[论文解读] PPG2ABP: Translating Photoplethysmogram (PPG) Signals to Arterial Blood Pressure (ABP) Waveforms using Fully Convolutional Neural Networks

Nabil Ibtehaz, M. Sohel Rahman+5 more|arXiv (Cornell University)|May 4, 2020

Non-Invasive Vital Sign Monitoring被引用 33

一句话总结

PPG2ABP 是一个两阶段级联深度学习管道，使用基于 Deep U-Net 的近似阶段，将 PPG 信号转化为连续的 ABP 波形，随后再进行细化阶段，仅凭 PPG 即可实现强的血压指标性能。

ABSTRACT

Cardiovascular diseases are one of the most severe causes of mortality, taking a heavy toll of lives annually throughout the world. The continuous monitoring of blood pressure seems to be the most viable option, but this demands an invasive process, bringing about several layers of complexities. This motivates us to develop a method to predict the continuous arterial blood pressure (ABP) waveform through a non-invasive approach using photoplethysmogram (PPG) signals. In addition we explore the advantage of deep learning as it would free us from sticking to ideally shaped PPG signals only, by making handcrafted feature computation irrelevant, which is a shortcoming of the existing approaches. Thus, we present, PPG2ABP, a deep learning based method, that manages to predict the continuous ABP waveform from the input PPG signal, with a mean absolute error of 4.604 mmHg, preserving the shape, magnitude and phase in unison. However, the more astounding success of PPG2ABP turns out to be that the computed values of DBP, MAP and SBP from the predicted ABP waveform outperforms the existing works under several metrics, despite that PPG2ABP is not explicitly trained to do so.

研究动机与目标

• 动机：利用广泛可得的 PPG 信号实现无创、无袖带、连续的 ABP 监测。
• 通过利用深度学习直接从 PPG 学习表示，消除对手工特征的依赖。
• 提供连续的 ABP 波形重建，并从估计的波形中推导出 DBP、MAP 和 SBP。
• 在大规模的基于 MIMIC-III 的数据上展示性能，并达到标准的血压评估指标。

提出的方法

• 对 PPG 信号进行小波去噪（db8，10 级）和归一化处理。
• 使用级联的两网络管道：近似网络（1D 深度监督的 U-Net）用于估计粗略的 ABP 波形，其次是细化网络（1D MultiResUNet）对其进行细化。
• 从估计的 ABP 波形中计算 SBP、DBP 和 MAP，分别使用 ABP 的最大值、最小值和平均值。
• 对近似网络使用 MAE 损失，对细化网络使用 MSE 损失，使用 Adam 优化器训练 100 个 epoch，并进行 10 折交叉验证。
• 使用 MAE 以及领域指标（BHS、AAMI），再加上 Pearson 相关性和 Bland-Altman 分析进行评估。

实验结果

研究问题

• RQ1 不需要 ECG 或手工特征，仅凭 PPG 信号是否也能准确重建 ABP 波形？
• RQ2 与单阶段模型相比，两阶段深度学习管道是否能提高 ABP 波形的重建质量？
• RQ3 从重建的 ABP 波形推导出的 BP 值（DBP、MAP、SBP）在 MIMIC-III 数据上与 BHS 和 AAMI 标准的符合程度如何？
• RQ4 网络选择（U-Net 与 MultiResUNet）以及损失设计（MAE vs. MSE）对 ABP 重建精度有何影响？

主要发现

• ABP 波形 MAE：4.604 ± 5.043 mmHg 在测试集上。
• DBP MAE：3.449 ± 6.147 mmHg；MAP MAE：2.310 ± 4.437 mmHg；SBP MAE：5.727 ± 9.162 mmHg。
• DBP 和 MAP 达到英国高血压协会标准等级 A；SBP 达到等级 B。
• DBP 和 MAP 符合 AAMI 标准（SBP 的标准差较高但平均误差接近零）。
• Pearson 相关系数：DBP 0.894，MAP 0.966，SBP 0.936，p < 0.000001。
• Bland-Altman 指出 95% 一致性限大致在 DBP 的−12 到 15 mmHg、MAP 的−9 到 10 mmHg、SBP 的−23 到 19 mmHg。