[論文レビュー] Real-time PCG Anomaly Detection by Adaptive 1D Convolutional Neural Networks

Serkan Kıranyaz, Morteza Zabihi+5 more|arXiv (Cornell University)|Feb 19, 2019

Phonocardiography and Auscultation Techniques参考文献 22被引用数 10

ひとこと要約

本論文は、低遅延および計算複雑性でリアルタイム心音図（PCG）異常検出を実現するための適応的1次元畳み込みニューラルネットワーク（1D-CNN）を提案する。新規のデータ洗浄技術を採用し、PhysioNet 2016チャレンジデータセットの高SNRサブセットで学習することで、優れた検出性能とリアルタイム処理能力を達成し、グローバル分類モデルを上回り、患者特異的アプローチの必要性を浮き彫りにした。

ABSTRACT

The heart sound signals (Phonocardiogram - PCG) enable the earliest monitoring to detect a potential cardiovascular pathology and have recently become a crucial tool as a diagnostic test in outpatient monitoring to assess heart hemodynamic status. The need for an automated and accurate anomaly detection method for PCG has thus become imminent. To determine the state-of-the-art PCG classification algorithm, 48 international teams competed in the PhysioNet (CinC) Challenge at 2016 over the largest benchmark dataset with 3126 records with the classification outputs, normal (N), abnormal (A) and unsure - too noisy (U). In this study, our aim is to push this frontier further; however, we focus deliberately on the anomaly detection problem while assuming a reasonably high Signal-to-Noise Ratio (SNR) on the records. By using 1D Convolutional Neural Networks trained with a novel data purification approach, we aim to achieve the highest detection performance and a real-time processing ability with significantly lower delay and computational complexity. The experimental results over the high-quality subset of the same benchmark dataset shows that the proposed approach achieves both objectives. Furthermore, our findings reveal the fact that further improvements indeed require a personalized (patient-specific) approach to avoid major drawbacks of a global PCG classification approach.

研究の動機と目的

• 心音図（PCG）信号のリアルタイムで低複雑性な異常検出システムを開発し、心血管疾患の早期発見を可能にする。
• マルチクラス分類ではなく異常検出に焦点を当てることで、グローバルPCG分類モデルの限界を克服する。
• 信号品質を向上させる新規のデータ洗浄アプローチを用いることで、モデル学習前の信号品質を向上させ、検出性能を向上させる。
• 外来監視システムへの実装を想定し、最小限の処理遅延と計算負荷を実現する。
• PCG異常検出において、パーソナライズド（患者特異的）モデルが一般化されたグローバルモデルに比べて顕著な向上をもたらすかどうかを調査する。

提案手法

• 本手法は、PCG波形の時系列信号処理に最適化された1次元畳み込みニューラルネットワーク（1D-CNN）アーキテクチャを採用する。
• モデル学習の前段階で、入力PCG信号の信号対雑音比（SNR）を向上させるための新規なデータ洗浄技術を適用する。
• ノイズが多いか不確実な記録を除いた、PhysioNet 2016チャレンジデータセットの高品質サブセット上で、エンドツーエンドに学習を行う。
• 入力信号の特徴に応じてフィルタ応答を動的に調整する適応的1D畳み込みを用いることで、汎化性能と検出感度を向上させる。
• リアルタイムデプロイメントを最適化した推論処理により、継続的モニタリング用途における遅延と計算負荷を最小限に抑える。
• フレームワークは、正常（N）と異常（A）のPCG信号を区別することを目的とした、ベンチマークデータセットの高SNRサブセットで評価される。

実験結果

リサーチクエスチョン

• RQ1 1D-CNNベースの異常検出システムは、PCG信号において低計算コストでリアルタイム処理を達成できるか？
• RQ2 提案されたデータ洗浄手法は、標準的な前処理と比較して、検出精度を顕著に向上させるか？
• RQ3 グローバルモデルと患者特異的モデルの両者を比較した場合、PCG異常検出における性能に差は生じるか？
• RQ4 信号品質（SNR）は、PCG解析における深層学習モデルの検出性能にどのような影響を与えるか？
• RQ5 適応的1D畳み込みは、低SNRまたは品質が変動するPCG記録において、検出感度とロバスト性を向上させられるか？

主な発見

• 提案手法は、PhysioNet 2016ベンチマークデータセットの高SNRサブセットで、最先端の異常検出性能を達成した。
• 従来の手法と比較して、著しく遅延と計算複雑性が低減されたリアルタイム処理能力を示した。
• データ洗浄技術は信号品質の向上に効果的であり、モデルの汎化性能と検出精度の向上に寄与した。
• 結果から、グローバル分類モデルでは最適な性能が達成できず、さらなる向上には患者特異的アダプテーションが必要であることが示された。
• 本研究は、高SNR環境が、信頼性のある深層学習ベースのPCG異常検出にとって不可欠であることを確認した。一方で、ノイズ耐性の向上は依然として重要な課題のままである。