Machine-learning for photoplethysmography analysis: Benchmarking feature, image, and signal-based approaches

Diese Studie zeigt durch einen umfassenden Benchmark, dass tiefe neuronale Netze, insbesondere moderne CNNs, die auf rohen PPG-Zeitreihen basieren, sowohl bei der Blutdruckschätzung als auch bei der Vorhersage von Vorhofflimmern interpretierbaren Merkmalen und Bildrepräsentationen überlegen sind.

Das Wesentliche

Das große Rennen: Wie man den Puls mit KI besser versteht

Stell dir vor, dein Smartwatch misst deinen Puls. Das macht sie, indem sie Licht durch deine Haut schießt und misst, wie viel davon zurückkommt (das nennt man PPG). Das ist wie ein winziger Licht-Scanner, der sieht, wie dein Blut durch die Adern pumpt.

Die große Frage für Forscher ist: Wie kann man aus diesem einfachen Lichtsignal so viel herauslesen, wie ein Arzt? Zum Beispiel:

1. Blutdruck: Wie stark drückt das Blut gegen die Wände?
2. Vorhofflimmern (AF): Hat das Herz einen unregelmäßigen Rhythmus, der gefährlich sein kann?

Bisher gab es zwei Hauptstrategien, wie man Computer (Künstliche Intelligenz) das lernen lässt. Diese Studie hat genau das untersucht: Welcher Weg ist der beste?

---

Die drei Teams im Rennen

Die Forscher haben drei verschiedene „Mannschaften" gegeneinander antreten lassen, um zu sehen, wer die Aufgabe am besten löst.

1. Das Team „Rohes Signal" (Die Direkt-Übersetzer)

• Wie es funktioniert: Diese KI bekommt den rohen Pulsverlauf direkt zu sehen, genau so, wie die Uhr ihn aufzeichnet. Sie muss selbst herausfinden, was wichtig ist.
• Die Analogie: Stell dir vor, du gibst einem genialen Koch ein ganzes Schwein (das rohe Signal) und sagst: „Mach daraus ein leckeres Essen." Der Koch muss selbst entscheiden, wo das Fleisch ist, wo die Knochen sind und wie er es schneidet. Er lernt durch Probieren.
• Die Ausrüstung: Hier kamen moderne, tiefe neuronale Netze zum Einsatz (wie XResNet oder Inception). Das sind sehr komplexe „Gehirne", die Muster erkennen können, die für Menschen unsichtbar sind.

2. Das Team „Manuelle Features" (Die Detektive mit Checkliste)

• Wie es funktioniert: Bevor die KI überhaupt schaut, machen menschliche Experten die Arbeit. Sie messen manuell: „Wie hoch ist der Gipfel des Pulses?", „Wie lang ist die Pause zwischen zwei Schlägen?", „Wie schnell fällt die Kurve ab?". Diese Zahlen werden dann an die KI gegeben.
• Die Analogie: Du gibst dem Koch keine ganze Schwein, sondern eine Liste mit genauen Anweisungen: „Nimm genau 200g Fleisch, schneide es in 2cm-Würfel und würze es mit 3g Salz." Die KI muss nur noch die Würfel in den Ofen schieben.
• Das Problem: Wenn die menschlichen Experten etwas übersehen oder die Checkliste nicht perfekt ist, kann die KI nichts daraus lernen.

3. Das Team „Bilder" (Die Maler)

• Wie es funktioniert: Die Forscher wandeln den Pulsverlauf in ein Bild um (z. B. ein Spektrogramm, das aussieht wie ein farbiges Musik-Wellenbild). Dann nutzen sie KI-Modelle, die eigentlich für das Erkennen von Katzenbildern entwickelt wurden.
• Die Analogie: Du nimmst das rohe Schwein, machst ein Foto davon und sagst dem Koch: „Schau dir dieses Foto an und koch danach." Es ist ein Umweg, aber manchmal helfen Bilder, Muster besser zu erkennen.

---

Das Ergebnis: Wer hat gewonnen?

Das Ergebnis war ziemlich eindeutig, aber mit einer kleinen Überraschung:

Der große Gewinner: Das Team „Rohes Signal" mit komplexer KI.
Die Modelle, die direkt mit dem rohen Pulsverlauf gearbeitet haben (besonders die sehr tiefen neuronalen Netze wie XResNet), waren in fast allen Fällen die Besten.

• Warum? Weil sie so mächtig sind, dass sie selbst die kleinsten, winzigen Details im Signal finden, die menschliche Experten auf einer Checkliste vielleicht gar nicht bemerkt hätten. Sie sind wie ein Super-Detektiv, der nicht nur auf die Checkliste schaut, sondern auch den Geruch und die Textur des Fleisches analysiert.

Die Überraschung:
Manchmal, wenn es darum ging, den Blutdruck bei völlig neuen Personen vorherzusagen (die die KI noch nie gesehen hat), waren auch einfachere Modelle oder sogar die „Bilder"-Methode fast genauso gut wie die Super-KIs.

• Die Lehre: Man muss nicht immer den größten, teuersten Supercomputer nehmen. Manchmal reicht ein kleineres, schlankeres Modell, wenn es gut trainiert ist.

Der Verlierer:
Das Team mit den manuellen Checklisten (die „Features") kam meist am schlechtesten weg.

• Warum? Weil die menschlichen Regeln zu starr waren. Die KI konnte nicht über die Checkliste hinausdenken. Wenn das Signal verrauscht war (z. B. durch Bewegung der Hand), waren die manuellen Messwerte oft falsch, und die KI hatte keine Chance.

---

Was bedeutet das für uns?

1. Die Zukunft ist „End-to-End": Die beste Methode ist, der KI den rohen Pulsverlauf zu geben und ihr zu erlauben, selbst zu lernen, was wichtig ist. Wir müssen nicht mehr alles manuell ausmessen.
2. Komplexität ist gut, aber nicht immer nötig: Die allerstärksten Modelle waren die komplexesten. Aber für bestimmte Aufgaben reichen auch kleinere Modelle aus. Das ist wichtig für Smartwatches, die wenig Energie verbrauchen müssen.
3. Vorsicht bei der Realität: Die Studie zeigte, dass diese Modelle im Labor (mit sehr sauberen Daten aus dem Krankenhaus) super funktionieren. Aber im echten Leben, wenn man rennt oder die Uhr wackelt, wird es schwieriger. Die KI muss noch robuster werden, um auch bei „schmutzigen" Daten (wie beim Joggen) zuverlässig zu sein.

Zusammenfassend:
Die Forscher haben gezeigt, dass wir aufhören können, dem Computer eine lange Checkliste zu geben. Stattdessen sollten wir ihm das rohe Signal geben und sagen: „Schau dir das an und finde die Muster selbst." Die modernen KI-Modelle sind dabei so schlau, dass sie oft besser sind als die besten menschlichen Experten mit ihrer Checkliste.

Technische Zusammenfassung

1. Problemstellung und Motivation

Die Photoplethysmographie (PPG) ist eine weit verbreitete, nicht-invasive Methode zur physiologischen Erfassung, die in klinischen Geräten (z. B. Pulsoximetern) und Consumer-Wearables (z. B. Smartwatches) eingesetzt wird. Sie misst Blutvolumenänderungen in der Haut und liefert Informationen über Herzfrequenz, Herzrhythmus und Blutdruck.

Obwohl maschinelles Lernen (ML) zunehmend zur Analyse von PPG-Signalen genutzt wird, fehlt es an systematischen Vergleichen zwischen verschiedenen Eingangsrepräsentationen und Modellarchitekturen. Die aktuelle Forschung ist oft fragmentiert:

• Vergleiche finden meist nur innerhalb einer Eingabemodalität statt (z. B. nur Rohdaten vs. nur Merkmale).
• Ergebnisse aus der Literatur sind aufgrund unterschiedlicher Datensets, Aufteilungen und Evaluierungsprotokolle schwer direkt vergleichbar.

Das Ziel dieser Studie ist es, diese Lücke zu schließen, indem ein kontrollierter, direkter Vergleich („like-for-like") zwischen drei Ansätzen durchgeführt wird:

1. Rohzeitreihen (Raw Time Series)
2. Handgefertigte Merkmale (Engineered/Interpretable Features)
3. Bildbasierte Darstellungen (Image Representations)

Untersucht werden zwei prototypische klinische Anwendungsfälle:

• Klassifikation: Vorhersage von Vorhofflimmern (AF).
• Regression: schmerzfreie (cuffless) Blutdruckschätzung (BP).

2. Methodik

Datensätze

Die Studie nutzt zwei große, öffentliche Datensätze:

• VitalDB (für Blutdruck): Enthält PPG-, EKG- und invasive arterielle Blutdrucksignale von chirurgischen Patienten. Es werden zwei Szenarien getestet:
  • Calib: Kalibrierung innerhalb desselben Patienten (Train/Test-Overlap erlaubt).
  • CalibFree: Generalisierung auf unbekannte Patienten (kein Patient-Overlap zwischen Train und Test).
• DeepBeat (für Vorhofflimmern): Enthält PPG-Segmente von 175 Personen. Die Autoren erstellten eine neue, ausgewogenere Datenaufteilung, um Verzerrungen des Originaldatensatzes (unbalancierte Verteilung und Redundanz) zu korrigieren.

Eingangsrepräsentationen und Modelle

Es wurden drei Kategorien von Eingaben mit einer Vielzahl von State-of-the-Art-Modellen verglichen:

1. Rohzeitreihen (Time Series - T):

   • Modelle: 1D-CNNs (LeNet1d, Inception1d, XResNet1d50/101, AlexNet1d), TCNs, Transformer (iTransformer, TimesNet), Hybrid-Modelle (PPNet, CNN-LSTM) und MiniRocket.
   • Ansatz: Direkte Verarbeitung der rohen PPG-Welle ohne manuelle Merkmalsextraktion.

2. Merkmalsbasiert (Feature-based - F):

   • Merkmale: Klinisch interpretierbare Merkmale (Pulsform, Derivate, Irregularitätsmaße wie RMSSD, Shannon-Entropie) sowie Wavelet-Koeffizienten.
   • Modelle: Multi-Layer Perceptrons (MLP), Gaussian Process Regression (GPR).
   • Ansatz: Signalverarbeitung zur Extraktion physiologisch relevanter Parameter, gefolgt von einem klassischen ML-Modell.

3. Bildbasiert (Image-based - I):

   • Transformationen: Continuous Wavelet Transform (CWT) zu Skalogrammen und Short-Time Fourier Transform (STFT) zu Spektrogrammen.
   • Modelle: 2D-CNNs (ResNet-18, ResNet-50), initialisiert mit ImageNet-Vorwissen.
   • Ansatz: Umwandlung des 1D-Signals in ein 2D-Bild zur Nutzung etablierter Bilderkennungsarchitekturen.

Evaluierung

• Blutdruck (Regression): Mean Absolute Error (MAE), Mean Absolute Scaled Error (MASE), Bland-Altman-Analyse (Bias, Limits of Agreement) und IEEE 1708a-2019 Standard (Grade A-D basierend auf Fehlergrenzen).
• Vorhofflimmern (Klassifikation): AUC, F1-Score, Sensitivität, Spezifität, MCC.
• Statistik: Bootstrap-Analysen (1.000 Iterationen) zur Bestimmung der statistischen Signifikanz der Unterschiede zwischen den Modellen.

3. Wichtige Ergebnisse

Blutdruckschätzung (BP Estimation)

• Leistungsführende Ansätze: Modelle, die auf rohen Zeitreihen basieren, erzielten die besten Ergebnisse, insbesondere tiefe 1D-CNNs (XResNet1d50/101).
• Einfluss der Kalibrierung:
  • Im Calib-Szenario (Patienten im Test bekannt) performten komplexe Modelle (XResNet1d) am besten, da sie patientenspezifische Muster „auswendig lernen" konnten.
  • Im CalibFree-Szenario (Generalisierung auf neue Patienten) waren kleinere Modelle (z. B. LeNet1d) oft konkurrenzfähig oder sogar besser als sehr große Modelle, was auf eine bessere Generalisierungsfähigkeit hindeutet.
• Vergleich mit anderen Methoden: Merkmalsbasierte Ansätze (Feature-based) waren im CalibFree-Szenario teilweise konkurrenzfähig, im Calib-Szenario jedoch deutlich schlechter als Rohdaten-Modelle. Bildbasierte Modelle (CWT/STFT) lagen meist zwischen den beiden Extremen oder waren ähnlich gut wie Rohdaten-Modelle.
• Genauigkeit: Die besten Modelle erreichten MAEs von ca. 8 mmHg (DBP) und 12-13 mmHg (SBP) im CalibFree-Szenario. Dennoch fiel ein signifikanter Anteil der Vorhersagen (bis zu 41% für SBP) in die schlechteste Kategorie (Grade D, Fehler > 7 mmHg).

Vorhofflimmern-Erkennung (AF Detection)

• Leistungsführende Ansätze: Auch hier schnitten Rohzeitreihen-Modelle (insbesondere Inception1d und XResNet1d50) am besten ab (AUC ~0.85, F1 ~0.69).
• Bildbasierte Modelle: Spektrogramm-basierte ResNet-Modelle erzielten Ergebnisse, die den besten Rohdaten-CNNs statistisch nicht unterlegen waren. Dies zeigt, dass die Transformation in Bilder für diese Aufgabe effektiv ist.
• Merkmalsbasierte Modelle: Diese schnitten generell am schlechtesten ab. Wavelet-basierte Merkmale performten besser als klinisch interpretierbare Merkmale, lagen aber unter den Deep-Learning-Ansätzen auf Rohdaten.
• Statistische Signifikanz: Viele der Top-Modelle (CNNs und einige Bild-Modelle) waren in ihrer Klassifikationsleistung statistisch nicht signifikant voneinander unterscheidbar.

4. Hauptbeiträge der Studie

1. Umfassendes Benchmarking: Erstmals wurde ein direkter, fairer Vergleich zwischen Rohdaten-, Merkmal- und Bildansätzen auf großen Datensätzen für zwei unterschiedliche klinische Aufgaben durchgeführt.
2. Validierung von Architekturen: Die Studie bestätigt, dass moderne 1D-CNN-Architekturen (ResNet, Inception) auf Rohdaten derzeit den robustesten Ansatz für PPG-Analysen darstellen.
3. Erkenntnisse zur Generalisierung: Es wurde gezeigt, dass die Wahl des Modells stark vom Szenario abhängt (Generalisierung auf neue Patienten vs. Anpassung an bekannte Patienten).
4. Offene Reproduzierbarkeit: Der gesamte Code, einschließlich Vorverarbeitung und Training, wurde öffentlich verfügbar gemacht.

5. Bedeutung und Fazit

Die Studie liefert praktische Leitlinien für die Entwicklung von ML-Systemen für PPG:

• Empfehlung: Für unbekannte Aufgaben oder neue Datensätze ist der Einsatz moderner CNN-Architekturen auf rohen Zeitreihen der sicherste und leistungsfähigste Ansatz.
• Trade-off: Während Deep Learning auf Rohdaten die beste Genauigkeit liefert, bleiben Merkmalsbasierte Ansätze aufgrund ihrer klinischen Interpretierbarkeit (z. B. Pulsform-Analyse) wichtig für das Vertrauen von Ärzten. Die Studie zeigt jedoch, dass die „Black Box" der Deep-Learning-Modelle aktuell durch höhere Genauigkeit kompensiert wird.
• Herausforderungen: Trotz guter aggregierter Metriken zeigen Bland-Altman-Analysen eine hohe Varianz auf Einzelproben-Ebene. Dies deutet darauf hin, dass für den klinischen Einsatz noch Fortschritte in der Unsicherheitsquantifizierung und der Erkennung von „Out-of-Distribution"-Daten (z. B. schlechte Signalqualität durch Bewegung) notwendig sind.
• Datenqualität: Die Ergebnisse unterstreichen, dass die Qualität der Daten (z. B. chirurgische vs. Alltagsszenarien) und die Datenaufteilung (Patienten-Overlap) entscheidende Faktoren für die Bewertung von Modellleistungen sind.

Zusammenfassend demonstriert die Arbeit, dass Deep Learning auf Rohdaten den aktuellen State-of-the-Art für PPG-Analysen darstellt, aber die Interpretierbarkeit und Robustheit gegenüber Artefakten weiterhin aktive Forschungsgebiete sind.