⚡ electrical engineering

Deep-Learning Based ECG-free Heart-Carotid Pulse Transit Time Estimation from Laser Doppler Vibrometry

本論文は、心電図を必要とせずにレーザードップラーバイブロメトリ信号から心臓－頸動脈脈波伝播時間を推定するディープラーニング手法を提案しており、参照手法に匹敵する性能を示しながら、より多くの被験者の処理に成功している。

原著者： Simeon Beeckman, Smriti Badhwar, Rosa Maria Bruno, Yanlu Li, Soren Aasmul, Silvia Seoni, Patrick Segers, Nilesh Madhu

公開日 2026-07-29

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Simeon Beeckman, Smriti Badhwar, Rosa Maria Bruno, Yanlu Li, Soren Aasmul, Silvia Seoni, Patrick Segers, Nilesh Madhu

原論文は CC BY 4.0 (https://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

あなたの体の高速道路システムを想像してみてください。それは、心臓から体の隅々まで血液を運ぶ、動脈と呼ばれる弾力性のある管の広大なネットワークです。心臓が鼓動すると、引き伸ばされたスリンキー（バネのおもちゃ）を伝わる波紋のように、強力な圧力の波がこれらの管の中を駆け抜けます。もし管が健康的で弾力性があれば、波は正常な速度で移動します。しかし、もし管が古く乾燥したゴムホースのように硬くなってしまうと、波はそれよりもずっと速く突き進みます。医師たちはこの速度を「脈波伝播速度（Pulse Wave Velocity）」と呼び、それが心臓のトラブルが危機に陥る前に察知するための非常に重要な手がかりとなります。この速度を測定するには、圧力が2点間を移動するのにかかる時間、すなわち「脈波伝播時間（PTT）」を計測する必要があります。

従来、このタイミングを正確に捉えるためには、医師は患者の胸に粘着性の電極を貼り付け、心臓の電気的な火花を記録する心電図（ECG）を記録しなければなりませんでした。しかし、人にワイヤーを貼り付けるのは手間がかかり、時間がかかり、手短な検査としては決して楽しいものではありません。科学者たちは、非接触型のクールなツールである「レーザードップラー振動計（LDV）」を使用しようとしてきました。LDVを、脈拍が皮膚に当たった時の微細な振動を、肌に触れることなく「聴き取る」超高感度のレーザーポインターだと考えてみてください。問題は、ECGというストップウォッチがなければ、レーザー信号は混沌とした波の塊に見えてしまい、コンピュータがレーザーデータ単体から各心拍が正確にいつ始まったのかを判断するのは極めて困難であるという点です。

ここで、この論文の研究者たちが賢明な解決策を提示しました。彼らは、「ディープニューラルネットワーク（DNN）」と呼ばれるコンピュータの脳に、「ゴーストECG（心電図）」として機能することを教え込んだのです。胸からの実際の電気信号を必要とする代わりに、DNNは首（頸動脈）からの乱れたレーザー振動を観察し、心拍がいつ起きているかを正確に予測することを学習します。つまり、実体のないECGを、あたかも空中から作り出すかのように生成するのです。彼らはこの新しい手法を、従来の「テンプレートマッチング」技術（あらかじめ用意された図形と比較してパターンを探す手法）や、人間が専門家として慎重に拍動を選び出す「ゴールドスタンダード（標準的な手動法）」と比較してテストしました。

結果は有望ではありましたが、微妙な差異もありました。AIモデルは、テストデータ内の心拍の約68%から77%を正しく推測することができました。このAIを用いて脈波の伝播時間を計算した場合、100人中64人に適用可能であり、その結果は人間の専門家による手動計算と非常によく一致していました（相関係数0.71）。対照的に、従来のテンプレートマッチング法は、動作した際の精度自体は同程度であったものの、成功したのはわずか46人でした。この論文は、このAIアプローチはまだ完璧ではないものの、従来の手法よりもはるかに堅牢で包括的であり、レーザーの「聴き取り」を信頼できる心拍タイマーへと見事に変貌させ、ワイヤーを一切必要としなかったことを示唆しています。これは、将来、私たちが粘着式の電極を完全にスキップして、レーザースキャンだけで動脈の健康状態をチェックできるようになる可能性を示しています。

技術要約：レーザードップラー振動計を用いた、ディープラーニングに基づく心臓・頸動脈間のECGフリーな脈波伝播時間（PTT）推定

問題提起
動脈硬化度は心血管疾患（CVD）リスクの重要なバイオマーカーであり、多くの場合、脈波速度（PWV）を通じて評価される。PWVは、2つの動脈部位間の圧力波の遅延時間である脈波伝播時間（PTT）を測定することによって算出される。レーザードップラー振動計（LDV）は、動脈部位（具体的には心臓および頸動脈）における皮膚の変位と加速度を非侵襲的に測定する手法であるが、現在の自動化されたアプローチは大きな障壁に直面している。従来、正確なPTT推定には、心拍の開始（R波）を特定するための心電図（ECG）の同時取得が必要であった。しかし、ECG電極の統合は測定手順を複雑にし、セットアップ時間を増大させ、使いやすさを低下させるため、将来の商用LDVデバイスには適さない。既存のECGフリーの代替手法であるテンプレートマッチング（TM）は、厳格な解析モデルと定義済みのテンプレートに依存しており、信号品質に敏感で、厳格な品質閾値のためにかなりの割合の被験者を処理できないことが多い。

手法
本研究は、並行したECG取得なしで、LDVデータから直接「ECCGプロキシ（代用）」信号を生成するディープニューラルネットワーク（DNN）アプローチを提案する。

データソース： 2つのデータベースを利用した。CARDISデータベース（高血圧患者100名）は、DNNの学習、検証、およびテストに使用される20秒間の記録を提供した。INSIDEデータベース（100名）は、手動のリファレンスに対して最終的なPTT推定性能をベンチマークするための、完全に未知のデータセットとして使用された。
信号処理およびターゲット生成：
- LDV信号（皮膚加速度）は、ハンドピースあたり6つのレーザーチャネルを持つプロトタイプを用いて、頸動脈および心臓部位で記録された。
- DNNを訓練するために、生のECG信号をターゲット信号（ $E'(n)$ ）へと変換した。これには、R波をクロネッカーのデルタ関数を用いてパルス列に変換し、ガウスフィルタ（ $\sigma=75$ サンプル）で畳み込みを行う工程が含まれる。この変換により、心拍のタイミング情報を保持しつつ、平均二乗誤差（MSE）損失における学習タスクを簡略化した。
DNNアーキテクチャ： 修飾されたWave-U-Netアーキテクチャを採用した。これは、エンコーダおよびデコーダの両方のブロックに4つの畳み込み層、バッチ正規化、ReLU活性化関数、およびコンテキストを考慮した自己注意機構のためのボトルネック内のトランスフォーマー層を備えている。モデルは、4秒間のLDVセグメントを対応するECGプロキシ信号へとマッピングする。
PTT推定ワークフロー：
1. セグメンテーション： DNNは、頸動脈LDV信号からECGプロキシ（ $\hat{E}'(n)$ ）を予測する。このプロキシに対してピーク検出を適用し、心拍の開始を特定する。
2. 品質管理： 予測されたピークのエネルギーに基づき、信号対雑音比（SNR）指標（ $\zeta$ ）を計算し、低品質なチャネルをフィルタリングする。高い $\zeta$ 値を持つチャネルのみがセグメンテーションに使用される。
3. 基準点の検出： セグメント化されたエポック内において、生理学的に定義されたウィンドウ（頸動脈のディクロティックノッチ（DN）、および心臓信号における第2心音（S2）の最小値前の最初の摂動）内で基準点を特定する。
4. 算出： PTTは、これらの基準点間の時間差として算出される。最終的なPTTは、有効なチャネルの組み合わせの中央値であり、最低限の推定数（例：20秒間で50回以上）が満たされていることを条件とする。

主な貢献

ECGフリーのセグメンテーション： 本研究の主要な貢献は、LDV信号からECGプロキシを正常にマッピングするDNNを開発し、臨床的なLDVセットアップにおいて並行したECG記録の必要性を排除したことである。
信号品質への堅牢性： 本研究は、自身の出力から導出された新しいSNRベースの指標を用いてチャネルをフィルタリングする手法を導入しており、これにより、厳格なテンプレートマッチングアルゴリズムよりも効果的に変動する信号品質を扱うことができる。
ベンチマーク： 本研究は、（1）ECGを用いた手動リファレンス、（2）自動化されたECGベースの手法、（3）最先端のテンプレートマッチング（TM）手法、および（4）提案するDNNベースの手法の3つの手法を包括的に比較している。

結果

心拍検出： DNNは、テストセットにおいて心拍の**68%を、検証セットにおいて77%**を正しく予測した。予測されたピークとリファレンスの間の平均的な時間的距離は約4〜6サンプル（1 kHzにおいて4〜6 ms）であった。
PTTの相関： 未知のINSIDEデータベース（100名）に適用した結果：
- DNNベースの手法は、64名に対して有効なPTT推定値を提供し、手動リファレンスとの相関は $\rho = 0.71$ ( $p < 0.001$ ) であった。
- テンプレートマッチング（TM）手法は、わずか46名に対して有効な推定値を提供し、相関は $\rho = 0.69$ ( $p < 0.001$ ) であった。
- ECGベースの自動化手法（セグメンテーションに真のECGを使用）は、90名に対して $\rho = 0.69$ を達成した。
統計的有意性： ウィルコクソンの符号付順位検定により、DNN、TM、およびECGベースの手法によって生成されたPTT値の間に統計的な有意差はないことが示された。しかし、DNN手法は、TMアプローチと比較して、より多くの被験者を処理することに成功するという優れた包括性を示した。

意義および主張
著者らは、DNNベースのアプローチが、臨床的なLDVセットアップにおいて、ECG電極によるロジスティクスの負担なしに、堅牢で自動化された心拍セグメンテーションを可能にする実行可能な「ECGプロキシ」を提供すると主張している。DNN手法の相関係数は、テンプレートマッチングおよびECGベースの手法と同等であるが、その主な利点は包括性にある。すなわち、信号品質が変動する場合でも、TM手法（46名）よりも多くの被験者（64名）に対して信頼性の高いPTT推定値を生成することに成功した点である。本研究は、関連する信号タイプに合わせてDNNを再学習することを条件に、本技術が心臓・頸動脈間のPTTを超えた、頸動脈・大腿動脈間のPWV推定や不整脈検出などの幅広い生物医学的LDVアプリケーションに応用できる可能性を示している。本研究は、ユーザーフレンドリーで非侵襲的な動脈硬化モニタリングデバイスの臨床展開に向けた、不可欠な一歩であることを強調している。

関連論文