スマートウォッチによる不整脈検出のための効率的な深層学習モデルの開発
Development of an efficient deep learning model for arrhythmia detection from consumer smartwatches
本研究では、ウェアラブルデバイスを用いた不整脈検出における機械学習と深層学習アプローチを比較した。スマートウォッチのPPG信号と加速度計データを使用し、正常洞調律(NSR)、心房細動(AF)、期外収縮(PAC/PVC)の3つのリズムカテゴリーを分類した。評価された手法には、特徴量エンジニアリングに基づくランダムフォレスト分類器と、生の波形から直接学習するCNN–GRUおよびCNN–BiLSTMの2つのエンドツーエンドアーキテクチャが含まれる。2倍の被験者非依存クロスバリデーションの結果、ランダムフォレストが精度(91.22%)、マクロ適合率(85.89%)、マクロF1スコア(84.17%)、マクロROC-AUC(97.03%)で最高性能を示した。CNN–BiLSTMはマクロ再現率(87.37%)で最も高い感度を示した。ランダムフォレストは30秒セグメントあたり33.08 ms、CNN–BiLSTMは51.87 msの推論時間を記録し、リアルタイムに近いリズムスクリーニングをサポートする。この研究は、精度、クラスバランス性能、計算複雑性、展開可能性のトレードオフを浮き彫りにした。
- スマートウォッチのPPG信号と加速度計データを用い、正常洞調律(NSR)・心房細動(AF)・期外収縮(PAC/PVC)の3リズムカテゴリーを分類する比較研究を実施
- 2倍の被験者非依存クロスバリデーションで、特徴量エンジニアリング+ランダムフォレストが精度91.22%、マクロ適合率85.89%、マクロF1 84.17%、マクロROC-AUC 97.03%と最高性能
- エンドツーエンドのCNN–BiLSTMはマクロ再現率87.37%で最高感度を記録
- 推論時間は30秒セグメントあたりランダムフォレスト33.08ms、CNN–BiLSTM 51.87msで、リアルタイムに近いリズムスクリーニングをサポート
- 精度・クラスバランス性能・計算複雑性・展開可能性のトレードオフを提示した
ウェアラブルPPGによる不整脈スクリーニングは、AIモデルの精度だけでなく推論レイテンシとクラス不均衡への対応が実用化の鍵になる。本稿では特徴量ベースのランダムフォレストが精度91.22%・マクロF1 84.17%・30秒セグメント33.08msでエンドツーエンド深層学習を上回り、CNN–BiLSTMは再現率87.37%で高感度という明確なトレードオフが示された。これは「より大きなモデル=優位」という前提が、オンデバイス推論を要する医療ウェアラブルでは成立しないことを示唆する。軽量モデルで要件を満たせるなら、スマートウォッチ/医療機器メーカーにとってチップコスト・電池寿命・薬事取得の難易度が下がり、投資回収が早まる。逆に、不整脈検出のような医用機能の付加価値はハード単価ではなくソフト/アルゴリズム側に移りつつあり、アルゴリズムの検証データと規制対応力が参入障壁になる。ただし本稿は研究段階の被験者非依存クロスバリデーション結果であり、前向き臨床試験や薬事認可、商用展開の事実は含まれないため、これ単体で個別企業の投資判断材料にはならない点に留意。