[論文レビュー] End-to-end Deep Learning from Raw Sensor Data: Atrial Fibrillation Detection using Wearables

Igor Gotlibovych, Stuart L. Crawford+7 more|arXiv (Cornell University)|Jul 27, 2018

ECG Monitoring and Analysis参考文献 37被引用数 21

ひとこと要約

本稿では、ウェアラブルデバイスで収集された生のポリフィルセトグラム（PPG）信号から直接心房細動（AFib）を検出するため、畳み込み・再帰型ニューラルネットワークに長短時刻記憶（LSTM）を組み合わせたエンド・ツー・エンドのディープラーニングモデルを提案する。このモデルは、心拍数抽出などの手作業による特徴量抽出に依存する従来手法を上回り、AUCが0.9999に達する最先端の性能を達成しており、誤検出率・誤検出率ともに0.2%未満である。

ABSTRACT

We present a convolutional-recurrent neural network architecture with long short-term memory for real-time processing and classification of digital sensor data. The network implicitly performs typical signal processing tasks such as filtering and peak detection, and learns time-resolved embeddings of the input signal. We use a prototype multi-sensor wearable device to collect over 180h of photoplethysmography (PPG) data sampled at 20Hz, of which 36h are during atrial fibrillation (AFib). We use end-to-end learning to achieve state-of-the-art results in detecting AFib from raw PPG data. For classification labels output every 0.8s, we demonstrate an area under ROC curve of 0.9999, with false positive and false negative rates both below $2 imes 10^{-3}$. This constitutes a significant improvement on previous results utilising domain-specific feature engineering, such as heart rate extraction, and brings large-scale atrial fibrillation screenings within imminent reach.

研究の動機と目的

• ドメイン固有の特徴工学に依存せずに、生のPPG信号から心拍リズムをリアルタイムで検出できるエンド・ツー・エンドのディープラーニングシステムを開発すること。
• 高コスト、利用可能性の制限、専門家の解釈を要するといった、従来の心電図（ECG）ベースのAFib検出法の限界を克服すること。
• 低コストのウェアラブルセンサーとディープラーニングを組み合わせることで、大規模かつ継続的・非侵襲的なAFibスクリーニングを可能にすること。
• ニューラルネットワークが生のセンサデータからフィルタリングやピーク検出といった信号処理タスクを暗黙的に学習できることを示すこと。

提案手法

• 20 Hzでサンプリングされた生のPPG信号を、畳み込み・再帰型ニューラルネットワーク（LSTMユニットを内蔵）を用いてエンド・ツー・エンドに訓練し、リアルタイムで心拍リズムを分類する。
• 階層的な特徴抽出により、入力信号の時間的埋め込みを学習し、暗黙的にフィルタリングやピーク検出を実行する。
• 中間層の活性化を階層的クラスタリングと最適なリーフ順序付けを用いて可視化し、学習されたニューロンの機能を解釈する。
• 最終隠れ層からの心拍リズム埋め込みを、論理回帰の意思決定境界を保持する方法で2次元空間に投影し、解釈可能性を向上させる。
• 本ネットワークは、心房除細動を受ける患者および健康な志願者らの睡眠中のデータを含み、合計180時間以上のPPGデータ（うちAFib発作は36時間分）を用いて訓練された。
• 短時間のAFib発作（特に20〜200秒）の検出を向上させるために、合成データの増強が用いられた。

実験結果

リサーチクエスチョン

• RQ1 エンド・ツー・エンドで生のPPG信号に訓練されたディープラーニングモデルは、従来の特徴ベースの手法に比べ、優れたAFib検出性能を達成できるか？
• RQ2 明示的な設計なしに、ニューラルネットワークはフィルタリングやピーク検出といった信号処理操作をどれほどうまく暗黙的に学習できるか？
• RQ3 このエンド・ツー・エンド手法で検出可能な孤立したAFib発作の最小持続時間はどの程度か？
• RQ4 PPG信号の潜在空間表現は、AFib以外のリズム異常についてのパーソナライズドで非教師ありの検出を可能にするか？
• RQ5 本モデルは、運動や信号品質のばらつきといった多様なデモグラフィック要因や実世界の条件下でも一般化可能か？

主な発見

• 受信者操作特性曲線（ROC）下の面積（AUC）が0.9999に達し、AFibと正常なsinusリズムの間の識別性能がほぼ完璧であることが示された。
• 誤検出率は0.2%未満（2×10⁻³）であり、誤検出率も同様に0.2%未満であり、高い感度と特異度を示した。
• AFib発作は20〜200秒の短時間でも検出可能であり、患者や信号対雑音比に応じて性能にばらつきが見られた。
• ネットワークの隠れ層からの潜在空間埋め込みには、患者固有の心拍リズムパターンが現れ、将来的なパーソナライズドな異常検出の可能性を示唆した。
• トレーニング段階で合成データを用いることで、短時間のAFib発作の検出性能が向上した。これは、実世界での導入に向けた耐障害性の向上への道筋を示唆している。
• 中間ニューロンおよび埋め込みの可視化結果から、ネットワークがPPG波形およびダイナミクスの意味的で解釈可能な表現を学習していることが確認された。