[論文レビュー] Complex Event Processing of Health Data in Real-time to Predict Heart Failure Risk and Stress

Sandeep Singh Sandha, Mohammad Kachuee+1 more|arXiv (Cornell University)|Jul 14, 2017

ECG Monitoring and Analysis参考文献 8被引用数 11

ひとこと要約

本論文は、Apache KafkaとSpark Streamingを用いたスケーラブルでリアルタイムな複雑イベント処理（CEP）アーキテクチャを提案し、連続する健康データストリームから心不全リスクとストレスレベルを検出する。システムはリアルタイムの生理的信号を受信し、スライディングウィンドウで処理し、信号処理と機械学習を適用することで、高いスケーラビリティとフェイルセーフ性を備えた臨床的リスクスコアを予測する。

ABSTRACT

In this paper, we develop a scalable system which can do real-time analytics for different health applications. The occurrence of different health conditions can be regarded as the complex events and thus this concept can be extended to other use cases easily. Large number of users should be able to send the data in real-time, and should be able to receive the feedback and result. Keeping the requirements in mind we used Kafka and Spark to develop our system. In this setting, multiple users are running Kafka producer clients, which are sending data in real-time. Spark streaming is used to process data from Kafka of different window sizes to analyze the health conditions. We have developed and tested the heart attack risk and stress prediction as our sample complex events detection use cases. We have simulated and tested our system with multiple health datasets.

研究の動機と目的

• 多数のユーザーと多様な生理的データソースを対象とした大規模なユーザー集団におけるスケーラブルでリアルタイムな健康分析の課題に対処する。
• 特定のアプリケーションにとどまらず、複数の健康インフェレンスユースケースをサポートできる汎用的で拡張可能なプラットフォームを設計する。
• 分散ストリーミングフレームワークを用いて、高速度の健康データストリームを低遅延でフェイルセーフに処理する。
• 信号処理とストリーミング分析を用いて、心不全リスクやストレスの臨床的に重要なイベントをリアルタイムで検出する可能性を実証する。

提案手法

• 複数のユーザーからのリアルタイムの健康データストリームを受信するため、Apache Kafkaを分散メッセージブローカーとして利用し、センサータイプ（例：ECG、BP）に応じたトピックベースルーティングを実施する。
• Apache Spark Streamingを用いてスライディングウィンドウでデータを処理し、時系列生理的信号におけるリアルタイム分析を可能にする。
• ECG波形の主要特徴（P波、QRS波、T波）およびRR間隔の変動を抽出する信号処理技術を適用し、心拍変動量（HRV）分析を実施する。
• 連続するウィンドウ間でのHRVトレンドと心拍数の変化を用いて動的ストレスインデックスを計算し、各ウィンドウごとにベースラインを適応させる。
• 各健康ユースケース（CHFリスク、ストレスインデックス）を個別のSpark Streamingジョブとして実装し、モularityと拡張性を実現する。
• クラスタ環境にシステムをデプロイすることで、フェイルセーフ性、水平スケーラビリティ、および高負荷下でも信頼性を確保する。

実験結果

リサーチクエスチョン

• RQ1 汎用的で分散型ストリーミングアーキテクチャは、複数ユーザーにわたる大規模なリアルタイム健康分析を効果的にサポートできるか？
• RQ2 リアルタイムCEPは、連続するECGおよびBPデータから、心不全リスクの上昇やストレスレベルの上昇といった臨床的に重要なイベントをどれほど正確に検出できるか？
• RQ3 KafkaとSpark Streamingは、高速度の健康データストリームをフェイルセーフかつスケーラブルに処理するためにどの程度有効か？
• RQ4 本システムは、最小限のアーキテクチャ変更で新たな健康インフェレンスユースケースをサポートできるか？
• RQ5 HRVやECG形態の信号処理特徴は、ストリーミングモードにおける信頼性の高いリアルタイムリスク予測にどの程度寄与するか？

主な発見

• 正常なECG波形では心不全リスクが1.2%、異常なS波では12.5%、ST低下パターンでは20.6%と予測され、臨床的に重要なECG変化に感受性があることが示された。
• 心拍数が安定している状態でも、HRVが低下することで5つの連続ウィンドウにわたりストレスインデックスが0.1から0.5に上昇した。これは交感神経系の活性化を効果的に検出できたことを示している。
• KafkaプロデューサーとSpark Streamingジョブを用いたシミュレーテッド健康データストリームの処理がリアルタイムで実現され、低遅延分析の可能性が確認された。
• 複数の健康インフェレンスジョブ（例：CHFリスク、ストレス）を独立したSpark Streamingアプリケーションとしてモジュール化してデプロイできるアーキテクチャを実現した。
• Kafkaの永続ストレージとSparkのレジリエント分散データセット（RDD）およびメモリ内処理を活用することで、フェイルセーフ性とスケーラビリティが実証された。
• ローカルクラスタ上でJavaを用いた実装により、提案されたCEPパイプラインがリアルタイム健康モニタリングユースケースにおいて信頼性高くデプロイ・実行可能であることが確認された。