[论文解读] PPGnet: Deep Network for Device Independent Heart Rate Estimation from Photoplethysmogram

A Shyam, Vignesh Ravichandran+3 more|arXiv (Cornell University)|Mar 21, 2019

Non-Invasive Vital Sign Monitoring参考文献 8被引用 4

一句话总结

该论文提出PPGnet，一种端到端深度学习模型，利用单通道腕部光电容积脉搏波（PPG）信号实现设备无关的心率估计，无需患者特定训练或三轴加速度计数据。该模型在IEEE SPC 2015数据集上实现了3.36 ± 4.1 BPM的平均绝对误差，并展示了在新自建PPG数据集上通过稀疏微调实现迁移学习的可行性，从而实现对不同PPG硬件设计的泛化能力。

ABSTRACT

Photoplethysmogram (PPG) is increasingly used to provide monitoring of the cardiovascular system under ambulatory conditions. Wearable devices like smartwatches use PPG to allow long term unobtrusive monitoring of heart rate in free living conditions. PPG based heart rate measurement is unfortunately highly susceptible to motion artifacts, particularly when measured from the wrist. Traditional machine learning and deep learning approaches rely on tri-axial accelerometer data along with PPG to perform heart rate estimation. The conventional learning based approaches have not addressed the need for device-specific modeling due to differences in hardware design among PPG devices. In this paper, we propose a novel end to end deep learning model to perform heart rate estimation using 8 second length input PPG signal. We evaluate the proposed model on the IEEE SPC 2015 dataset, achieving a mean absolute error of 3.36+-4.1BPM for HR estimation on 12 subjects without requiring patient specific training. We also studied the feasibility of applying transfer learning along with sparse retraining from a comprehensive in house PPG dataset for heart rate estimation across PPG devices with different hardware design.

研究动机与目标

• 开发一种基于腕部PPG信号的深度学习模型，用于心率估计，且无需患者特定的再训练。
• 消除对三轴加速度计数据的依赖，以降低可穿戴设备的功耗。
• 通过迁移学习实现在不同PPG硬件设计之间的泛化。
• 通过包括IEEE SPC 2015和自建ADI数据集在内的多样化数据集，评估模型在运动伪影下的鲁棒性。
• 研究利用预训练模型对新PPG设备进行稀疏微调的可行性。

提出的方法

• 该模型采用混合架构，结合一维卷积神经网络（CNN）层和长短期记忆（LSTM）层，从8秒的单通道PPG信号中提取时序和频谱特征。
• 网络在原始PPG信号上端到端训练，无需预处理，避免依赖加速度计等外部传感器数据。
• 通过使用IEEE SPC 2015数据集上预训练的权重初始化模型，并在新自建PPG数据集（ADI）的稀疏子集（15%）上进行微调，应用迁移学习。
• 在四种条件下评估模型收敛性：在ADI数据集上随机初始化、在ADI数据集上随机初始化并使用全部数据、使用全部ADI数据进行迁移学习，以及使用15%的ADI数据进行迁移学习。
• 性能通过平均绝对误差（MAE）、绝对误差标准差（SDAE）和皮尔逊相关系数（PCC）进行评估。
• 在IEEE SPC 2015数据集和自建ADI数据集上对模型进行评估，以测试其在不同运动条件和心率范围（39–155 BPM）下的鲁棒性。

实验结果

研究问题

• RQ1 深度学习模型能否在无需患者特定再训练的情况下，仅从单通道腕部PPG信号中估计心率？
• RQ2 该模型能否在不从头开始训练的情况下，实现对不同PPG硬件设计的泛化？
• RQ3 在新数据集上通过稀疏微调进行迁移学习，能否实现与完整再训练相当的性能？
• RQ4 在高运动条件下，特别是存在随机运动伪影时，模型表现如何？
• RQ5 在不使用加速度计数据的情况下，模型能否实现低误差和高相关性？

主要发现

• 在IEEE SPC 2015数据集上，该模型实现了3.36 ± 4.1 BPM的平均绝对误差，展示了在无需预处理或加速度计数据情况下的最先进性能。
• 在IEEE SPC 2015测试集上，面对强烈身体运动，该模型实现了12.48 ± 14.45 BPM的平均绝对误差，表明其在运动伪影下具有鲁棒性。
• 在自建ADI数据集上从随机初始化开始训练时，该模型实现了4.10 ± 5.19 BPM的平均绝对误差和0.92的皮尔逊相关系数。
• 通过使用来自IEEE SPC 2015数据集的预训练权重，并在完整ADI数据集上进行微调，该模型实现了4.095 ± 5.25 BPM的MAE，几乎与完整训练性能相当。
• 即使仅使用ADI数据集的15%进行微调，该模型也实现了4.11 ± 5.27 BPM的MAE，表明对新硬件设备而言，极少量微调已足够。
• 该模型在快速运动转换中表现出适应能力，在250–400窗口内加速度计能量较高时仍保持准确性，表明其对运动伪影具有强韧性。