[論文レビュー] MetaPhys: Few-Shot Adaptation for Non-Contact Physiological Measurement

Xin Liu, Ziheng Jiang+4 more|arXiv (Cornell University)|Oct 5, 2020

Non-Invasive Vital Sign Monitoring参考文献 42被引用数 11

ひとこと要約

MetaPhysは、非接触の動画ベース生理測定のための few-shot メタラーニングフレームワークを提案する。18秒間のラベルなし動画のみで迅速なパーソナライゼーションが可能であり、自己教師ありの疑似ラベル付けとメタラーニング（MAML）を組み合わせることで、データセット間評価で42–44%低い誤差を達成し、肌色の異なる被験者間でのバイアスも顕著に低減する。

ABSTRACT

There are large individual differences in physiological processes, making designing personalized health sensing algorithms challenging. Existing machine learning systems struggle to generalize well to unseen subjects or contexts and can often contain problematic biases. Video-based physiological measurement is not an exception. Therefore, learning personalized or customized models from a small number of unlabeled samples is very attractive as it would allow fast calibrations to improve generalization and help correct biases. In this paper, we present a novel meta-learning approach called MetaPhys for personalized video-based cardiac measurement for contactless pulse and heart rate monitoring. Our method uses only 18-seconds of video for customization and works effectively in both supervised and unsupervised manners. We evaluate our proposed approach on two benchmark datasets and demonstrate superior performance in cross-dataset evaluation with substantial reductions (42% to 44%) in errors compared with state-of-the-art approaches. We have also demonstrated our proposed method significantly helps reduce the bias in skin type.

研究の動機と目的

• 未観測の被験者や環境において、動画ベースのリモート生理測定の一般化性能が低いという課題に対処すること。
• rPPGシステムにおいて知られている問題である、肌色による性能バイアスを低減すること。
• 臨床的キャリブレーションを模倣するように、最小限のラベル付きデータで生理センシングモデルの迅速なパーソナライズを可能にすること。
• ゴールスタンダードの接触センサに依存しない、自己教師ありの少データ適応手法を開発すること。
• 特にリソースが限られた環境や遠隔医療の場面において、実運用における耐障害性と一般化性能を向上させること。

提案手法

• MetaPhysは、事前学習済みの動画ベースrPPGモデルを、少数のデータで新しい被験者に適応させるため、モデルに依存しないメタラーニング（MAML）に基づくメタラーニングフレームワークを採用する。
• ラベルなしの接触センサデータが不要な状態で、動画フレームから合成された真値心拍信号（疑似ラベル）を生成するための自己教師ありの疑似ラベル付け戦略を用いる。
• バックボーンネットワークとメタラーナーを同時に最適化することで、18秒間の動画のみで新しい個人への適応性能を向上させる。
• 適応過程での信号品質を保持するために、周波数ドメインの信号対雑音比（SNR）損失を組み込む。
• 教師ありおよび自己教師ありのファインチューニングをサポートし、キャリブレーション段階でゴールスタンダードラベルの必要性を排除する。
• フェデレーテッドラーニングと互換性を持たせ、生の動画データを共有せずに安全にパーソナライズ可能である。

実験結果

リサーチクエスチョン

• RQ1 few-shot メタラーニングアプローチは、非接触生理測定におけるデータセット間一般化性能を顕著に向上させることができるか？
• RQ2 自己教師ありの疑似ラベル付けは、rPPGシステムにおけるパーソナライズのゴールスタンダードラベルを効果的に代替できるか？
• RQ3 MetaPhysは、最先端手法と比較して、肌色にわたる性能バイアスをどの程度低減するか？
• RQ4 照明、動き、ハードウェアの条件が異なる状況下でも、この手法はどの程度一般化性能を示すか？
• RQ5 MetaPhysはフェデレーテッドラーニング環境に導入可能で、データプライバシーを守りながらモデルの耐障害性を向上させられるか？

主な発見

• MMSEおよびUBFCデータセットにおけるデータセット間評価で、MetaPhysは最先端手法と比較して平均絶対誤差（MAE）を42–44%低減した。
• 信号対雑音比（SNR）に顕著な改善が見られ、より高品質な脈拍信号の回復が示された。
• 特に肌が濃い被験者においても、性能バイアスが顕著に低減され、正確性が向上した。
• 自己教師ありの適応設定でも、教師ありファインチューニングと同等の性能を達成しており、疑似ラベル付けの有効性が裏付けられた。
• 標準的なファインチューニングや先行のメタラーニングベースラインと比較して、特にデータが少ない状況下でも優れた性能を示した。
• 動画品質、照明、動きの条件が異なる状況でも良好に一般化し、実運用環境における耐障害性が確認された。