Generalizable Blood Pressure Estimation from Multi-Wavelength PPG Using Curriculum-Adversarial Learning

Technische Samenvatting: Generaliseerbare Bloeddrukschatting via Multi-Wavelength PPG middels Curriculum-Adversarial Learning

Probleemstelling
Nauwkeurige en generaliseerbare bloeddrukmeting (BP) is cruciaal voor het beheer van cardiovasculaire ziekten, met name hypertensie. Hoewel draagbare fotoplethysmograaf (PPG) een niet-invasief, cuff-loos alternatief biedt voor conventionele oscillometrische methoden, kampen bestaande machine learning-benaderingen met twee significante beperkingen. Ten eerste vertrouwen veel studies uitsluitend op single-wavelength PPG-signalen, waardoor de complementaire informatie die beschikbaar is in multi-wavelength data wordt genegeerd. Ten tweede, en nog kritischer, hanteren veel studies ongepaste datasplitsingsstrategieën, zoals willekeurige segment-niveau splitsing. Dit resulteert vaak in data-lekkage waarbij trainings- en testsets subject-specifieke informatie delen, wat leidt tot overschatte prestaties en een gebrekkige generalisatie naar nieuwe individuen.

Methodologie
De auteurs stellen een generaliseerbaar BP-schattingsframework voor dat gebruikmaakt van een publieke vier-wavelength PPG-dataset (660nm, 730nm, 850nm en 940nm). De kern van de aanpak is een Curriculum-Adversarial Learning strategie, gebouwd op een multi-channel Convolutioneel Neuraal Netwerk (CNN) architectuur.

1. Data Preprocessing en Feature Extractie:

   • De pipeline dwingt een strikte subject-level data splitting af (4:1 ratio voor training/testen) om data-lekkage te elimineren.
   • PPG-signalen ondergaan band-pass filtering (0.5–8 Hz) en Z-score normalisatie.
   • Kenmerken worden geëxtraheerd via eerste en tweede-orde afgeleiden en upper envelopes om temporele dynamiek en piek-informatie te vangen.
   • Elk van de vier PPG-kanalen wordt verwerkt door twee parallelle CNN-branches: één voor het genormaliseerde signaal en de afgeleiden, en een andere voor de envelopes. Dit resulteert in zes inputstromen per kanaal.

2. Multi-Channel Fusie:

   • De geëxtraheerde feature vectoren uit de CNN-branches worden gefuseerd met behulp van een attention mechanisme. Deze laag wijst zachte gewichten toe aan elk kanaal, wat resulteert in een gewogen som die dient als de input voor downstream taken.

3. Curriculum-Adversarial Learning:
   Het model wordt getraind met drie verschillende heads en een samengestelde loss functie:

   • Curriculum Learning: Het model wordt geleid van grove naar fijnmazige taken. Aanvankelijk voorspelt een binaire classifier de hypertensie-status (SBP ≥130 mmHg of DBP ≥90 mmHg) met behulp van een Binary Cross-Entropy (BCE) loss. Naarmate de training vordert, verschuift de focus naar BP-regressie (het schatten van SBP en DBP waarden) met behulp van een Mean Squared Error (MSE) loss. Een adaptieve weging ($\lambda_1$) transformeert de loss functie van classificatie naar regressie.
   • Domain-Adversarial Training: Om de generalisatie over subjecten heen te verbeteren, probeert een domain-adversarial discriminator de identiteit van het subject te identificeren. Een Gradient Reversal Layer (GRL) wordt gebruikt tijdens de backpropagation om gradiënten om te keren, wat de feature extractor dwingt om subject-invariante kenmerken te leren die de discriminator in verwarring brengen. Dit onderdeel maakt gebruik van een Categorical Cross-Entropy (CE) loss.
   • Totale Loss: De doelstellingen worden gecombineerd als $L = \lambda_1 L_{reg} + (1 - \lambda_1) L_{cls} - \lambda_2 L_{adv}$, waarbij $\lambda_2$ de bijdrage van de adversarial component reguleert.

Belangrijkste Bijdragen

1. Strikte Subject-Level Evaluatie: De auteurs maken gebruik van een publieke vier-wavelength dataset maar handhaven een strikte subject-level split, waarmee de problemen met data-lekkage die in eerdere literatuur voorkomen, worden aangepakt.
2. Multi-Wavelength Feature Fusie: De studie demonstreert de effectiviteit van het extraheren en fuseren van complementaire kenmerken over vier verschillende golflengten (660nm, 730nm, 850nm, 940nm) in plaats van te vertrouwen op single-channel inputs.
3. Curriculum-Adversarial Framework: Het paper introduceert een innovatieve combinatie van curriculum learning (de transitie van classificatie naar regressie) en domain-adversarial training om gelijktijdig klinische patronen en subject-invariante kenmerken te vangen.

Experimentele Resultaten
Experimenten werden uitgevoerd op een dataset van 180 subjecten (66 met hypertensie). De voorgestelde methode werd vergeleken met single-channel modellen en bestaande multi-wavelength baselines (A-BiLSTM, MLP, CNN1D, Multi-CNN).

• Prestaties: Onder strikte subject-level splitting bereikte de voorgestelde methode een Mean Absolute Error (MAE) van 14.2 mmHg voor Systolische Bloeddruk (SBP) en 6.4 mmHg voor Diastolische Bloeddruk (DBP).
• Multi-Channel Voordeel: Het volledige multi-channel fusiemodel presteerde consistent beter dan single-channel modellen. Terwijl het 660nm kanaal het beste presteerde voor SBP en 940nm voor DBP afzonderlijk, bereikte het gefuseerde model de laagste MAE en de hoogste British Hypertension Society (BHS) graderingsscores (bijv. 57.6% van de SBP-voorspellingen binnen 15 mmHg).
• Vergelijking: De voorgestelde aanpak presteerde beter dan alle baselines, inclusief het backbone Multi-CNN model, wat de waarde van de curriculum en adversarial componenten aantoont.
• Ablatie Studie: Het verwijderen van ofwel de classificatie head (curriculum) of de adversarial discriminator resulteerde in een hogere MAE, wat bevestigt dat beide componenten essentieel zijn voor optimale prestaties.

Betekenis en Claims
Het paper claimt dat het voorgestelde framework een realistischere en robuustere beoordeling van de capaciteiten van BP-schatting biedt door data-lekkage te elimineren via subject-level splitting. De auteurs benadrukken dat hoewel het striktere protocol resulteert in hogere gerapporteerde fouten vergeleken met sommige eerdere studies (die mogelijk leden aan lekkage), het model een sterk potentieel toont voor hypertensie-screening en langdurige trendmonitoring.

De auteurs blijven bescheiden over de huidige nauwkeurigheid en merken op dat er nog ruimte is voor verbetering, met name bij extreme bloeddrukbereiken en gedegradeerde signaalkwaliteit. Zij concluderen dat het benutten van complementaire multi-wavelength informatie in combinatie met curriculum-adversarial strategieën een levensvatbaar pad biedt naar nauwkeurige en generaliseerbare cuff-loze bloeddrukmeting. Toekomstig werk zal aanvullende dataverzameling en verbeteringen in de beoordeling van de signaalkwaliteit omvatten.