[論文レビュー] I-vector Based Features Embedding for Heart Sound Classification.

Mohammad Adiban, Bagher BabaAli+1 more|arXiv (Cornell University)|Apr 26, 2019

Phonocardiography and Auscultation Techniques被引用数 1

ひとこと要約

この論文は、PhysioNet 2016データセットを用いて、正常および異常な心音を分類するためのi-vectorベースの特徴埋め込み手法を提案する。MFCC特徴からi-vectorを抽出し、次に次元削減のためPCAと変分オートエンコーダー（VAE）を適用し、GMMとSVMを用いて分類することで、ベースラインシステムに比べて修正適合度（Modified Accuracy）が16%向上した。

ABSTRACT

Cardiovascular Disease (CVD) is considered as one of the principal causes of death in the world. Over recent years, this field of study has attracted researchers' attention to investigate heart sounds' patterns for disease diagnostics. In this study, an approach is proposed for normal/abnormal heart sound classification on the Physionet challenge 2016 dataset. For the first time, a fixed length feature vector; called i-vector; is extracted from each heart sound using Mel Frequency Cepstral Coefficient (MFCC) features. Afterwards, Principal Component Analysis (PCA) transform and Variational Autoencoder (VAE) are applied on the i-vector to achieve dimension reduction. Eventually, the reduced size vector is fed to Gaussian Mixture Models (GMMs) and Support Vector Machine (SVM) for classification purpose. Experimental results demonstrate the proposed method could achieve a performance improvement of 16\% based on Modified Accuracy (MAcc) compared with the baseline system on the Physionet2016 dataset.

研究の動機と目的

• 機械学習技術を用いて、正常および異常な心音の分類を改善すること。
• 可変長の心音信号の課題に対処するため、固定長のi-vector表現を抽出すること。
• PCAと変分オートエンコーダー（VAE）を用いて、特徴次元の削減を効果的に行うこと。
• 削減されたi-vector特徴に基づいて、GMMとSVMを用いて分類性能を向上させること。
• PhysioNet 2016データセットにおいて、ベースラインシステムに比べた性能向上を示すこと。

提案手法

• 各心音信号からメル周波数ケプストラル係数（MFCC）を抽出する。
• 各録音に対して、MFCC特徴から固定長のi-vector表現を生成する。
• i-vectorの次元削減のため、主成分分析（PCA）を適用する。
• さらなる次元削減と特徴学習のため、変分オートエンコーダー（VAE）を用いる。
• 削減されたi-vectorを、正規分布混合モデル（GMM）およびサポートベクターマシン（SVM）を用いて分類する。
• PhysioNet 2016データセットを用いて、修正適合度（MAcc）でシステムを評価する。

実験結果

リサーチクエスチョン

• RQ1 可変長の心音信号から、i-vector表現が効果的に特徴を抽出できるか？
• RQ2 PCAとVAEを組み合わせることで、i-vector特徴のコンパクトさと識別性が向上するか？
• RQ3 提案されたi-vectorベースの手法は、ベースラインシステムに比べて、正常および異常な心音の分類においてどのように性能を発揮するか？
• RQ4 削減されたi-vectorに対してGMMとSVMを用いることで、分類精度がどの程度向上するか？
• RQ5 提案された手法は、PhysioNet 2016データセットで顕著な性能向上を達成できるか？

主な発見

• 提案手法は、PhysioNet 2016データセットにおいて、ベースラインシステムに比べて修正適合度（MAcc）が16%向上した。
• i-vectorとPCA、VAEの統合により、よりコンパクトで情報量の多い特徴表現が得られた。
• 削減されたi-vector特徴に対してGMMとSVMを組み合わせることで、分類性能が向上した。
• i-vectorの使用により、固定長の特徴埋め込みによって可変長の心音信号を効果的に処理できるようになった。
• 本手法は、正常と異常な心音を区別する上で、頑健で効果的であることが示された。
• 結果から、i-vectorベースの特徴埋め込みは心音分類において有望なアプローチであることが確認された。