Deep PPG：畳み込みニューラルネットワークを用いた大規模な心拍数推定

光体積変動計（Photoplethysmography：PPG）を用いた連続的心拍数モニタリングは、医療やフィットネス分野などにおいて不可欠な技術である。近年、運動アーティファクトの補正という課題に対処するため、時間周波数スペクトルに基づく手法が注目されている。しかし、既存のアプローチはパラメータが多く、特定の小規模で公開されたデータセットに最適化されており、汎用性に欠けるという問題がある。本研究では、PPGを用いた心拍数推定手法の堅牢性および汎化能力に関する研究を進めることで、こうした分断された研究状況を改善する。まず、実生活に近い状況下で多様な運動を実施したデータを含む大規模な新データセット「PPG-DaLiA」を提案する。次に、最先端のアルゴリズムを拡張し、複数のデータセット上でその性能を顕著に向上させる。さらに、この分野に深層学習を導入し、さまざまな畳み込みニューラルネットワーク（CNN）アーキテクチャの有効性を検証する。本研究のエンドツーエンド学習アプローチは、同期されたPPG信号と加速度計信号の時間周波数スペクトルを入力とし、推定された心拍数を出力とする。最後に、新たな深層学習手法と従来の手法を比較し、4つの公開データセット上で評価を行う。その結果、大規模データセットにおいて深層学習モデルが他の手法を顕著に上回ることが示された。特に、新規データセットPPG-DaLiAでは平均絶対誤差（MAE）が31%低減され、WESADデータセットでは21%の改善が達成された。