PPGに基づくリアルタイム心房細動検出のための2つのCNNによる品質評価と検出

リアルタイムでの心房細動（AFib）検出は、フォトプレチスモグラフィ（PPG）センサー貼付装置のプロセッサ内の1次元畳み込みニューラルネットワーク（1D-CNN）を介して品質評価を行い、クラウド内の心房細動検出のための2次元畳み込みニューラルネットワーク（2D-CNN）を使用することで可能になります。1D-CNNは、運動アーチファクトや環境光干渉により汚染された不適格なPPGをフィルタリングすることができます。残った適格なPPGはその後、AFib検出のための別の2D-CNNに入力されます。この1D-CNNは、4つの畳み込み層と最大プーリング層、1つの長短期記憶（LSTM）、および出力密結合層から構成されています。2D-CNNは、集中治療における多パラメータインテリジェントモニタリング（MIMIC）IIIデータベースの心電図（ECG）データに基づいて事前学習され、まずECGデータのRR間隔（RRI）がポワンカレ画像に抽出され、その後モデルの学習のための入力特徴として考慮されます。この2D-CNNもまた、4つの畳み込み層と最大プーリング層、4つの出力密結合層を持ちます。事前学習されたモデルは次に、ウェアラブルデバイスから測定されたPPGのピーク間隔（PPI）に基づいて微調整され、AFibを効果的に検出するための入力特徴として使用されます。品質評価の1D-CNNモデルは、ウェアラブルデバイスに実装され、AFib検出のためにクラウド内の2D-CNNモデルに適格なデータのみを送信し、電力効率を達成します。両方のモデルはAdamオプティマイザーによってトレーニングされます。モデルを検証するために、PPGのPPIが収集され、確立されたモデルのリアルタイムでの性能を評価しました。実験結果は、AFib検出のために微調整された2D-CNNが98.08%の精度、96.82%の感度、98.86%の特異度を達成し、PPGに基づく他の報告された研究と比較して最も良好であることを示しています。これらのモデルは、臨床医のAFib検出を支援するだけでなく、ウェアラブルデバイスを介してリアルタイムでAFibを検出するメカニズムも提供します。