Deep PPG: Großskalige Herzfrequenzschätzung mit Faltungsneuralen Netzen

Die kontinuierliche Herzfrequenzüberwachung basierend auf Photoplethysmographie (PPG) ist in zahlreichen Anwendungsbereichen, beispielsweise im Gesundheitswesen oder im Bereich Fitness, von entscheidender Bedeutung. In jüngster Zeit haben Verfahren, die auf Zeit-Frequenz-Spektren basieren, zunehmend Aufmerksamkeit erfahren, um die Herausforderungen der Bewegungsartefakt-Kompensation zu bewältigen. Allerdings sind die bestehenden Ansätze stark parametrisiert und für spezifische Szenarien mit kleinen, öffentlichen Datensätzen optimiert. Um diese Fragmentierung zu überwinden, tragen wir Forschung zur Robustheit und Generalisierbarkeit von PPG-basierten Ansätzen zur Herzfrequenzschätzung bei. Erstens stellen wir einen neuartigen, großskaligen Datensatz (PPG-DaLiA) vor, der eine breite Palette von Aktivitäten unter nahezu realen Bedingungen umfasst. Zweitens erweitern wir einen state-of-the-art-Algorithmus und verbessern dessen Leistung signifikant auf mehreren Datensätzen. Drittens führen wir Deep Learning in diesen Bereich ein und untersuchen verschiedene Architekturen von Faltungsneuralen Netzen (Convolutional Neural Networks, CNNs). Unser end-to-end-Lernansatz verwendet die Zeit-Frequenz-Spektren synchronisierter PPG- und Beschleunigungssensordaten als Eingabe und liefert die geschätzte Herzfrequenz als Ausgabe. Schließlich vergleichen wir den neuen Deep-Learning-Ansatz mit klassischen Methoden und evaluieren ihn auf vier öffentlichen Datensätzen. Wir zeigen, dass das Deep-Learning-Modell auf großen Datensätzen signifikant besser abschneidet: Der mittlere absolute Fehler konnte auf dem neuen Datensatz PPG-DaLiA um 31 % und auf dem Datensatz WESAD um 21 % reduziert werden.