深い | 遼寧省妖精園有限公司

Scientific Reports volume 13、記事番号: 9311 (2023) この記事を引用

67 アクセス

1 オルトメトリック

メトリクスの詳細

最近、いくつかの研究で、指光電脈波 (PPG) 信号を使用してカフなし血圧 (BP) を測定する方法が提案されています。この研究では、漸進的な指の圧力下で PPG 信号を測定する新しい血圧推定システムを紹介します。このシステムは、カフレスオシロメトリック法を使用するときに指の位置によって引き起こされる誤差に対して比較的堅牢です。指の位置によって引き起こされる誤差を減らすために、私たちは広い視野 (FOV) でマルチチャンネル PPG と力信号を同時に測定できるセンサーを開発しました。我々は、アテンションメカニズムを使用してマルチチャネルPPGから最適なPPGチャネルに焦点を当てることを学習できる深層学習ベースのアルゴリズムを提案します。提案されたマルチチャンネルシステムの誤差 (ME ± STD) は、SBP と DBP でそれぞれ 0.43 ± 9.35 mmHg と 0.21 ± 7.72 mmHg でした。広範な実験の結果、指の圧力を使用した血圧推定システムでは、PPG 測定の位置に応じて大きなパフォーマンスの違いがあることがわかりました。

最も正確な血圧 (BP) 測定方法には医療用カテーテル 1 が使用され、動脈にカテーテルを挿入することで血圧が直接測定されます。この方法は、集中治療室 (ICU) に入院している患者の血圧変化を長期的に観察するのに適しています。ただし、侵襲性があるため感染のリスクがあります2。非侵襲的な血圧測定方法には、カフベース3およびカフレス方法が含まれます。カフベースの血圧測定方法は、電子血圧計デバイスを使用し、比較的高い精度を達成できるため、ゴールドスタンダードとして広く受け入れられています。さらに、ユーザーは医療スタッフの助けを必要とせずに、自宅で簡単に血圧を測定できます4。しかし、圧力がかかるため使用者に不快感を与えるという欠点がある。さらに、電子血圧計装置は持ち運びが容易ではない。

最近、いくつかの研究が、光電脈波（PPG）や心電図（ECG）などのさまざまな生体信号を使用して血圧を予測する、カフなしの血圧測定方法を提案しています5、6。パルス通過時間 (PTT) またはパルス到着時間 (PAT) は、同時に測定された PPG 信号と ECG 信号を使用して計算できます5。これらは、動脈内の 2 つの異なる点でセンサーによって測定された 2 つの信号のピーク間の時間差を使用して計算されます。いくつかの研究では、血圧予測に PTT または PAT と BP6,7 の相関関係が使用されていますが、PPG 信号と ECG 信号の両方を測定するには、異なる場所に 2 つのセンサーが必要であるため、スマートフォンやスマートウォッチなどのモバイルデバイスには適していません。この欠点を克服する 1 つの方法は、PPG 信号からの脈波解析 (PWA) を使用して血圧を予測することです。 PPG 信号は、心臓血管系と相関する周期的な脈波信号です。したがって、一部の研究者は、脈波内の高さや幅などの操作された特徴を抽出し、それらを使用して BP8 を予測しました。しかし、心臓血管系の特性は、年齢、病気、投与された薬剤などの要因により人によって異なるため、正確に操作された特性を抽出することは困難です9。

最近、ムッカマラら。らは、PPG センサーへの指の圧力を徐々に増加させることによって引き起こされる血管収縮中の PPG エンベロープの変化を利用して血圧を推定する指圧力法 10 を使用して、スマートフォン上で血圧を測定することを提案しました。ただし、センサーはシングルチャンネル PPG を使用しているため、血圧予測の精度は PPG センサー上の指の位置に大きく影響される可能性があります。

この研究では、カフなしの血圧推定への新しいアプローチを提案します。この研究の貢献は 2 つの主要な側面から構成されます。まず、Mukkamala et al.10 が使用したものと同様の指圧力法を使用して、さまざまな波長のマルチチャネル PPG 信号を取得できるセンサーを開発しました。提案された PPG センサーは、被験者の指先でセンサーを 40 秒間徐々に加圧しながら、マルチチャンネル PPG 信号と指圧力信号を同時に測定します。測定されたマルチチャネル PPG および指圧力信号は、漸進的な圧力特性を表し、カフベースの血圧測定方法で使用されるオシロメトリック波 (OMW) 信号およびカフ圧力信号と同様の特性を持っています。さらに、PPG 信号測定の多チャンネル化により、PPG センサー上の指の位置のばらつきが軽減されることが期待されます。次に、マルチチャネルPPGと指圧力信号を使用した深層学習ベースの血圧推定システムを提案しました。提案された深層学習ベースの血圧予測システムは 2 つの部分で構成されます。まず、畳み込みニューラルネットワーク (CNN) ベースのモデルが設計されました。このモデルは、マルチチャネル PPG および指圧力信号から血圧推定のためのチャネル固有の特徴を抽出します。第 2 に、血圧推定精度を向上させるためのマルチチャネルアテンションネットワークが提案されました。これは、シングルチャネルの血圧推定器から得られた潜在特徴を組み合わせて、新しいアテンション重み付け特徴を生成します。その後、結合された特徴が最終的な血圧推定に使用されました。

血圧を測定するオシロメトリック法は、血管の閉塞によって引き起こされる PPG 振幅の変化を使用します。 PPG 信号を高い S/N 比で正確に測定するには、センサーの光路に血管が含まれている必要があります。しかし、指は複雑な血管構造をしているため、指の両側と爪の先端に小さな動脈が通っています。したがって、単チャンネルのPPGセンサーでは血管を含む光路を正確に形成することが困難である。この課題を克服するために、私たちは広い視野 (FOV) を備えたマルチチャンネル PPG センサーを開発しました。

提案された PPG センサーは、図 1a に示すように、3 つの緑色と 3 つの赤外 (IR) 発光ダイオード (LED) (それぞれ波長 535 nm と 850 nm) と 9 つの光検出器 (PD) で構成されています。マルチチャネル PPG の LED と PD は、図 1b に示すタイミングチャートに従って動作します。行位置 (上部、中央、下部 PD) に 3 つの LED、列位置 (右、中央、左) に 3 つの PD PD）。指の血管構造を考慮して、PD の両側に LED が配置されました。さらに、マルチチャネルの FOV は 5 mm \(\times\) 4.5 mm、全体のサイズは 12 mm \(\times\) 7.5 mm で、指でセンサー全体を覆うことができます。このセンサーを使用して、サンプリングレート 43 Hz の IR LED からの 9 チャンネル PPG 信号を測定しました。図 2 に実験用のシステム構成を示します。 PPG センサーは実験用サポート上のボタンとして構成され、市販の力センサーは指によって加えられる力信号を検出するために PPG センサーの下に配置されました。特に、9 チャンネル PPG とフォース信号は同期、測定され、その後、内蔵メインボードのアナログ - デジタルコンバーターに供給されました。

マルチチャンネル PPG センサーの構造: (a) LED-PD と力センサーの構造、(b) マルチチャンネル PPG の動作時間。

提案されたセンサーの実験セットアップ。

臨床試験は、ロシアの MONIKI 病院と韓国の Samsung Medical Center の 2 つの異なる施設で別々に実施されました。データセット 1 は MONIKI 病院で収集され、290 人の参加者からの 1,450 件の症例が含まれていました。これは、提案された血圧推定システムのトレーニングに使用されました。データセット 2 はサムスン医療センターで収集され、186 人の参加者からの 865 件の症例が含まれていました。トレーニングとテストに使用されました。各ケースには、40 秒の同期された 9 チャンネル PPG およびフォース信号が含まれていました。また、聴診を使用して 2 人の医療スタッフから得られた基準血圧も含まれていました。データ収集はサムスン医療センターの倫理委員会によって承認されました (IRB プロトコール番号: 2020-06-065)。研究デザインは、被験者要件（被験者85名以上、血圧値255以上）、参照測定値（使用者2名の観察者からの平均値など）を含む非侵襲的血圧計の臨床研究に関する関連ガイドラインを記載した国際規格（ISO 81060-2）11に準拠しました。ダブル聴診器）。すべての被験者は、測定を行う前にインフォームドコンセントをとりました。

臨床試験では、提案されたマルチチャネル PPG システムが標準プロトコル (ISO 81060-2) に準拠して使用されました。基準血圧は聴診法を用いて医療従事者２名により測定され、各被験者につき５回の測定が行われた。参加者は安定性を確保するために、測定の間に少なくとも 5 分間の休憩を取りました。次に、指をあらかじめマークされたガイドライン上に置きました。測定開始後、コンピュータ画面に表示される圧力上昇ガイドを見ながら、人差し指でセンサーを40秒間徐々に押してもらいました。表 1 に、データセットの人口統計情報を示します。

血圧推定システムのトレーニング、検証、テストには、290 人の参加者のデータセット 1 と 186 人の参加者のデータセット 2 を使用しました。重複する参加者が存在しないように、トレーニング、検証、テストのデータを分割しました。 Dataset1 はトレーニングと検証のみに使用され、dataset2 はトレーニングとテストのみに使用されました。 dataset1 をトレーニング用に 183 人の参加者、モデル検証用に 107 人の参加者で分割しました。さらに、dataset2 は参加者が重ならないようにファイルフォールドに分割され、1 つのフォールドがテストに使用され、残りのフォールドがトレーニングに使用され、5 つのフォールドがそれぞれ順番にテストされました。したがって、dataset2 の 5 分割相互検証を通じてモデル検証を実行しました。 dataset2 を使用して取得されたすべての 5 倍血圧推定結果を、に示します。

9 つのシングルチャネル CNN ベースの特徴抽出器とマルチチャネルアテンションメカニズムをトレーニングするために、Adam オプティマイザー 12 を \(\beta _1=0.9\) と \(\beta _2=0.999\)、学習率 0.005 で使用しました。提案された血圧推定システムの一般化を改善するために、スケール 0.005 およびドロップアウト率 0.3 の \(\ell _2\) 正則化項が使用されました。詳細なモデルパラメータを表 2 にまとめます。

BP 予測の評価指標として、誤差の平均 (ME)、誤差の標準偏差 (STD)、およびピアソンの相関係数 (r) を使用しました。全体的な血圧推定システムの評価に加えて、単一 PPG および注意メカニズムに対する CNN ベースの特徴抽出モデルの血圧推定パフォーマンスを比較および分析しました。

血圧予測モデルを開発した研究のほとんどは、Physionet の集中治療におけるマルチパラメータインテリジェントモニタリング (MIMIC) オンライン波形データベース 13 またはクイーンズランド大学バイタルサインデータセット 14 を使用しています。これらの公開データセットには、非加圧シングルチャネル PPG および ECG 信号が含まれています。研究 15、16 では自作のデータセットが使用されていますが、これらには通常、加圧されていない単一チャネルの PPG 信号または ECG 信号が含まれています。本研究では、提案した多チャンネルPPGと指圧力センサーから得られる信号を使用して血圧予測システムを設計しました。私たちの自作のデータセットには、圧力下で適用されるマルチチャネル PPG 信号と指圧力信号が含まれているため、他の血圧推定研究と直接比較することは困難です。したがって、提案されたマルチチャネル PPG ベースの血圧推定システムとそのコンポーネントを分析しました。

表 3 と表 4 は、9 つの PPG チャネルそれぞれの SBP および DBP 推定パフォーマンスを比較しています。 STD メトリクスに関しては、SBP と DBP の推定パフォーマンスは、それぞれ 2 番目と 3 番目のチャネルの PPG 信号を使用したときに最高でした。比較すると、7 番目と 6 番目のチャネル PPG 信号が使用された場合、SBP と DBP の推定パフォーマンスは最悪でした。 2 番目と 7 番目のチャネルの間の SBP 性能には約 9.6% の相対的な性能差があり、3 番目と 6 番目のチャネルの間の DBP 性能には約 3.7% の相対的な性能差がありました。マルチチャネル PPG 信号は同時に取得されましたが、異なるチャネル間の血圧予測性能の大きな違いは、各ユーザーの PPG センサー上に置かれた指の位置の違いと指の特性の違いに起因すると考えられます。したがって、単一チャネル PPG センサーを通じてすべてのユーザーの PPG 信号を一貫して収集することは困難であると言えます。

表 5 は、単一チャネル BP 推定器の 1 つと提案されたマルチチャネルアテンションベースの BP 推定器の SBP および DBP 推定パフォーマンスを比較しています。マルチチャネルアテンションメカニズムを使用してマルチチャネル機能を組み合わせることで、SBP 推定パフォーマンスは、最高の単一チャネル対応のものと比較して大幅に向上しました。より具体的には、シングルチャネルシステムとマルチチャネルシステムの SBP 推定パフォーマンスはそれぞれ 9.94 と 9.35 で、6% の相対的な改善を示しました。表 5 に示すように、マルチチャネル PPG 信号を使用したアテンションメカニズム方式を使用した場合、DBP 予測性能も 4.7% 向上しました。さらに、SBP と DBP の両方の推定タスクで、ピアソン相関係数の値が 5 倍向上しました。データ収集の観点から見ると、データ収集に 9 チャネルが使用されますが、サンプリングレートは 43 Hz とわずかな増加であり、十分に対応できます。一方、性能の面では、チャンネルの選択を誤ると大きな誤差が生じる可能性があります（例：Ch 7 の SDE は 10.99 で、1.64 mmHg の差を示します）。したがって、このアルゴリズムはチャネル選択によるエラー変化量を効果的に低減することが示されており、その結果は、マルチチャネル PPG 信号を使用する提案されたアテンションメカニズムが効果的であることを示唆しています。

提案した血圧推定システムのアテンション機構は血圧推定性能を向上させるために重要である。図 3 は、SBP および DBP 推定タスクで取得された高血圧、低血圧、正常血圧データの注意の重みを示しています。各血圧群の注目重みの平均値を求め、棒グラフで表示した。興味深いことに、高血圧データと低血圧データの両方において、いくつかの特定のチャネルの注意の重みが他のチャネルの注意の重みよりも相対的に大きかった。 SBP の注意メカニズムでは、高血圧と低血圧のデータはそれぞれ 2 番目と 4 番目のチャネルで大きな注意重みを示しました。さらに、高血圧データで最大の注目重みを持つチャネルは、低血圧データでの注目重みが比較的低い傾向があり、その逆も同様です。これらの傾向は、DBP アテンションメカニズムのアテンションウェイトでも観察されました。一方、正常血圧データの注意の重みは、SBP と DBP の両方の推定タスクで比較的均等に分散された注意の重みを明らかにしました。これらの結果は、マルチチャネル注意メカニズムを備えた私たちが提案したマルチチャネル PPG センサーが高血圧ユーザーと低血圧ユーザーを区別するために効果的に使用できることを示唆しており、それによってシングルチャネル PPG ベースの血圧推定モデルよりも優れていることが実証された改善につながります。

この図は注目の重みを棒グラフで表したものです。 8 つの棒グラフのそれぞれで、x 軸は 9 つのチャネルを表し、y 軸はチャネルの重要性の確率値を表します。高血圧、低血圧、正常血圧のデータに分けられ、SBP および DBP によって表示されます。

提案されたマルチチャネルアテンションメカニズムにより、単一チャネルモデルの血圧予測パフォーマンスが向上する可能性があることを検証しました。アテンションメカニズムは、複数のシングルチャネル PPG 信号から抽出された潜在的な特徴の重要性を考慮することで、血圧をより正確に予測できます。本節では、アテンション方法を変更することでアテンションメカニズムの有効性を確認します。表 6 は、9 つのチャネル機能のすべてではなく一部を使用した場合の SBP と DBP のパフォーマンスを比較しています。学習された注意メカニズムでは、検証セットのパフォーマンスで最も優れた単一チャネルシステムの上位 2 つと 3 つが選択され、テストデータセットに適用されました。表に示されているように、平均アテンションウェイトは PPG チャネルの相対的な重要性を示していますが、最大のアテンションウェイト値を持つ 2 つまたは 3 つの PPG チャネルのハード選択は効果的ではありませんでした。比較すると、提案された 9 チャネルアテンションメカニズムは、フォールド 2、3、および 4 のハードチャネル選択方法を大幅に改善します。これは、提案されたアテンションメカニズムを使用することにより、被験者ごとのマルチチャネル PPG 信号の適応的な組み合わせが効果的であることを示しています。

SBPとDBPのそれぞれについて、単一チャネルBP推定モデルにおける入力信号の組み合わせに応じたBP推定精度を比較しました。 PPG、第1、第2差動信号、指圧信号のみを使用した場合の性能、エンベロープ信号と指圧信号を使用した場合の性能、両方を使用した場合の性能を比較しました。表 7 に示すように、SBP モデルではチャネル 2 がテストされ、DBP モデルではチャネル 3 がテストされました。パフォーマンスはエンベロープ信号よりも PPG 信号の方が優れており、すべての信号が使用された場合に最高のパフォーマンスが得られました。

提案された血圧推定システムをさらに検証するために、SBP および DBP 推定の散布図とブランドアルトマンプロット 17 を図 17 と図 18 に示します。それぞれ図４および図５に示す。図4に示すように、提案した血圧予測システムは、SBPとDBPに対してそれぞれ0.86と0.8という高いピアソン相関係数を示しました。 Bland-Altman プロットは、SBP および DBP データサンプルのほとんどが一致範囲内にあることを示しました。

(a) SBP および (b) DBP 推定の散布図グラフ。

(a) SBP および (b) DBP 推定のブランドアルトマンプロット。

本研究では、多チャンネルPPG信号と指圧力信号をセンシングする多チャンネルPPGセンサーを開発し、カフレス血圧推定システムを提案した。取得されたマルチチャネル PPG 信号は、提案されたセンサーに指を置き、徐々に圧力を加えることによって取得されました。開発したセンサーを使用して、データセット 1 とデータセット 2 をそれぞれロシアの MONIKI 病院と韓国のサムスン医療センターから収集しました。データセット 1 とデータセット 2 にはそれぞれ 290 名と 186 名の参加者が含まれており、多くの研究者が血圧予測モデルのトレーニングに使用している MIMIC オンライン波形データベースやクイーンズランド大学バイタルサインデータセットと比較すると小規模なデータセットです 18,19。トレーニングデータセットのサイズは、ニューラルネットワークベースの血圧予測モデルのパフォーマンスに大きく影響することが知られているため、開発されたセンサーを使用して追加のトレーニングデータセットを収集することで、さらなるパフォーマンスの向上が期待できます。しかし、臨床データの収集は、高コスト、過剰な時間、その他の制限によって妨げられています。個人間および個人内の血圧変動を含めることはカフレスデバイスの評価にとって重要ですが、取得するのは困難です21。私たちが取得したデータセットは静的条件下での血圧のみを取得し、個人内の血圧の変動は考慮していませんでした。さらに、人口統計（年齢、性別など）は、血圧予測モデルへの追加入力としてよく使用されます21。ただし、私たちが提案するモデルは、ユーザーに人口統計情報の入力を求める煩わしさを軽減するためにこれを利用していません。

今回の調査では、dataset1 と dataset2 は、データ取得環境、場所、一部のセンサーの仕様などの条件が若干異なりました。前述したように、ドメインが異なる 2 つのデータセットを使用して血圧推定システムをトレーニングする場合、ターゲットデータセットで高い精度を期待することは困難です22。提案した血圧推定システムは、dataset2 をターゲットデータセットとして設定し、5 交差検証を使用して検証されました。モデルの過学習を防ぐために、正則化項とドロップアウト手法を使用しました。そして、5 分割相互検証を通じてモデルのパフォーマンスを示しました。この時点では各5倍の全てのパフォーマンスが披露されました。他の研究と同様に、不十分な臨床データによるモデルの過剰適合を防ぐ方法を適用しました。異なるドメイン 24 のデータセット間の間隔を短縮しながら、ターゲットデータセットのパフォーマンスを向上できるドメイン適応手法 23 を適用すると、データセット 2 からより正確な推定 BP を取得できると考えられます。

Association for the Advancement of Medical Instrumentation (AAMI) 規格 25 によれば、血圧推定誤差は 5±8mmHg 以内である必要があります。提案した血圧推定システムは DBP について AAMI 基準を満たしており、SBP も AAMI 基準に近かった。より多くのデータが収集され、異なるドメインの特徴に起因するデータセット間の異なる環境で収集されたデータセットのドメインの不一致が解決されると、提案する血圧推定システムの精度が向上する可能性があります。私たちは、特性の異なる 2 つのデータセットにドメイン適応技術を適用することで、より正確な予測血圧値を取得できるように、深層学習ベースの血圧推定システムを改良する予定です。

我々は、多チャンネルPPG信号と指圧力信号を用いた注意メカニズムを備えた新しい血圧予測システムを提案する。提案された血圧予測システムは、人間が操作した手作りの特徴抽出方法に依存することなく、エンドツーエンドのディープラーニング方法を使用して、生の PPG 信号と指の圧力信号から特徴を抽出する方法を学習できます。さらに、アテンションメカニズムにより、提案されたシステムは各 PPG チャネルから抽出された特徴を効果的に組み合わせることができます。

血圧推定システムの提案。

生の PPG および指の圧力信号の信号前処理ブロック図。

取得した生の PPG 信号と指圧力信号にはノイズ成分が含まれていたため、フィルタリングを適用してノイズを除去しました。具体的には、特徴抽出モデルにさまざまな入力信号を使用するために、前処理ステップを実行して、フィルター処理された PPG 信号エンベロープと差分信号 (つまり、1 次および 2 次の時間導関数) を取得しました。 PPG 信号を用いた血圧予測に関するこれまでの研究では、PPG 信号に加えて PPG の 1 次および 2 次微分信号を使用することで、血圧予測モデルがさまざまな情報をモデル化することで、より正確に血圧を予測できることが示されています 26,27。したがって、包絡線信号と 1 次および 2 次微分信号を加算することによって BP 予測システムをモデル化しました。信号前処理方法のブロック図の詳細を図 7 に示します。ノイズ成分を除去するために、生の PPG 信号は各マルチチャネル信号に対して 0.8 ～ 8 Hz のカットオフ周波数を持つバンドパスフィルターを通過しました。。また、フィルタリングされた PPG 信号 \({X}_{p}\) から PPG エンベロープ \({X}_{e}\) を取得し、CNN ベースの特徴抽出器にさまざまな種類の情報を提供しました。 PPG エンベロープは、フィルターされた PPG 信号のピーク検出と補間によって計算されました。フィルター処理された PPG および PPG エンベロープ信号を取得した後、一次および二次微分信号が取得されました。 \((\triangle {X}_{p}, \triangle ^{2}{X}_{p}, \triangle {X}_{e},\) と \(\triangle ^{2}{X}_{e})\) を使用して、上記のように入力の多様性を高めます。生の指圧力信号は、カットオフ周波数 0.2 Hz のローパスフィルターを通過しました。指圧力信号を、PPG エンベロープ信号の最大点から左右の 5 秒間隔までセグメント化しました。

上記の信号前処理を通じて、提案された血圧予測システムをトレーニングするためのデータセット \(({X}_{1}, {X}_{2}, {X}_{3},\) および Y) を構築しました。、ここで \({X}_{1}(={X}_{p} \oplus \triangle {X}_{p} \oplus \triangle ^{2}{X}_{p})\) は1720\(\times\)3 の次元を持つ PPG 関連信号の連結入力。さらに、 \({X}_{2}(={X}_{e} \oplus \triangle {X}_{e} \oplus \triangle ^{2}{X}_{e})\)は 1720\(\times\)3 の次元を持つ PPG エンベロープ関連信号の連結入力であり、\({X}_{3}(={X}_{f})\) はフィルター処理された指の圧力信号です寸法は 215\(\times\)1 です。

CNN は、畳み込み演算を通じて隣接するデータポイント間の関係を首尾よく学習し、プーリング層 28 を通じて入力信号からの情報を圧縮できます。したがって、\({X}_{1}\)、\({X}_{2}\)、\({ X}_{3}\) 入力。提案された深層学習ベースの血圧推定システムの全体的なアーキテクチャを図 6 に示します。 \(C(\cdot ): X_{i} \rightarrow Z_{i}\) として表される 3 つの入力ストリーム、ここで Xと Z はそれぞれ入力特徴と抽出された特徴を示し、i \(\in\) \(\{1, 2, 3\}\) は入力特徴のタイプを示します。各入力ストリームは最初に畳み込み、バッチ正規化 (BN)、および ReLU アクティベーション関数を適用し、その後最大プーリング操作が続きます。続いて、畳み込み、BN、残りの接続を含む ReLU の 2 つの繰り返しをそれぞれ含む 3 つの CNN ブロックがスタックされ、平均プーリング層が各特徴ストリームからの情報を集約します。最後に、3 つの入力ストリームから抽出された特徴が連結されて、単一の特徴 \(Z= {Z}_{1} \oplus {Z}_{2} \oplus {Z}_{3}\) が形成されます。次に、連結された特徴 Z がシグモイド非線形性を持つ完全結合層に導入され、さまざまな入力信号から抽出されたさまざまなタイプの情報を含む最終的な潜在特徴が生成されます。残留接続は、特徴抽出モデルをトレーニングする際の勾配消失の問題 29 を解決します。 CNN ベースの特徴抽出モデルが各 PPG チャネルに対してトレーニングされた後、BP 予測のために複数のチャネル特徴を組み合わせるようにアテンションメカニズムをトレーニングできます。

特徴抽出モデルをトレーニングするために、最後の出力層は推定 BP \({\hat{y}} \in {\mathbb {R}}\) を生成します。次にモデルは、基準 BP と推定 BP の間の平均二乗誤差 (MSE) を最小化するようにトレーニングされます。

ここで、N はサンプル数を示します。 \({y}_{i}\) は基準 BP を示します。 \({\hat{y}}_{i}\) は推定血圧を表します。 9 チャネルの PPG 信号のそれぞれから特徴を抽出するために、PPG チャネルごとに 9 つの特徴抽出モデルをトレーニングしました。トレーニングされた 9 チャネルの特徴抽出モデルは \(f(\cdot ) : [{X}^{i}_{1}, {X}^{i}_{2}, {X}^{ i}_{3}] \rightarrow Z_{i}\)、Z は最後の潜在特徴、i \(\in \{1,2,...,9\}\) は PPG チャネルインデックスです。 16 次元の 9 つの潜在特徴 \({Z} \in {\mathbb {R}}^{16\times 9}\) が、最終的な BP 予測のマルチチャネルアテンションモデルへの入力として使用されました。アテンションベースのマルチチャネル BP 推定パフォーマンスは、セクション IV でチャネルごとの BP 推定パフォーマンスと比較されます。

最近、注意メカニズムは、音声認識 30,31 や自然言語処理 32 など、多くの分野で効果的であることが証明されています。注意メカニズムは、重要な領域に焦点を当てるニューラルネットワークです。マルチチャネル PPG と指の圧力信号を使用して、CNN ベースの特徴抽出モデルから各特徴を抽出しました。しかし、提案する多チャンネルPPGセンサー上に置かれた指の位置や指の特性はユーザーごとに異なるため、血圧推定における各チャンネルの重要性もユーザーごとに異なる可能性があります。したがって、各ユーザーの血圧を推定する際の重要性に応じてチャネルごとの特徴を適応的に重み付けするために、提案された血圧推定システムにアテンションメカニズムを適用しました。

図 6 に示すように、PPG チャネル \({i} \in \{1, \ldots , 9\}\) に対して抽出された特徴 \({Z}^{i}\) が導入されました。単層パーセプトロンで構成される注目層 \({s}(\cdot ) : {Z}^{i} \rightarrow {S}^{i}\) を計算して、スコア \({S} ^{i}\) は各チャネルの重要性を表します。スコア \({S}^{i}\) は次のように取得されます。

ここで、 \(\omega\) と b はそれぞれトレーニング可能な重みとバイアスです。続いて、得られたスコア \({S}^{i}\) から、ソフトマックス関数を使用して各チャネルの重要度を示す注目重み \({W}^{i}\) を計算しました。確率値。注意の重み \({W}^{i}\) は次のように計算されました。

注意の重み付けされた特徴 \({Z}^{\prime } \in {\mathbb {R}}^{16\times 1}\) は、注意の重み \({W }^{i}\)、および対応する機能 \({Z}^{i}\)。提案された血圧推定システムは、注意重み付け機能 \({Z}^{\prime }\) を使用して出力層を通じて推定血圧を生成します。注意メカニズムモデルをトレーニングするために、注意メカニズムの出力層から取得された参照 BP と推定 BP \({\hat{y}}\) の間で MSE 損失が計算されました。提案されたモデルは、収縮期血圧と拡張期血圧の MSE を最小化するために個別にトレーニングされました。

本研究では、異なる波長で多チャンネル PPG 信号を取得する多チャンネル PPG センサーを開発しました。さらに、提案したセンサから取得した多チャネルPPG信号と指圧力信号から血圧を予測できる深層学習ベースの血圧推定システムを考案しました。提案する血圧推定システムは、人間工学を介さずに特徴を抽出し、注意メカニズムを通じて正確に血圧を予測することができます。注意重み分析により、注意メカニズムが高血圧と低血圧の予測性能を向上させることができることを確認しました。提案された深層学習ベースの血圧推定システムは、カフや校正が不要な方法であるため、血圧を定期的に監視することが可能であり、高血圧を早期に診断できる可能性があります。提案された血圧推定システムは、スマートフォンやスマート腕時計などのモバイルデバイスを介して複数のユーザーの定期的な血圧モニタリングを可能にする可能性があります。

この研究の結果を裏付けるデータは、合理的な要求に応じて責任著者から電子メールで入手できます。

ファスベンダー、H. et al. 高血圧患者向けの完全埋め込み型血圧センサー。第 7 回 IEEE センサー会議議事録、1226 ～ 1229 (2008)。

ワード、M. & ラングトン、JA 血圧測定。コンティン。教育する。アネスト。クリティカル。 Care Pain 7、122–126 (2007)。

記事 Google Scholar

Babbs, CF コロトコフ音の起源と聴診による血圧測定の精度。混雑する。社会高血圧。 9、935–950 (2015)。

論文 PubMed Google Scholar

Nachman、D. et al. 光電容積脈波計ベースの圧力測定装置と標準的なカフベースの圧力測定装置との間の血圧測定値の比較。科学。議員 10、1–9 (2020)。

記事 Google Scholar

ディン、Ｘら。脈拍伝播時間に基づく連続カフなし血圧推定: 新たな拡張機能と包括的な評価。科学。議員 7、1–11 (2017)。

記事 ADS Google Scholar

キム、C.-S.、カレック、AM、ムッカマラ、R.、イナン、OT、ハーン、J.-O。脈拍伝達時間測定の近位タイミング基準としての心弾動図: カフなし血圧モニタリングの可能性。 IEEEトランス。バイオメッド。工学 62、2657–2664 (2015)。

記事 PubMed PubMed Central Google Scholar

チャンドラセカール、A.、ヤバリマネシュ、M.、ナタラジャン、K.、ハーン、J.-O. & Mukkamala、R. カフなしの血圧測定では、PPG センサーの接触圧力を考慮する必要があります。 IEEEトランス。バイオメッド。工学 67、3134–3140 (2020)。

記事 PubMed PubMed Central Google Scholar

ユン、Y.-Z. 他。脈波波形解析と脈波到達時間を利用したカフレス血圧推定。 IEEE J. Biomed. 健康情報。 22、1068–1074 (2017)。

論文 PubMed Google Scholar

Baek, S.、Jang, J.、Yoon, S. 完全畳み込みネットワークによるエンドツーエンドの血圧予測。 IEEE Access 7、185458–185468 (2019)。

記事 Google Scholar

Chandrasekhar、A. et al. オシロメトリック指押し法によるスマートフォンベースの血圧モニタリング。科学。翻訳。医学。 10、8674 (2018)。

記事 Google Scholar

ISO 81060-2:2018 国際規格。非観血血圧計第2部：間欠自動測定型の臨床研究（2018年）

Kingma, DP & Ba, J. Adam: 確率的最適化の手法。 arXiv プレプリント arXiv:1412.6980 (2014)。

サイード、M.ら。集中治療におけるマルチパラメータインテリジェントモニタリング II (MIMIC-II): パブリックアクセスの集中治療室データベース。クリティカル。ケアメッド。 39, 952 (2011)。

記事 PubMed PubMed Central Google Scholar

Liu, D.、Görges, M. & Jenkins, SA クイーンズランド大学バイタルサインデータセット: 研究用の麻酔患者モニタリングデータのアクセス可能なリポジトリの開発。麻酔。アナログ。 114、584–589 (2012)。

論文 CAS PubMed Google Scholar

アーマド、S.ら。心電図による血圧推定。 IEEEトランス。バイオメッド。工学 59、608–618 (2012)。

論文 PubMed Google Scholar

Chandrasekaran, V.、Dantu, R.、Jonnada, S.、Thiyagaraja, S.、Subbu, KP スマートフォンを使用したカフレス差血圧推定。 IEEEトランス。バイオメッド。工学 60、1080–1089 (2012)。

論文 PubMed Google Scholar

Dewitte, K.、Fierens, C.、Stockl, D. & Thienpont, LM 方法比較研究の解釈のためのブランド・アルトマン・プロットの応用: その実践の批判的調査。クリン。化学。 48、799–801 (2002)。

論文 CAS PubMed Google Scholar

Harfiya、LN、Chang、C.-C. & リー、Y.-H. lstm ベースの信号間変換による光電脈波検査のみを使用した連続血圧推定。センサー 21、2952 (2021)。

論文 ADS PubMed PubMed Central Google Scholar

Khalid, SG、Zhang, J.、Chen, F.、Zheng, D. 光電脈波記録のみを使用した血圧推定: 異なる機械学習アプローチ間の比較。 J. Healthc. 工学 2018年13月（2018年）

記事 Google Scholar

Feng, S.、Zhou, H. & Dong, H. 小規模なデータセットを持つディープニューラルネットワークを使用して材料欠陥を予測します。メーター。デス。 162、300–310 (2019)。

記事 Google Scholar

ムッカマラ、R. et al. カフレス血圧測定装置の精度評価：課題と提案。高血圧症 78、1161–1167 (2021)。

論文 CAS PubMed Google Scholar

Zhang、L.ら。最小限にトレーニングされたドメイン敵対的ニューラルネットワークを使用して、ウェアラブルセンサーデータからの血圧推定のパーソナライズされたモデルを開発します。ヘルスケアのための機械学習会議議事録、97–120 (2020)。

Thompson, B.、Gwinnup, J.、Khayrallah, H.、Duh, K. & Koehn, P. ニューラル機械翻訳のドメイン適応中の壊滅的な忘却を克服する。 NAACL 議事録、2062 ～ 2068 年 (2019)。

Tzeng, E.、Hoffman, J.、Saenko, K. & Darrell, T. 敵対的差別ドメイン適応。コンピュータービジョンとパターン認識に関する IEEE 会議議事録、7167–7176 (2017)。

O'brien, E.、Waeber, B.、Parati, G.、Staessen, J. & Myers, MG 血圧測定装置: 欧州高血圧学会の推奨事項。 BMJ 322、531–536 (2001)。

記事 PubMed PubMed Central Google Scholar

リュー、M.、ポー、L.-M. & Fu, H. 光電容積脈波信号とその二次導関数に基づくカフなし血圧推定。内部。Ｊ．Ｃｏｍｐｕｔ．科学。工学 9、202 (2017)。

Google スカラー

Shimazaki, S.、Bhuiyan, S.、Kawanaka, H.、Oguri, K. 光電脈波記録からのオートエンコーダによるカフなし血圧推定のための特徴抽出。 IEEE Engineering in Medicine and Biology Societyの年次国際会議議事録、2857–2860 (2018)。

Albawi, S.、Mohammed, TA、Al-Zawi, S. 畳み込みニューラルネットワークの理解。工学および技術に関する国際会議議事録、1 ～ 6 (2017)。

He、K.、Zhang、X.、Ren、S.、Sun、J. 画像認識のための深層残差学習。コンピュータービジョンとパターン認識に関する IEEE 会議議事録、770–778 (2016)。

Chorowski, JK、Bahdanau, D.、Serdyuk, D.、Cho, K. & Bengio, Y. 音声認識のための注意ベースのモデル。神経情報処理システムの進歩に関する議事録、28 (2015)。

Bahdanau, D.、Chorowski, J.、Serdyuk, D.、Brakel, P.、Bengio, Y. エンドツーエンドの注意ベースの大語彙音声認識。音響、音声および信号処理に関する IEEE 国際会議議事録、4945–4949 (2016)。

Galassi, A.、Lippi, M.、Torroni, P. 自然言語処理における注目。 IEEEトランス。ニューラルネットワーク。学ぶ。システム。 32、4291–4308 (2020)。

記事 Google Scholar

リファレンスをダウンロードする

この研究は、韓国政府 (MSIT) (番号 2020-0-01373、人工知能大学院プログラム (漢陽大学)) とテクノロジーイノベーションによって資金提供された情報通信技術計画評価研究所 (IITP) 助成金によって部分的に支援されました。プログラム (20013726、スマートファクトリーのための産業用インテリジェント技術の開発) は、産業通商資源省 (MOTIE、韓国) とサムスン先進技術研究所 (韓国、ソウル) の資金提供を受けています。

漢陽大学電子工学部、ソウル、04763、韓国

キョン・ジェヒョン、ヤン・ジュニョン、チェ・ジョンファン、チャン・ジュニョク

SAIT、Samsung Electronics、Advanced Sensor Lab、水原市、京畿道、16677、大韓民国

Sangkon Bae, Jinwoo Choi & Younho Kim

PubMed Google Scholar でこの著者を検索することもできます

JK は研究を発案し、実験を実施し、結果を分析し、原稿を書きました。 J.-YY と J.-HC は研究を批判的にレビューし、原稿の草稿を支援しました。 SB はデータを分析し、研究を批判的にレビューし、原稿の草稿を支援しました。 JC と YK はデータを分析し、研究を批判的にレビューしました。 J.-HC は研究全体を設計し、最終原稿の執筆を支援しました。著者全員が原稿をレビューしました。

チャン・ジュンヒョクへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Kyung, J.、Yang, JY.、Choi, JH. 他。マルチチャンネル光電脈波と注意メカニズムを備えた指圧力を使用した深層学習ベースの血圧推定。 Sci Rep 13、9311 (2023)。 https://doi.org/10.1038/s41598-023-36068-6

引用をダウンロード

受信日: 2022 年 12 月 1 日

受理日: 2023 年 5 月 29 日

公開日: 2023 年 6 月 8 日

DOI: https://doi.org/10.1038/s41598-023-36068-6

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

ニュース

深い