技術要約：マルチ波長PPGを用いたカリキュラム・敵対的学習による汎用的な血圧推定

問題提起
正確で汎用性のある血圧（BP）推定は、高血圧症をはじめとする心血管疾患の管理において極めて重要である。ウェアラブルな光電容積脈波（PPG）は、従来のカフ式測定法に代わる非侵襲的な選択肢を提供するが、既存の機械学習アプローチには2つの大きな制限がある。第一に、多くの研究が単一波長のPPG信号のみに依存しており、マルチ波長データに含まれる相補的な情報を活用できていないことである。第二に、より深刻な点として、多くの研究がセグメント単位のランダム分割といった不適切なデータ分割戦略を採用していることである。これは、訓練セットとテストセットが被験者固有の情報を共有してしまう「データ漏洩（データリーク）」を引き起こし、結果として性能を過大評価させ、新しい個人に対する汎用性を損なわせる原因となる。

手法
著者らは、公開されている4波長PPGデータセット（660nm、730nm、850nm、940nm）を利用した、汎用性の高い血圧推定フレームワークを提案している。本アプローチの中核は、マルチチャネル畳み込みニューラルネットワーク（CNN）アーキテクチャに基づいた**カリキュラム・敵対的学習（Curriculum-Adversarial Learning）**戦略である。

1. データ前処理および特徴抽出:

   • パイプラインは、データ漏洩を排除するために厳格な被験者レベルのデータ分割（訓練/テスト比 4:1）を強制する。
   • PPG信号にはバンドパスフィルタ（0.5–8 Hz）を適用し、Zスコア正規化を行う。
   • 特徴抽出には、時間的ダイナミクスとピーク情報を捉えるために、1次および2次の微分、およびアッパーエンベロープ（上部包絡線）を用いる。
   • 4つのPPGチャネルの各々は、2つの並列なCNNブランチを通じて処理される。一つは正規化された信号と微分値のためのブランチ、もう一つはエンベロープのためのブランチである。これにより、チャネルあたり6つの入力ストリームが生成される。

2. マルチチャネル融合:

   • CNNブランチから抽出された特徴ベクトルは、アテンションメカニズムを用いて融合される。この層は各チャネルにソフトウェイトを割り当て、その加重和を生成してダウンストリームのタスクへの入力とする。

3. カリキュラム・敵対的学習:
   モデルは、3つの異なるヘッドと複合損失関数を用いて訓練される：

   • カリキュラム学習: モデルは粗いレベルのタスクから微細なタスクへと導かれる。初期段階では、バイナリクロスエントロピー（BCE）損失を用いて、高血圧の状態（収縮期血圧 SBP ≥130 mmHg または 拡張期血圧 DBP ≥90 mmHg）を予測する二値分類器として機能する。訓練が進むにつれ、焦点は平均二乗誤差（MSE）損失を用いた血圧回帰（SBPおよびDBPの推定）へと移行する。適応的な重み（$\lambda_1$）が、損失関数を分類から回帰へと遷移させる。
   • ドメイン敵対的学習: 被験者間の汎用性を高めるため、ドメイン敵対的識別器が被験者の識別を試みる。バックプロパゲーション時には、勾配を反転させるために勾配反転層（GRL）が採用され、特徴抽出器に、識別器を混乱させるような被験者不変の特徴を学習させる。このコンポーネントにはカテゴリカルクロスエントロピー（CE）損失が使用される。
   • 全損失: これらの目的関数は $L = \lambda_1 L_{reg} + (1 - \lambda_1) L_{cls} - \lambda_2 L_{adv}$ として結合される。ここで $\lambda_2$ は敵対的寄与を制御する。

主な貢献

1. 厳格な被験者レベルの評価: 著者らは公開された4波長データセットを使用しているが、データ漏洩の問題に対処するため、厳格な被験者レベルの分割を適用している。
2. マルチ波長特徴融合: 単一チャネルの入力に頼るのではなく、4つの異なる波長（660nm, 730nm, 850nm, 940nm）にわたる相補的な特徴を抽出・融合することの有効性を実証している。
3. カリキュラム・敵対的フレームワーク: カリキュラム学習（分類から回帰への遷移）とドメイン敵対的学習（臨床パターンと被験者不変な特徴の同時捕捉）を組み合わせた新しい枠組みを導入した。

実験結果
実験は180名の被験者（うち高血圧患者66名）のデータセットを用いて行われた。提案手法は、単一チャネルモデルおよび既存のマルチ波長ベースライン（A-BiLSTM, MLP, CNN1D, Multi-CNN）と比較された。

• 性能: 厳格な被験者レベルの分割条件下において、提案手法は**収縮期血圧（SBP）で14.2 mmHg、拡張期血圧（DBP）で6.4 mmHgの平均絶対誤差（MAE）**を達成した。
• マルチチャネルの優位性: フルマルチチャネル融合モデルは、単一チャネルモデルを一貫して上回った。個別に見た場合、SBPには660nmチャネルが、DBPには940nmチャネルが最も優れた性能を示したが、融合モデルは最も低いMAEと最も高い英国高血圧学会（BHS）格付けスコア（例：SBP予測の57.6%が±15 mmHg以内）を達成した。
• 比較: 提案手法は、バックボーンであるMulti-CNNを含むすべてのベースラインを上回り、カリキュラムおよび敵対的コンポーネントの価値を証明した。
• アブレーション研究: 分類ヘッド（カリキュラム）または敵対的識別器のいずれかを取り除くと、MAEが高くなった。これは、両方のコンポーネントが最適な性能のために不可欠であることを裏付けている。

意義と主張
本論文は、データ漏洩を排除する被験者レベルの分割を通じて、血圧推定能力のより現実的かつ堅牢な評価を提供することを主張している。著者らは、厳格なプロトコルを採用したことで、先行研究（漏洩が発生していた可能性があるもの）と比較して報告される誤差が高くなっていることを指摘しているが、本モデルは高血圧スクリーニングおよび長期的なトレンドモニタリングに向けた強い潜在能力を示している。

著者らは、現在の精度については、特に極端な血圧範囲や信号品質が低下した場合において、まだ改善の余地があるとして謙虚な姿勢を保っている。結論として、相補的なマルチ波長情報とカリキュラム・敵対的戦略を組み合わせることは、正確で汎用性の高いカフレス血圧推定への実行可能な道筋を提供すると述べている。今後の課題として、追加のデータ収集や信号品質評価の強化が計画されている。