Sintesi Tecnica: Adattamento Rapido della Stima della SpO2 su Dispositivi Indossabili tramite Transfer Learning su PPG a Bassa Frequenza di Campionamento

Definizione del Problema

La saturazione di ossigeno nel sangue (SpO2) è un marker fisiologico critico per la salute cardiovascolare, tradizionalmente stimata tramite la pulsossimetria utilizzando sensori fotopletismografici (PPG). Tuttavia, l'implementazione di una stima accurata della SpO2 su dispositivi indossabili con risorse energetiche limitate affronti tre sfide primarie:

1. Elevato Consumo Energetico: Gli approcci esistenti di machine learning richiedono spesso frequenze di campionamento PPG elevate (es. 100Hz), che drenano la durata della batteria.
2. Dipendenza dalla Calibrazione Clinica: I metodi di calibrazione tradizionali per nuovi dispositivi richiedono ambienti clinici controllati e una raccolta estesa di dati, ostacolando il rapido dispiegamento.
3. Scarsa Rappresentazione delle Fluttuazioni: I dataset clinici mantengono spesso livelli di saturazione stabili, fallendo nel catturare le fluttuazioni spontanee e rapide della SpO2 (es. durante l'apnea del sonno o la distress respiratoria) essenziali per il monitoraggio nel mondo reale.

Metodologia

Gli autori propongono un framework basato sul transfer learning progettato per adattare i modelli di stima della SpO2 a dispositivi indossabili utilizzando segnali PPG a doppio canale con bassa frequenza di campionamento (25Hz). Il framework si compone di tre fasi principali:

1. Acquisizione e Preelaborazione dei Dati

• Dataset Pubblico (Pre-training): Il modello viene inizialmente pre-addestrato sull'OpenOximetry Dataset, raccolto in un ambiente clinico controllato. I segnali (Rosso 660nm e IR 940nm) registrati a 86Hz vengono sottocampionati a 25Hz tramite ricampionamento nel dominio di Fourier.
• Dataset Privato (Fine-tuning): Un dataset privato è stato raccolto utilizzando un braccialetto indossabile personalizzato "We-Be" (25Hz, Rosso 660nm/IR 950nm) insieme a un ossimetro di riferimento Masimo Rad-G approvato dalla FDA. Per indurre fluttuazioni transitorie, i partecipanti hanno eseguito cicli di apnea (trattenuta del respiro).
• Elaborazione del Segnale: I segnali PPG grezzi subiscono un filtraggio passa-banda (0.5–12Hz) per separare le componenti AC (pulsatili) e DC (linea di base). Il rapporto AC/DC viene calcolato per la normalizzazione. I dati vengono segmentati utilizzando una finestra scorrevole di 5 secondi con un passo di 1 secondo, risultando in tensori di input di forma $(N, 125, 2)$ per $N$ segmenti.

2. Architettura del Modello

Il modello di machine learning principale comprende:

• BiLSTM: Una rete Long Short-Term Memory bidirezionale per catturare le dipendenze temporali nella sequenza PPG a doppio canale.
• Strato di Self-Attention: Utilizza le caratteristiche interne della BiLSTM come query, key e value per catturare le relazioni contestuali globali all'interno della rappresentazione temporale.
• Strato Fully Connected (FC): Effettua la regressione del valore finale di SpO2.
• Post-elaborazione: Un filtro a media mobile (dimensione finestra 5) viene applicato alla sequenza di predizioni per smussare l'output.

3. Strategia di Transfer Learning

Gli autori impiegano una strategia di fine-tuning a due stadi per adattare il modello dal dominio clinico al dominio wearable:

1. Pre-training: Tutti gli strati del modello sono addestrati sul dataset clinico pubblico.
2. Fine-tuning:
   • In primo luogo, solo lo strato FC viene sottoposto a fine-tuning sul dataset privato del wearable.
   • In secondo luogo, i livelli BiLSTM e FC vengono sbloccati e sottoposti a fine-tuning congiunto sul dataset privato.
     Questo approccio mira a sfruttare l'estrazione di caratteristiche robuste apprese dai dati clinici, adattandole al particolare hardware e alle caratteristiche del segnale del dispositivo indossabile.

Contributi Chiave

1. Monitoraggio Wearable Energeticamente Efficiente: Il sistema opera a una frequenza di campionamento di 25Hz, che gli autori dimostrano ridurre il consumo di potenza del PPG di circa il 40% rispetto allo standard di campionamento a 100Hz, senza una perdita significativa nell'accuratezza della stima.
2. Rapido Dispiegamento tramite Transfer Learning: Il framework consente un rapido adattamento del modello a nuovi dispositivi indossabili utilizzando piccole quantità di dati a livello di utente, eliminando efficacemente la necessità di una calibrazione clinica specifica per il dispositivo.
3. Cattura delle Fluttuazioni Istantanee: Il modello è in grado di rilevare rapidi cambiamenti di SpO2, affrontando il limite dei dataset clinici che spesso mancano di eventi di desaturazione transitori.

Risultati Sperimentali

Prestazioni sul Dataset Pubblico

Sul dataset OpenOximetry (sottocampionato a 25Hz), il modello proposto BiLSTM+Attn ha ottenuto:

• Errore Assoluto Medio (MAE): 2.967%
• Errore Quadratico Medio (RMSE): 4.393%
  Questa prestazione ha superato significativamente i metodi di calibrazione tradizionali (MAE 3.286%) e altri baseline di deep learning (CNN 1d, Transformer, BiLSTM standard). I risultati hanno indicato che le informazioni chiave della SpO2 sono preservate anche dopo il sottocampionamento da 86Hz a 25Hz.

Prestazioni sul Dataset Privato

Valutato sul dataset privato del wearable utilizzando una strategia di cross-validazione leave-one-subject-out (LOSO):

• Prestazioni Complessive: Il modello BiLSTM+Attn+Transfer ha ottenuto il MAE più basso del 2.624% e un RMSE di 3.214%, superando sia il metodo tradizionale (MAE 4.069%) che il modello non trasferito BiLSTM+Attn (MAE 2.717%).
• Prestazioni Istantanee: Nelle "zone istantanee" (definite come intervalli in cui la variazione di SpO2 supera il 3% entro 10 secondi), il modello di transfer learning ha raggiunto un MAE di 3.284%, dimostrando una capacità superiore di tracciamento degli eventi di desaturazione rapida rispetto al metodo tradizionale (MAE 4.738%).

Consumo di Potenza

Le misurazioni sul braccialetto We-Be hanno mostrato che operare a 25Hz consuma circa 9mW (escluso il consumo di base), una riduzione del 40% rispetto ai ~15mW richiesti a 100Hz.

Significato e Rivendicazioni

Il documento sostiene che questo lavoro dimostra una via percorribile verso un monitoraggio della SpO2 accurato e a basso consumo su dispositivi indossabili senza la necessità di calibrazione clinica. Combinando il PPG a bassa frequenza di campionamento con un framework di transfer learning, gli autori dimostrano che:

• Le alte frequenze di campionamento non sono strettamente necessarie per una stima accurata della SpO2 se vengono utilizzati modelli temporali appropriati (BiLSTM+Attention).
• Il transfer learning colma efficacemente il divario di dominio tra i dati clinici controllati e i dati del mondo reale dei wearable, consentendo un rapido dispiegamento.
• L'approccio è particolarmente efficace per applicazioni che richiedono la rilevazione di eventi transitori, come l'apnea del sonno e la distress respiratoria, dove la cattura delle fluttuazioni istantanee è critica.

Gli autori concludono che, sebbene l'attuale metodo sia robusto, il lavoro futuro si concentrerà sullo sfruttamento delle dipendenze temporali attraverso le finestre scorrevoli e sull'impiego di tecniche di adattamento del dominio più avanzate.