A Review of Deep Learning Methods for Photoplethysmography Data

要約

光電容積脈波計 (PPG) は、携帯性、ユーザーフレンドリーな操作性、および幅広い生理学的情報を測定できる非侵襲性の利点により、非常に有望なデバイスです。
深層学習の最近の進歩は、個人の健康管理やその他の多面的なアプリケーションに関連するタスクに PPG 信号を活用することで、目覚ましい成果を上げていることを実証しています。
このレビューでは、Google Scholar、PubMed、Dimensions からの、2017 年 1 月 1 日から 2023 年 7 月 31 日までの PPG データの処理に深層学習モデルを適用した論文を系統的にレビューしました。
各論文は、タスク、モデル、データという 3 つの主要な観点から分析されます。
最終的に、PPG 信号の処理にさまざまな深層学習フレームワークが使用されている 193 件の論文を抽出しました。
これらの論文で扱われるタスクに基づいて、それらを医療関連と非医療関連の 2 つの主要なグループに分類しました。
医療関連のタスクはさらに、血圧分析、心血管のモニタリングと診断、睡眠の健康、メンタルヘルス、呼吸のモニタリングと分析、血糖分析などを含む 7 つのサブグループに分類されました。
医療関連以外のタスクは、信号処理、生体認証、心電図の再構築、および人間の活動認識を含む 4 つのサブグループに分割されました。
結論として、最近、深層学習手法を使用して PPG データを処理する分野で大きな進歩が見られました。
これにより、PPG 信号に含まれる情報をより徹底的に調査して利用することが可能になります。
ただし、公的に利用可能なデータベースの量と質が限られている、現実世界のシナリオにおける効果的な検証が欠如している、深層学習モデルの解釈可能性、スケーラビリティ、複雑さに関する懸念などの課題が残っています。
さらに、さらなる調査が必要な新たな研究分野もまだ存在します。

要約(オリジナル)

Photoplethysmography (PPG) is a highly promising device due to its advantages in portability, user-friendly operation, and non-invasive capabilities to measure a wide range of physiological information. Recent advancements in deep learning have demonstrated remarkable outcomes by leveraging PPG signals for tasks related to personal health management and other multifaceted applications. In this review, we systematically reviewed papers that applied deep learning models to process PPG data between January 1st of 2017 and July 31st of 2023 from Google Scholar, PubMed and Dimensions. Each paper is analyzed from three key perspectives: tasks, models, and data. We finally extracted 193 papers where different deep learning frameworks were used to process PPG signals. Based on the tasks addressed in these papers, we categorized them into two major groups: medical-related, and non-medical-related. The medical-related tasks were further divided into seven subgroups, including blood pressure analysis, cardiovascular monitoring and diagnosis, sleep health, mental health, respiratory monitoring and analysis, blood glucose analysis, as well as others. The non-medical-related tasks were divided into four subgroups, which encompass signal processing, biometric identification, electrocardiogram reconstruction, and human activity recognition. In conclusion, significant progress has been made in the field of using deep learning methods to process PPG data recently. This allows for a more thorough exploration and utilization of the information contained in PPG signals. However, challenges remain, such as limited quantity and quality of publicly available databases, a lack of effective validation in real-world scenarios, and concerns about the interpretability, scalability, and complexity of deep learning models. Moreover, there are still emerging research areas that require further investigation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google