[论文解读] PPG Signals for Hypertension Diagnosis: A Novel Method using Deep Learning Models

Graham Frederick, T. Yaswant+1 more|arXiv (Cornell University)|Apr 14, 2023

Non-Invasive Vital Sign Monitoring被引用 5

一句话总结

本文提出了一种新颖的深度学习模型 AvgPool_VGG-16，用于使用光电容积脉搏波（PPG）信号对高血压分期进行多分类。通过在 VGG-16 架构中用平均池化层替代最大池化层，该模型在公开的 PPG 数据集上实现了 80% 的准确率和 0.77 的 F1 分数，优于 ResNet-50、VGG-16、AlexNet 以及先前的模型（如 Xception+BiLSTM）。

ABSTRACT

Hypertension is a medical condition characterized by high blood pressure, and classifying it into its various stages is crucial to managing the disease. In this project, a novel method is proposed for classifying stages of hypertension using Photoplethysmography (PPG) signals and deep learning models, namely AvgPool_VGG-16. The PPG signal is a non-invasive method of measuring blood pressure through the use of light sensors that measure the changes in blood volume in the microvasculature of tissues. PPG images from the publicly available blood pressure classification dataset were used to train the model. Multiclass classification for various PPG stages were done. The results show the proposed method achieves high accuracy in classifying hypertension stages, demonstrating the potential of PPG signals and deep learning models in hypertension diagnosis and management.

研究动机与目标

• 开发一种稳健的深度学习模型，用于使用非侵入性 PPG 信号对高血压的多个阶段进行分类。
• 解决 PPG 波形中信噪比低和个体间差异性大对临床诊断带来的挑战。
• 评估池化层类型（特别是平均池化与最大池化）在 PPG 信号分析中对分类性能的影响。
• 在多分类 PPG 基于高血压分期任务中，超越现有的深度学习模型（如 AlexNet、ResNet 和 VGG-16）。
• 提供一种可扩展、非侵入且准确的方法，利用消费级 PPG 传感器实现高血压的早期检测。

提出的方法

• 所提出的模型 AvgPool_VGG-16 是 VGG-16 架构的改进版本，其在最后的卷积模块中用平均池化层替换了最大池化层。
• 从公开的血压分类数据集中获取 PPG 信号，经过预处理后转换为 2.1 秒的波形图像，作为深度学习模型的输入。
• 模型采用迁移学习方法，使用 ImageNet 预训练权重进行初始化，并在 PPG 图像数据集上进行微调，以实现对四种高血压阶段（ht1、ht2、nt、pt）的多分类任务。
• 通过五折交叉验证评估模型性能，指标包括准确率、精确率、召回率、F1 分数和混淆矩阵。
• 与基线模型（AlexNet、ResNet-50、VGG-16）以及先前工作中提出的 Xception+BiLSTM 模型进行对比分析。
• 假设使用平均池化可更好地保留信号能量并减少在 PPG 图像分类中的过拟合，尤其适用于细微血流动力学变化的捕捉。

实验结果

研究问题

• RQ1 在 VGG-16 架构中用平均池化替代最大池化是否能提升基于 PPG 的高血压分期分类准确率？
• RQ2 AvgPool_VGG-16 在 PPG 信号图像上的性能与 AlexNet、ResNet-50 和 VGG-16 等成熟深度学习模型相比如何？
• RQ3 数据集类别不平衡（尤其是第二期高血压，ht2）在多大程度上影响模型的泛化能力和性能？
• RQ4 在真实人类受试者获取的预处理 PPG 信号上训练的深度学习模型，能否实现对多分类高血压分类的临床相关准确率？
• RQ5 池化层类型对 PPG 信号图像分类任务中的特征表示和模型鲁棒性有何影响？

主要发现

• AvgPool_VGG-16 模型实现了 80% 的最高准确率和 0.77 的 F1 分数，优于 VGG-16（71% 准确率，0.69 F1）、ResNet-50（44% 准确率，0.40 F1）和 AlexNet（39% 准确率，0.22 F1）。
• 与最大池化相比，平均池化显著提升了模型性能，尤其在保留 PPG 波形中细微血流动力学特征方面表现更优。
• 该模型在正常（nt）和临界高血压（pt）阶段表现出色，F1 分数分别达到 89% 和 81%，表明其在分类常见高血压阶段方面具有强鲁棒性。
• 模型在第二期高血压（ht2）阶段表现最弱，F1 分数仅为 10%，主要由于训练样本有限（仅 20 条记录），凸显了数据不平衡是主要限制因素。
• 与先前工作中报道的 Xception+BiLSTM 模型相比，AvgPool_VGG-16 实现了 80% 的准确率，高于其 76% 的准确率，表明尽管架构更简单，但性能更优。
• 混淆矩阵分析表明，模型能正确分类大多数正常和临界高血压病例，但将大量 ht2 病例错误分类为其他类别，强调了未来工作中数据增强的必要性。