[論文レビュー] Abnormal respiratory patterns classifier may contribute to large-scale screening of people infected with COVID-19 in an accurate and unobtrusive manner

Yunlu Wang, Menghan Hu+4 more|arXiv (Cornell University)|Feb 12, 2020

Anomaly Detection Techniques and Applications参考文献 22被引用数 197

ひとこと要約

本論文は、呼吸パターンを非接触深度カメラデータから分類する BI-AT-GRU を呼吸シミュレーションモデルと組み合わせ、実世界データで 94.5% の精度を達成します。

ABSTRACT

Research significance: The extended version of this paper has been accepted by IEEE Internet of Things journal (DOI: 10.1109/JIOT.2020.2991456), please cite the journal version. During the epidemic prevention and control period, our study can be helpful in prognosis, diagnosis and screening for the patients infected with COVID-19 (the novel coronavirus) based on breathing characteristics. According to the latest clinical research, the respiratory pattern of COVID-19 is different from the respiratory patterns of flu and the common cold. One significant symptom that occurs in the COVID-19 is Tachypnea. People infected with COVID-19 have more rapid respiration. Our study can be utilized to distinguish various respiratory patterns and our device can be preliminarily put to practical use. Demo videos of this method working in situations of one subject and two subjects can be downloaded online. Research details: Accurate detection of the unexpected abnormal respiratory pattern of people in a remote and unobtrusive manner has great significance. In this work, we innovatively capitalize on depth camera and deep learning to achieve this goal. The challenges in this task are twofold: the amount of real-world data is not enough for training to get the deep model; and the intra-class variation of different types of respiratory patterns is large and the outer-class variation is small. In this paper, considering the characteristics of actual respiratory signals, a novel and efficient Respiratory Simulation Model (RSM) is first proposed to fill the gap between the large amount of training data and scarce real-world data. The proposed deep model and the modeling ideas have the great potential to be extended to large scale applications such as public places, sleep scenario, and office environment.

研究の動機と目的

• COVID-19 のスクリーニングに関連する異常な呼吸パターンのリモートで目立たない検出を動機づける。
• 呼吸シミュレーションモデル（RSM）を用いて大規模な合成トレーニングデータを生成しデータ不足に対応する。
• 呼吸波形の特性に合わせた深層学習分類器を開発・検証する。

提案手法

• パラメータ a_i, b_i, c_i, d_i およびノイズを用いて多様な合成呼吸波形を生成する呼吸シミュレーションモデル（RSM）を導入する。
• Kinect v2 を用いて六つのパターンを模倣する20名の被験者から現実世界の深度カメラデータと ROI ベースの深度信号を取得する。
• 時系列データから六つの呼吸パターンを分類するために注意機構を備えた双方向 GRU、BI-AT-GRU を提案する。
• トレーニングには RSM 生成データを用い、テストには深度カメラ測定データで評価する。
• BI-AT-GRU を訓練し、BI-AT-LSTM、GRU、LSTM と比較して性能を評価する。）

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークが合成呼吸データで学習し、深度カメラ信号から現実世界の呼吸パターンを正確に分類できるか？
• RQ2 双方向性と注意機構は標準の GRU/LSTM モデルより呼吸パターン分類性能を改善するか？
• RQ3 六パターンに対する現実世界の深度カメラデータでの proposed BI-AT-GRU の分類精度はどれくらいか？

主な発見

Model	Accuracy	Precision	Recall	F1
BI-AT-GRU	94.5%	94.4%	95.1%	94.8%
BI-AT-LSTM	90.1%	90.1%	91.9%	91.0%
GRU	89.6%	89.2%	91.1%	90.1%
LSTM	88.1%	87.8%	91.3%	89.5%

• BI-AT-GRU は現実世界データで 94.5% の精度、94.4% の適合率、95.1% の再現率、94.8% の F1 を達成した。
• BI-AT-GRU は同じテストセットで BI-AT-LSTM、GRU、LSTM を上回る。
• 双方向性と注意機構は、それぞれ非双方向/非注意機構の counterparts より性能を向上させる。
• 分類誤りは主に振幅に関連するばらつきと動きのため Cheyne-Stokes と Central-Apnea の識別時に発生する。
• このアプローチはリモートで目立たない呼吸パターン分類の実現可能性を示し、大規模応用の潜在性がある。