RRWaveNet: A Compact End-to-End Multi-Scale Residual CNN for Robust PPG Respiratory Rate Estimation

要約

呼吸数（RR）は、RRの変化が心臓病、肺疾患、睡眠障害などの深刻な医療イベントを反映することがあるため、重要なバイオマーカーである。残念ながら、標準的な手作業によるRRのカウントは、人為的なミスが起こりやすく、連続的に行うことはできません。本研究では、RRを連続的に推定する手法であるRRWaveNetを提案する。この手法は、特徴工学を必要としないコンパクトなエンドツーエンドの深層学習モデルであり、低コストの生の光電式血圧計（PPG）を入力信号として使用することができます。RRWaveNetは、4つのデータセット（BIDMC、CapnoBase、WESAD、SensAI）で、3つのウィンドウサイズ（16、32、64秒）を使用して、被験者非依存でテストし、ベースラインと比較しました。RRWaveNetは、最適なウィンドウサイズでの平均絶対誤差が、各データセットで1.66㏜1.01, 1.59㏜1.08, 1.92㏜0.96, 1.23㏜0.61 breaths per minuteと、現在の最先端手法より優れていることがわかりました。WESADやSensAIデータセットのような遠隔監視環境では、他の2つのICUデータセットを事前学習データセットとして用いて、転移学習を適用して性能を向上させ、MAEを最大21$%$減少させた。これは、このモデルが、手頃な価格のウェアラブルデバイスで、正確で実用的なRRの推定を可能にすることを示す。また、本研究は、遠隔医療や自宅での遠隔RRモニタリングの実現可能性を示しています。

要約(オリジナル)

Respiratory rate (RR) is an important biomarker as RR changes can reflect severe medical events such as heart disease, lung disease, and sleep disorders. Unfortunately, standard manual RR counting is prone to human error and cannot be performed continuously. This study proposes a method for continuously estimating RR, RRWaveNet. The method is a compact end-to-end deep learning model which does not require feature engineering and can use low-cost raw photoplethysmography (PPG) as input signal. RRWaveNet was tested subject-independently and compared to baseline in four datasets (BIDMC, CapnoBase, WESAD, and SensAI) and using three window sizes (16, 32, and 64 seconds). RRWaveNet outperformed current state-of-the-art methods with mean absolute errors at optimal window size of 1.66 \pm 1.01, 1.59 \pm 1.08, 1.92 \pm 0.96 and 1.23 \pm 0.61 breaths per minute for each dataset. In remote monitoring settings, such as in the WESAD and SensAI datasets, we apply transfer learning to improve the performance using two other ICU datasets as pretraining datasets, reducing the MAE by up to 21$\%$. This shows that this model allows accurate and practical estimation of RR on affordable and wearable devices. Our study also shows feasibility of remote RR monitoring in the context of telemedicine and at home.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL