Deep Learning-Based Blood Pressure Prediction

Abstract

While COVID-19 is changing the world's social profile, it is expected that the telemedicine sector, which has not been activated due to low regulation and reliability, will also undergo a major change. As COVID-19 spreads in the United States, the US Department of Health \& Human Services temporarily loosens the standards for telemedicine, while enabling telemedicine using Facebook, Facebook Messenger-based video chat, Hangouts, and Skype. The expansion of the telemedicine market is expected to quickly transform the existing treatment-oriented hospital-led medical market into a digital healthcare service market focused on prevention and management through wearables, big data, and health records analysis. In this prevention and management-oriented digital healthcare service, it is very important to develop a technology that can easily monitor a person's health status. One of the vital signs that can be used for personal health monitoring is blood pressure. High BP is a common and dangerous condition. About 1 out of 3 adults in the U.S. (about 75 million people) have high BP. This common condition increases the risk of heart disease and stroke, two of the leading causes of death for Americans. High BP is called the silent killer because it often has no warning signs or symptoms, and many people are not aware they have it. For these reasons, it is important to develop a technology that can easily and conveniently check BP regularly. In biomedical data analysis, various studies are being attempted to effectively analyze by applying machine learning to biomedical big data accumulated in large quantities. However, collecting blood pressure-related data at the level of big data is very difficult and very expensive because it takes a lot of manpower and time. So in this dissertation, we proposed a three-step strategy to overcome these issues. First, we describe a BP prediction model with extraction and concentration CNN architecture, to process publicly disclosed sequential ECG and PPG dataset. Second, we evaluate the performance of the developed model by applying the developed model to privately measured data. To address the third issue, we propose the knowledge distillation method and input pre-processing method to improve the accuracy of the blood pressure prediction model. All the methods proposed in this dissertation are based on a deep convolutional neural network (CNN). Unlike other studies based on manual recognition of the features, by utilizing the advantage of deep learning which automatically extracts features, raw biomedical signals are used intact to reflect the inherent characteristics of the signals themselves.

코로나 19에 의한 전 세계의 사회적 프로필 변화로, 규제와 신뢰성이 낮기 때문에 활성화 되지 않은 원격 의료 분야도 큰 변화를 겪을 것으로 예상됩니다. 코로나 19가 미국에 퍼짐에 따라 미국 보건복지부는 원격 진료의 표준을 일시적으로 완화하면서 페이스북, 페이스북 메신저 기반 화상 채팅, 행아웃, 스카이프를 사용한 원격 진료를 가능하게 했습니다. 원격의료 시장의 확장은 기존의 치료중심 병원주도의 의료시장을 웨어러블, 빅 데이터 및 건강기록 분석을 통한 예방 및 관리에 중점을 둔 디지털 의료 서비스 시장으로 빠르게 변화시킬 것으로 예상됩니다. 이러한 예방 및 관리 중심의 디지털 헬스케어 서비스에서는 사람의 건강 상태를 쉽게 모니터링 할 수 있는 기술 개발이 매우 중요한데 혈압은 개인 건강 모니터링에 사용될 수 있는 필수 징후 중 하나 입니다. 고혈압은 아주 흔하고 위험한 질환입니다. 미국 성인 3명중 1명(약 7,500만명)이 고혈압을 가지고 있습니다. 이는 미국인의 주요 사망 원인 중 두가지인 심장질환과 뇌졸중의 위험을 증가 시킵니다. 고혈압은 신체에 경고 신호나 자각 증상이 없어 많은 사람들이 자신이 고혈압인 것을 인지하지 못하기 때문에 "사일런트 킬러"라 불리웁니다. 이러한 이유로 정기적으로 쉽고 편리하게 혈압을 확인할 수 있는 기술의 개발이 매우 중요합니다. 생체의학 데이터 분석 분야에서는 머신 러닝을 대량으로 수집된 생체의학 빅 데이터에 적용하는 다양한 연구가 효과적으로 이루어지고 있습니다. 그러나 빅 데이터 수준으로 다량의 혈압 관련 데이터를 수집하는 것은 많은 전문적인 인력들이 오랜시간을 필요로 하기 때문에 매우 어렵고 비용 또한 많이 필요합니다. 따라서 본 학위논문에서는 이러한 문제를 극복하기 위한 3단계 전략을 제안했습니다. 먼저 누구나 시용할 수 있도록 공개되어 있는 심전도, 광용적맥파 데이터셋을 이용, 순차적인 심전도, 광용적맥파 신호에서 혈압을 잘 예측하도록 고안된 추출 및 농축 작업을 반복하는 함성곱 신경망 구조를 제안했습니다. 두번째로 제안된 합성곱 신경망 모델을 개인에게서 측정한 광용적맥파 신호를 이용해 제안된 함성곱 신경망 모델의 성능을 평가했습니다. 세번째로 혈압예측 모델의 정확성을 높이기 위해 지식 증류법과 입력신호 전처리 방법을 제안했습니다. 이 논문에서 제안된 모든 혈압예측 방법은 합성곱 신경망을 기반으로 합니다. 혈압 예측에 필요한 특징들을 수동으로 추출해야 하는 다른 연구들과 다르게 특징을 자동으로 추출하는 딥러닝의 장점을 활용, 아무런 처리도 하지 않은 원래 그대로의 생체 신호에서 신호 자체의 고유한 특징을 반영할 수 있습니다.