A Review of Deep Learning Methods for Photoplethysmography Data

Diese Übersichtsarbeit analysiert 460 Studien aus den Jahren 2017 bis 2025, die Deep-Learning-Methoden zur Verbesserung der Photoplethysmographie-Signalanalyse in Bereichen wie kardiovaskulärem Monitoring und Biometrie einsetzen, und hebt dabei sowohl die überlegene Leistung gegenüber traditionellen Ansätzen als auch bestehende Herausforderungen wie den Mangel an hochwertigen Datensätzen und die Notwendigkeit robusterer Validierung hervor.

Das Wesentliche

Stellen Sie sich vor, Ihr Körper ist wie ein riesiges, komplexes Orchester. Jedes Instrument spielt eine eigene Melodie: das Herz trommelt, die Lungen pusten, die Muskeln vibrieren. Früher mussten wir, um diese Musik zu hören, teure, große Geräte an den Körper kleben, die oft störend waren.

Heute nutzen wir jedoch PPG-Sensoren (Photoplethysmographie). Das sind die kleinen Lichter in unseren Smartwatches oder Fitnessarmbändern. Sie funktionieren wie ein kleiner, unsichtbarer Taschenlampen-Fotograf, der in Ihre Haut leuchtet. Er misst, wie viel Licht von Ihrem Blut zurückgeworfen wird, während es durch Ihre Adern pulsiert. Das ist wie das Beobachten des Wasserstands in einem Schlauch, ohne ihn aufschneiden zu müssen.

Das Problem: Diese Sensoren produzieren eine unendliche Flut an Daten. Es ist, als würde ein Fotograf jede Sekunde ein Foto machen – Millionen von Bildern pro Tag. Ein Mensch kann diese Bilder nicht einzeln anschauen und verstehen. Hier kommt der Held des Artikels ins Spiel: Deep Learning (Tiefes Lernen).

Was ist Deep Learning in diesem Kontext?

Stellen Sie sich Deep Learning wie einen super-intelligenten Auszubildenden vor, der nicht müde wird.

• Der alte Weg (Manuelle Analyse): Früher mussten Experten wie Handwerker jedes Detail selbst ausmessen. Sie sagten: "Schau mal, dieser Wellenberg ist 3 Millimeter hoch, das bedeutet Blutdruck X." Das war mühsam, langsam und oft ungenau, weil jeder Handwerker etwas anders maß.
• Der neue Weg (Deep Learning): Der "Auszubildende" bekommt einfach alle Millionen Fotos (Daten) gezeigt. Er lernt selbstständig, welche Muster wichtig sind. Er muss nicht erst von einem Menschen erklärt bekommen, wonach er suchen soll. Er findet Zusammenhänge, die für uns unsichtbar sind, wie ein Detektiv, der aus winzigen Krümeln ein ganzes Bild rekonstruiert.

Was haben die Forscher herausgefunden?

Die Autoren haben sich 460 verschiedene Studien angesehen, die zwischen 2017 und 2025 veröffentlicht wurden. Sie haben diese Forschung in drei große Kategorien unterteilt:

1. Die Aufgaben (Was kann der KI-Auszubildende?):

   • Klassiker: Er kann Herzschlag und Sauerstoff messen (wie ein normaler Pulsmesser).
   • Die Superkräfte: Aber er kann viel mehr! Er kann erkennen, ob jemand schlecht schläft (Schlafapnoe), ob er Stress hat, ob er Diabetes entwickeln könnte oder sogar, ob er Herzrhythmusstörungen hat.
   • Die Zaubertricks: Er kann sogar aus dem PPG-Signal (dem Licht) ein EKG (Herzstromkurve) rekonstruieren. Das ist, als würde man aus dem Schattenwurf eines Objekts die genaue Form des Objekts selbst zurückberechnen.
   • Identität: Da jeder Mensch ein einzigartiges Herzschlagmuster hat, kann die KI sogar Ihre Identität bestätigen – wie ein digitaler Fingerabdruck, nur mit dem Blutfluss.

2. Die Werkzeuge (Wie lernt der Auszubildende?):

   • Die Forscher nutzen verschiedene Arten von neuronalen Netzen.
   • CNNs (Faltungsnetze): Diese sind wie Lupe, die sich auf kleine Details im Signal konzentrieren (z. B. die Form einer einzelnen Welle).
   • RNNs/Transformers: Diese sind wie Zeitmaschinen, die den Verlauf über die Zeit verstehen (z. B. wie sich der Puls über eine Stunde verändert).
   • Generative Modelle: Diese sind wie Künstler, die neue, perfekte Signale zeichnen können, um defekte Daten zu reparieren oder neue Trainingsdaten zu erstellen.

3. Das Material (Woher kommen die Daten?):

   • Die KI braucht viel Übungsmaterial. Die Forscher nutzen riesige Datenbanken aus Krankenhäusern (wie MIMIC) und von tausenden Menschen, die ihre Smartwatches tragen (wie UK Biobank).
   • Das Problem: Es gibt noch nicht genug "perfekte" Daten. Oft ist das Signal verrauscht (wie ein Radio mit schlechtem Empfang), wenn man sich bewegt. Die KI muss lernen, das Rauschen zu ignorieren.

Die Herausforderungen: Warum ist es noch nicht perfekt?

Obwohl die KI viel kann, gibt es noch Hürden:

• Der "Futterkorb" ist zu klein: Es fehlen riesige, hochwertige Datensätze, auf denen die KI trainieren kann.
• Der "Alltags-Test": Im Labor läuft alles glatt. Aber im echten Leben, beim Joggen im Regen oder mit dunklerer Haut, funktionieren die Sensoren manchmal schlechter. Die KI muss robuster werden.
• Die "Black Box": Wir wissen oft nicht genau, warum die KI eine bestimmte Diagnose stellt. In der Medizin ist es aber wichtig zu verstehen, wie ein Arzt zu einer Entscheidung kommt. Wir brauchen erklärbare KI.
• Datenschutz: Da die Daten so persönlich sind (sie verraten, wer Sie sind und wie gesund Sie sind), müssen sie extrem gut geschützt werden.

Fazit: Wohin geht die Reise?

Die Studie sagt uns: Deep Learning hat die PPG-Technologie revolutioniert. Aus einem einfachen Pulsmesser wird ein allwissender Gesundheitsbegleiter.

Stellen Sie sich vor, Ihre Uhr sagt Ihnen nicht nur, dass Sie 120 Schläge pro Minute haben, sondern auch: "Hey, dein Herzschlagmuster sieht heute etwas gestresst aus, vielleicht solltest du tief durchatmen" oder "Ich habe eine kleine Unregelmäßigkeit bemerkt, die auf ein beginnendes Herzproblem hindeuten könnte – bitte sprich mit deinem Arzt."

Die Zukunft liegt darin, diese KI-Modelle so zu verbessern, dass sie für jeden Menschen funktionieren, unabhängig davon, wo er wohnt, wie seine Hautfarbe ist oder wie aktiv er ist. Es ist der Schritt von der bloßen Messung hin zur intelligenten, vorausschauenden Gesundheitsvorsorge.

Technische Zusammenfassung

Titel: Ein Überblick über Deep-Learning-Methoden für Photoplethysmographie-Daten (PPG)

Autoren: Guangkun Nie et al. (Peking University, National Institute of Health Data Science, etc.)

---

1. Problemstellung und Motivation

Die Photoplethysmographie (PPG) ist eine nicht-invasive optische Messtechnik, die hämodynamische Informationen erfasst und sowohl in klinischen Überwachungssystemen als auch in tragbaren Consumer-Geräten (Smartwatches, Ringe) weit verbreitet ist.

• Herausforderung: Durch die massive Zunahme an PPG-Daten übersteigt deren Umfang und Komplexität die Kapazitäten manueller Inspektion und traditioneller Analysemethoden.
• Limitationen traditioneller ML: Herkömmliche maschinelle Lernansätze basieren stark auf manueller Merkmalsextraktion (Feature Engineering). Dies ist zeitaufwendig, erfordert Expertenwissen und kann aufgrund von Verzerrungen bei der Merkmalsauswahl die volle Komplexität der PPG-Signale nicht erfassen.
• Ziel: Es fehlte eine umfassende Übersicht, die sich spezifisch auf den Einsatz von Deep Learning (DL) zur Analyse von PPG-Daten konzentriert, um den aktuellen Stand der Technik, die Herausforderungen und zukünftige Richtungen zu beleuchten.

2. Methodik

Die Autoren führten eine systematische Literaturreview durch, die folgende Kriterien erfüllte:

• Zeitraum: Veröffentlichte Studien zwischen dem 1. Januar 2017 und dem 31. Dezember 2025.
• Datenbanken: Google Scholar, PubMed und Dimensions.
• Suchquery: ("deep learning" OR "DL") AND ("photoplethysmography" OR "PPG").
• Auswahlprozess:
  • Initial 1.168 Treffer, reduziert auf 1.010 nach Entfernung von Duplikaten.
  • Ausschlusskriterien: Nicht-Englisch, keine kontaktbasierte PPG, keine DL-Methoden, keine quantitative Evaluation.
  • Endergebnis: 460 qualifizierte Papers wurden für die Analyse ausgewählt.
• Analyse-Rahmen: Die Studien wurden aus drei Perspektiven kategorisiert: Aufgaben (Tasks), Modelle (Models) und Daten (Data).

3. Schlüsselbeiträge und Ergebnisse

A. Aufgabenbereiche (Tasks)

Die 460 Studien decken ein breites Spektrum an Anwendungen ab, die über die traditionelle Herzfrequenzmessung hinausgehen:

1. Blutdruckanalyse (N=154): Der größte Bereich. Umfasst Klassifikation (Hypertonie-Erkennung) und Schätzung (systolischer/diastolischer Druck, kontinuierliche Wellenform-Rekonstruktion). Ein Trend geht hin zur Modellierung von BP-Verläufen über die Zeit statt nur Momentanwerten.
2. Kardiovaskuläres Monitoring & Diagnose (N=106): Einschätzung von Herzfrequenzvariabilität, Erkennung von Arrhythmien (z.B. Vorhofflimmern), Myokardinfarkt, Herzinsuffizienz und Risikostratifizierung (z.B. 10-Jahres-Risiko).
3. Schlafgesundheit (N=27): Schlafstadien-Klassifikation und Erkennung von Schlafapnoe. Transfer-Learning von ECG-Modellen auf PPG wird hier häufig genutzt.
4. Mental Health (N=31): Stresserkennung und Emotionszustandsanalyse.
5. Atemfrequenz & Oxygenierung (N=26): Schätzung der Atemfrequenz (RR) und Sauerstoffsättigung (SpO2), sowie Rekonstruktion von Atemwellenformen.
6. Blutzuckeranalyse (N=31): Nicht-invasive Glukoseschätzung, ein aktives Forschungsfeld mit hohen Herausforderungen.
7. Signalverarbeitung (N=41): Rauschunterdrückung, Artefaktkorrektur und Signalqualitätsbewertung (SQA).
8. Biometrische Identifikation (N=27): Nutzung der individuellen PPG-Morphologie zur Personenidentifikation.
9. ECG-Rekonstruktion (N=16): Umwandlung von PPG-Signalen in EKG-Wellenformen, um klinisch relevante Diagnosen aus Wearables zu ermöglichen.
10. Aktivitätserkennung (N=7) und andere (N=23).

B. Modellarchitekturen (Models)

Von den 460 Papers wurden folgende Architekturen am häufigsten eingesetzt:

• CNN (Convolutional Neural Networks): 283 Studien. Dominierende Architektur aufgrund ihrer Effizienz bei der Erfassung lokaler morphologischer Muster (z.B. systolischer Peak, dicrotic notch) in 1D-Signalen.
• CRNN (Hybrid CNN-RNN): 96 Studien. Kombiniert CNN zur Merkmalsextraktion mit RNN (LSTM/GRU) zur Modellierung zeitlicher Abhängigkeiten.
• RNN (Recurrent Neural Networks): 89 Studien (oft als LSTM/GRU).
• Transformer: 38 Studien. Zunehmend genutzt für langreichweitige Abhängigkeiten, jedoch oft limitiert durch Datenmenge und Rechenkosten.
• Generative Modelle: Autoencoder (AE, 20), GAN (13), Diffusion Models (3) und U-Net (28) werden vor allem für Signalrekonstruktion, Denoising und Datenvermehrung eingesetzt.
• Trends: Es gibt einen wachsenden Einsatz von Foundation Models und Large Language Models (LLMs) für multimodale Analysen.

C. Datenquellen (Data)

Die meisten Studien nutzen Open-Source-Datensätze. Wichtige Quellen sind:

• Klinische Daten: MIMIC-III/IV (ICU), VitalDB (chirurgische Eingriffe), MC-MED (Notaufnahme).
• Großstudien: UK Biobank (über 230.000 Teilnehmer).
• Spezifische PPG-Datensätze: PulseDB (Blutdruck), PPG-DaLiA (Aktivität), verschiedene Schlaf-Datensätze (HSP, MESA).
• Herausforderung: Mangel an großen, standardisierten Datensätzen aus dem Alltag (Real-World-Daten) und hohe Variabilität zwischen Individuen (Hauttyp, Alter, Geräte).

4. Diskussion und Herausforderungen

Das Paper identifiziert kritische Hindernisse für den Fortschritt:

• Datenverfügbarkeit & Standardisierung: Fehlende große, diverse und standardisierte Datensätze erschweren die Generalisierung von Modellen.
• Subjektvariabilität: Unterschiede in Hautpigmentierung, Anatomie und physiologischen Bedingungen beeinflussen die Signalqualität stark.
• Vorverarbeitung: Unterschiedliche Vorverarbeitungspipelines (Segmentierung, Filterung) führen zu Verzerrungen und erschweren den Vergleich zwischen Studien.
• Interpretierbarkeit: Black-Box-Modelle sind im klinischen Kontext problematisch; Erklärbarkeit (Explainable AI) ist essenziell.
• Datenschutz: PPG-Signale können biometrische Identifikatoren enthalten, was neue Datenschutzrisiken mit sich bringt.
• Rechenleistung: Komplexe Modelle (z.B. Transformer) sind oft zu rechenintensiv für ressourcenbeschränkte Wearables.

5. Signifikanz und Ausblick

• Erweiterung des Anwendungsspektrums: Deep Learning hat PPG von einer reinen Signalverarbeitungstechnik zu einem Werkzeug für komplexe klinische Diagnosen und systemweite Gesundheitsbewertungen transformiert.
• Wearable-Integration: Die Kombination aus fortschrittlicher Sensorik (z.B. Ohr-Hörgeräte, neue Wellenlängen) und DL-Modellen ermöglicht zuverlässiges, kontinuierliches Monitoring im Alltag.
• Zukünftige Richtungen:
  • Entwicklung von Foundation Models für PPG, die auf riesigen, ungelabelten Daten vortrainiert werden.
  • Integration von Multimodalität (PPG + ECG + Text/EHR) durch LLMs und KI-Agenten.
  • Fokus auf Personalisierung und Interpretierbarkeit, um die klinische Akzeptanz zu erhöhen.
  • Schaffung von Standard-Benchmarks und ethischen Richtlinien für den Umgang mit physiologischen Daten.

Fazit: Deep Learning hat die PPG-Analyse revolutioniert und ermöglicht präzisere, flexiblere und umfassendere Gesundheitsüberwachung. Dennoch sind die Überwindung von Datenmängeln, die Verbesserung der Generalisierbarkeit und die Sicherstellung der klinischen Validierung entscheidend für den nächsten Schritt zur breiten klinischen Implementierung.