[論文レビュー] Detection of Maternal and Fetal Stress from ECG with Self-supervised Representation Learning

Pritam Sarkar, Silvia M. Lobmaier+6 more|arXiv (Cornell University)|Nov 3, 2020

Maternal Mental Health During Pregnancy and Postpartum参考文献 20被引用数 4

ひとこと要約

本研究では、転移学習を用いて、生の母体腹部心電図（aECG）信号から母体および胎児のストレスを検出する自己教師あり深層学習（DL）モデルを提案する。公に提供された心電図データを用いて感情認識のための事前学習が行われたモデルは、慢性ストレス暴露、心理的スコア、胎児ストレスインデックス（FSI）、母体コルチゾールレベルの予測において高い精度を達成しており、特に母体ECGのみを用いた場合、地域データで訓練されたモデルを上回る性能を示した。

ABSTRACT

In a pregnant mother and her fetus, chronic prenatal stress results in entrainment of the fetal heartbeat by the maternal heartbeat, quantified by the fetal stress index (FSI). Deep learning (DL) is capable of pattern detection in complex medical data with high accuracy in noisy real-life environments, but little is known about the utility of DL in non-invasive biometrics during pregnancy. We hypothesized that a recently established self-supervised learning (SSL) approach that provides emotional recognition from ECG will identify chronically stressed mother-fetus dyads from the raw maternal abdominal electrocardiograms (aECG), containing fetal and maternal ECG. Chronically stressed mothers and controls matched on enrollment at 32 weeks of gestation were studied. We validated the chronic stress exposure by psychological inventory, maternal hair cortisol, and FSI. We tested two variants of SSL architecture, one trained on the generic ECG features for emotional recognition obtained from public datasets and another transfer-learned on a subset of our data. Our DL models predict excellently the chronic stress exposure, the individual psychological score, and FSI values at 34 weeks of gestation and maternal cortisol at birth. The best performance was achieved with the DL model trained on the public dataset and using maternal ECG alone. The present DL approach provides a novel source of physiological insights into complex multi-modal relationships between different regulatory systems exposed to chronic stress. The developed DL model can be deployed in low-cost regular ECG biosensors as a simple ubiquitous early stress detection and exposure tool during pregnancy. This discovery should enable early behavioral interventions.

研究の動機と目的

• 生の腹部心電図信号を用いて、自己教師あり表現学習が慢性妊娠期ストレスを母体・胎児対として検出できるかどうかを調査すること。
• 公に提供された心電図データセットで訓練された深層学習モデルと、地域データでファインチューニングされたモデルの性能を比較し、ストレス予測の精度を評価すること。
• 母体心電図のみが出産時の胎児ストレスインデックス（FSI）および母体コルチゾールレベルを高精度で予測できるかどうかを特定すること。
• 妊娠中の非侵襲的で現実世界のバイオメトリックモニタリングにDLの有用性を検討すること。
• 行動介入を支援するための早期ストレス検出を可能にする、実装可能で低コストのツールを開発すること。

提案手法

• 感情認識のための公的データセットで事前学習された自己教師あり学習（SSL）フレームワークを採用し、学習された表現をストレス検出に活用した。
• 2種類のSSLバリエーションを適用：1つは公的データから得た一般的な心電図特徴を用い、もう1つは本研究の母体aECGデータのサブセットでファインチューニングしたモデル。
• 32週齢の母体腹部心電図信号を抽出・処理し、母体および胎児の心拍成分を分離した。
• 心理的インventories、母体の髪の毛コルチゾールレベル、および34週齢の胎児ストレスインデックス（FSI）を用いて慢性ストレス暴露を検証した。
• エンドツーエンド学習を用いて、心電図信号からストレスマーカー（心理的スコア、FSI、母体コルチゾール）を予測する深層ニューラルネットワークを訓練した。
• モデルの性能を、アーキテクチャーや入力モalityの違いを比較し、母体ECGのみと複数信号の組み合わせを焦点にした。

実験結果

リサーチクエスチョン

• RQ1 公的データセットで事前学習された自己教師あり深層学習モデルは、生の腹部心電図信号から母体・胎児対における慢性妊娠期ストレスを検出できるか？
• RQ2 地域データで転移学習を施すことで、一般的な心電図特徴を用いた事前学習モデルに比べ、ストレス予測性能が向上するか？
• RQ3 母体心電図のみで出産時の胎児ストレスインデックス（FSI）および母体コルチゾールレベルを高精度で予測できるか？
• RQ4 異なるSSLアーキテクチャは、妊娠中の心理的ストレススコアおよび生理的ストレスマーカーの予測において、どのように比較されるか？
• RQ5 心電図信号で訓練されたDLモデルは、スケーラブルで低コストな妊娠早期ストレス検出ツールとして機能できるか？

主な発見

• 公的データセットで訓練された深層学習モデルが、慢性ストレス暴露および心理的スコアの予測において、転移学習モデルを上回った。
• 最も優れた性能を示したモデルは、母体心電図信号のみを用いて34週齢の胎児ストレスインデックス（FSI）を非常に高い精度で予測できた。
• 母体心電図のみで出産時の母体の髪の毛コルチゾールレベルを高精度で予測でき、強い生理的相関が示された。
• ノイズが多く実生活に近い心電図データに対しても、モデルは頑健な性能を示し、低コストバイオセンサーへの展開可能性を裏付けた。
• 自己教師あり表現学習は、母体および胎児のストレスシステム間の複雑でマルチモーダルな関係を効果的に捉えた。
• 開発されたDLモデルは、妊娠早期のストレス検出に向けた画期的な非侵襲的手段を提供し、早期の行動介入を可能にする。