RQ5 在保持临床可接受的心率预测精度前提下，通过最小化PPG使用量能实现多大程度的能量节省？

主要发现

• 所提出的在线主动学习方法在患者549上实现了2.89次/分钟的平均绝对误差（MAE），且仅20.25%的样本需要PPG测量。
• 在所有三名患者中性能均表现良好，MAE值在2.5至5.0 bpm之间，显著优于离线基线模型。
• 提高不确定性阈值$ O $可使PPG使用率从约50%降至15%–20%，且仅导致MAE小幅上升。
• 在线方法在跟踪心率趋势（包括峰值和低谷）方面，比离线基线模型更准确，该结果在预测值与真实心率对比图中得到视觉验证。
• 该方法对概念漂移表现出强鲁棒性，在患者生理状态变化的数月恢复期内仍保持高精度。
• 通过将PPG传感器使用率降低高达80%，系统实现了显著的能效节省，同时维持了临床相关的预测精度。