⚡ electrical engineering

Comprehensive Dataset and Signal Processing Framework for Phonocardiogram-Based Heart Rate and Blood Pressure Estimation

本論文は、高度な信号処理と半経験的モデリングによって高い精度を達成し、PCG 信号のみを用いて心拍数と血圧の両方を非侵襲的に推定することを可能にする、費用対効果の高い心音追跡（PhonoTrack）システムおよび対応するデータセットを導入するものである。

原著者： Abdul Ahad Mamun, Utsab Saha, Md Hasibul Hasan, Shahed Ahmed, MD Jahin Alam

公開日 2026-05-25

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Abdul Ahad Mamun, Utsab Saha, Md Hasibul Hasan, Shahed Ahmed, MD Jahin Alam

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたの胸の奥にある心臓を、忙しくリズミカルに鼓動を打つ機械だと想像してみてください。心臓が拍動するたびに、特有の「ドクン・ドクン」という音（心音）が鳴り、小さな電気的な火花（電気信号）を送ります。通常、心拍数や血圧を調べるには、医師は高価な機械、粘着性のワイヤ、または腕を締め付ける血圧計の袖が必要になります。

この論文は、PhonoTrackと呼ばれる新しい低コストの発明を紹介しています。これは「スマートな聴診器」とも言えるもので、電気的なワイヤや腕の袖を必要とせず、単に鼓動の音を聞くだけで心拍数と血圧を推定しようとするものです。

以下に、彼らがどのように行ったかを簡単に説明します。

1. 設定：「スマートな耳」の構築

研究者たちは、標準的な聴診器のチューブを使用し、イヤーピースの中にマイクを隠した単純な装置を作りました。これを 15 人の健康なボランティア（全員男性、18〜50 歳）の胸に装着しました。

目的： 心臓の「ドクン・ドクン」という音（PCGと呼ばれる）を記録し、「ゴールドスタンダード」となる基準と比較すること。
基準： 同時に、標準的なワイヤを使用して心臓の電気信号（ECG）を記録し、従来の腕の袖で手動で血圧を測定しました。これが、新しい装置が正しいかどうかを確認するための「答えの鍵」でした。

2. 信号のクリーニング：「ノイズキャンセリング」ヘッドホン

心音は、風の強い部屋でささやきを聞こうとするようなもので、しばしばごちゃごちゃしています。コンピュータは録音を整理する必要がありました。

彼らはデジタルの「ふるい」（ウェーブレットノイズ除去と呼ばれる）を使用して、風や静電気のノイズを除去し、クリアな心拍音のみを残しました。
その後、心拍のピークを見つけるために 3 つの異なる「数学的なレンズ」を使用しました。
1. ヒルベルト変換： 波の輪郭を追跡してその高さを確認するようなもの。
2. シャノンエントロピー： 音の最も大きな部分の音量を上げて、拍動を目立たせるようなもの。
3. ウェーブレットエネルギースペクトル： 音の熱地図を見て、エネルギーがどこに集中しているかを確認するようなもの。

3. 拍動の計数（心拍数）

音がクリアになったら、コンピュータは「ドクン」の数を数えました。

結果： 新しい装置は驚くほど正確でした。それは「ゴールドスタンダード」である電気的なワイヤとほぼ完璧に一致しました。
スコア： 満点が 1.0 なら、この装置は（シャノンエントロピー法を用いて）0.973というスコアを記録しました。これはテストで A+ を取った学生のようなものです。新しい装置とゴールドスタンダードの差は、平均して 1 分間に 2 拍未満でした。

4. 圧力の推測（血圧）

ここが難しい部分です。通常、血圧を測定するには腕を締め付ける袖が必要です。この装置は、心音の「形状」と「タイミング」を聞くだけで圧力を推測しようとしました。

比喩： ドラム奏者を想像してください。もし彼らがドラムを強く速く叩けば、音はわずかに変化するかもしれません。研究者たちは、「ドクン」がどのくらい持続し、どのくらい速く立ち上がり、どのくらい速く落ちるかを観察する「数学的な翻訳機」（半経験的モデル）を構築しました。これらの詳細を数式に代入して血圧を推測しました。
結果：
- 収縮期（上の数値）： 推測値は実際の測定値と非常に近く、相関は0.89でした。
- 拡張期（下の数値）： 推測値はそれなりにでしたが、やや変動が大きく、相関は0.70でした。
- 注記： この論文は、この部分が「概念実証」であることを認めています。静かな実験室ではうまく機能しますが、まだ完璧ではありません。

5. 注意点（限界）

この論文は、何がまだできていないかについて非常に率直です。

小規模なグループ： 彼らは 15 人の男性のみをテストしました。女性、子供、高齢者はテストしていません。
静かな部屋： テストは静かな実験室で行われました。歩行中、走行中、または騒がしい通りでのテストは行われていません。
まだ医師ではない： 著者は明確に、これはプロトタイプであると述べています。病院での医師の機器の代替や、心疾患の診断に使用できる段階ではありません。安価で携帯可能な装置が機能する可能性があるかどうかを確認するための「最初のステップ」です。

まとめ

研究者たちは、あなたの心臓の音を聞く安価で携帯可能な装置を構築しました。彼らは、賢明な数学を用いて音を整理することで、高価な医療用ワイヤとほぼ同じ精度で心拍数を数えられることを証明しました。また、単に音を聞くだけで血圧を推測する有望な（しかし完璧ではない）方法も示しました。これは成功した「実験室実験」であり、将来的には安価でシンプルなガジェットで心臓の健康状態をチェックできる可能性を示唆していますが、現実世界で使用できるようになるまでには、より多くの人々によるさらなるテストが必要です。

技術概要：心音に基づく心拍数および血圧推定のための包括的データセットと信号処理フレームワーク

問題提起

心血管疾患（CVD）は、早期発見の困難さから「沈黙の殺し屋」とも呼ばれ、世界的な死亡原因の主要な要因となっています。高度な画像診断（CT、CMRI）や多モーダルモニタリング（ECG と PPG の組み合わせ）が存在する一方で、これらはコスト、運用の複雑さ、携帯性において限界を抱えています。特に、パルス到達時間（PAT）を介して心拍数（HR）と血圧（BP）を推定するための ECG-PPG システムは、リードの誤アライメントの影響を受けやすく、雑音などの特定の心臓異常を検出するには不十分です。さらに、既存の心音図（PCG）研究は、携帯型デバイスには不適切な複雑な機械学習モデルに依存するか、PCG 信号のみを用いて HR と BP の両方を同時に推定することに失敗しています。低コスト、非侵襲、かつ携帯可能で、心音のみを用いて心血管を継続的にモニタリングできるシステムへの緊急のニーズが存在します。

手法

1. データ取得とデータセット構築

著者らは、同期された PCG と心電図（ECG）信号および手動血圧測定値を捕捉するためのカスタム型低コスト「PhonoTrack」システムを開発しました。

ハードウェア: PCG 信号は、標準的な聴診器の振動板に内蔵されたマイクロフォンで捕捉し、iPad に接続して録音（44.1 kHz）しました。ECG は、Arduino に接続された 3 リード式 AD8232 センサーモジュールを介して捕捉しました。
プロトコル: 制御された屋内環境下で、15 名の健康な男性ボランティア（18〜50 歳）からデータを収集しました。各セッションは 60 秒間でした。
グラウンドトゥルース: HR は ECG 信号（R 波）に対して検証され、BP は録音セッションの直前および直後に測定された手動血圧計（スフィグモマンメーター）の読み値に対して検証されました。
データセット: 得られたデータセットには、ペアリングされたカフ式 BP 値を伴う 15 組の同期化された PCG-ECG 録音が含まれており、ベンチマークのための時間整合データを提供しています。

2. 信号処理フレームワーク

本研究は、複雑な深層学習モデルではなく、標準的なデジタル信号処理（DSP）技術の統合フレームワークを採用しています。

心拍数（HR）推定:

前処理: PCG 信号は、ウェーブレットベースのノイズ除去（Daubechies db4、8 レベル）と正規化を受けました。
エンベロープ抽出: S1 および S2 心音を識別するために、信号エンベロープを抽出する 3 つの異なる手法が用いられました：
1. ヒルベルト変換（HT）: 瞬時振幅を抽出します。
2. シャノンエントロピー（SE）: 高エネルギー領域を強調して過渡成分を鋭くします。
3. ウェーブレットエネルギースペクトル（WES）: 周波数帯域全体にわたるエネルギー分布を分析します。
ピーク検出: 平滑化されたエンベロープ（20 Hz ローパス・バターワースフィルタでフィルタリング）の局所最大値を S1 および S2 ピークとして識別しました。誤検出を避けるため、制約（最小ピーク間隔 0.125 秒、最小高さ 15%）を適用しました。
計算: HR は、平均的な S1–S1（または S2–S2）間隔から導出されました。

血圧（BP）推定:

特徴量抽出: PCG エンベロープから、生理学的に解釈可能なタイミング特徴量のセットを抽出しました。これには以下が含まれます：
- 収縮期（ $t_{sys}$ ）および拡張期（ $t_{dias}$ ）の持続時間。
- S1 および S2 の立ち上がり時間と減衰時間。
- S1 および S2 のピーク持続時間。
- 推定心拍数（ $HR_{pcg}$ ）。
モデリング: これらの特徴量を収縮期血圧（SBP）および拡張期血圧（DBP）にマッピングする半経験的重回帰モデルを開発しました。このモデルには、線形項、二次項、および交互作用項が含まれています。
検証: 標本サイズが小さいため、一般化可能性を評価し過学習を防ぐために、被験者ごとの留め置き交差検証（LOOCV）を用いてモデルを評価しました。

主な貢献

PhonoTrack システム: 同時 PCG および ECG 取得が可能な、費用対効果の高い携帯型ハードウェアプロトタイプの開発。
新規データセット: 既存の文献における時間整合された PCG-BP グラウンドトゥルースの欠如に対処するため、15 名の被験者からのペアリングされた手動 BP 測定値を伴う同期化された PCG-ECG データセットの導入。
アルゴリズムフレームワーク: 標準的な DSP 技術（HT、SE、WES）と半経験的回帰を組み合わせることで、複雑な多モーダルセンサーや大規模な機械学習モデルを必要とせず、PCG 信号のみから HR と BP の両方を効果的に推定できることを実証。
包括的検証: ピアソン相関係数、二乗平均平方根誤差（RMSE）、ブランチ・アルトマン分析、および信号対雑音比（SNR）評価を含む厳密な評価。

結果

心拍数推定:

3 つすべてのエンベロープ検出手法は、ECG 由来の HR と強い一致を示しました。
シャノンエントロピー（SE）が最も良好な性能を示し、ピアソン相関係数（ $R$ ）は0.973、平均絶対誤差（MAE）は 1.330 bpm、RMSE は 1.688 bpm でした。
ヒルベルト変換（HT）とウェーブレットエネルギースペクトル（WES）は、それぞれ $R$ 値 0.965 および 0.955 を達成しました。
ブランチ・アルトマン分析は、低い系統的バイアスと 95% 一致限界内での tight な一致を確認しました。

血圧推定:

半経験的回帰モデルは、グラウンドトゥルースの BP と中程度から強い相関を示しました。
収縮期血圧（SBP）: $R = 0.891$ 、誤差の標準偏差は2.10 mmHgでした。
拡張期血圧（DBP）: $R = 0.700$ 、誤差の標準偏差は3.20 mmHgでした。
被験者ごとの LOOCV において、モデルは SBP の RMSE 9.89 mmHg および DBP の RMSE 11.05 mmHg を生み出し、現在の小規模なコホートでは未見の被験者への一般化におけるモデルの現在の限界を示しています。

意義と主張

本論文は、PhonoTrack システムを、非侵襲的かつ継続的な心血管モニタリングのための有望な概念実証（proof-of-concept）として位置づけています。著者らは、そのアプローチが、複雑な多モーダルシステム（ECG+PPG）や高価な画像診断技術に対する低コスト、携帯可能、単一センサーの代替案を提供すると主張しています。

しかしながら、著者らは臨床的準備性については謙虚かつ慎重な立場を維持しています：

彼らは明確に、発見は予備的なものであり、15 名の健康な男性という小規模で均質なコホートに基づいていると述べています。
現在の結果は、臨床展開、ルーチンスクリーニング、または心血管疾患の評価に関する主張を支持するには不十分であると認めています。
本研究は、半経験的モデルが基準線として機能し、将来の研究には、より広範な一般化を確立するために、より大規模で多様な集団（女性および様々な年齢/BMI グループを含む）と実世界の条件（運動、雑音）が関与する必要があることを強調しています。

要約すると、本論文は、標準的な信号処理を用いた PCG 単独信号による HR および BP 推定の可行性を検証し、手頃な価格のウェアラブル心臓モニターの将来の開発の基礎を築くと同時に、現在の実験結果と臨床応用の間のギャップを明確に区別しています。