[論文レビュー] SiamAF: Learning Shared Information from ECG and PPG Signals for Robust Atrial Fibrillation Detection

Zhicheng Guo, Cheng Ding+5 more|arXiv (Cornell University)|Oct 13, 2023

ECG Monitoring and AnalysisMedicine被引用数 3

ひとこと要約

SiamAFは、心電図（ECG）および脈波計測（PPG）信号からの共有特徴を共同で学習するシアンプス型ディープラーニングフレームワークを提案する。特徴のピーク周辺にモダリティ固有の表現を整列させるための対照的損失を活用することで、複数の外部データセットで最先端の性能を達成し、ラベル付きデータがたった1%の状況でも良好な一般化性能を示す。

ABSTRACT

Atrial fibrillation (AF) is the most common type of cardiac arrhythmia. It is associated with an increased risk of stroke, heart failure, and other cardiovascular complications, but can be clinically silent. Passive AF monitoring with wearables may help reduce adverse clinical outcomes related to AF. Detecting AF in noisy wearable data poses a significant challenge, leading to the emergence of various deep learning techniques. Previous deep learning models learn from a single modality, either electrocardiogram (ECG) or photoplethysmography (PPG) signals. However, deep learning models often struggle to learn generalizable features and rely on features that are more susceptible to corruption from noise, leading to sub-optimal performances in certain scenarios, especially with low-quality signals. Given the increasing availability of ECG and PPG signal pairs from wearables and bedside monitors, we propose a new approach, SiamAF, leveraging a novel Siamese network architecture and joint learning loss function to learn shared information from both ECG and PPG signals. At inference time, the proposed model is able to predict AF from either PPG or ECG and outperforms baseline methods on three external test sets. It learns medically relevant features as a result of our novel architecture design. The proposed model also achieves comparable performance to traditional learning regimes while requiring much fewer training labels, providing a potential approach to reduce future reliance on manual labeling.

研究の動機と目的

• ウェアラブルECGおよびPPG信号に起因するノイズが多く、低品質な状況におけるAF検出の課題に対処すること。
• ECGとPPGの補完的情報を活用することで、多様な記録環境やハードウェアにわたるモデルの一般化性能を向上させること。
• 共同モダリティ統合を通じて、有効な半教師付き学習を可能にすることで、大規模な手動ラベリングに依存するのを減らすこと。
• ECGおよびPPG入力の両方で性能に妥協が生じない統一モデルを構築すること。

提案手法

• ECGおよびPPG信号を並列に処理するためのシアンプス型ニューラルネットワークアーキテクチャを採用し、同じバックボーン（ResNet）とプロジェクションヘッドを共有する。
• ECGおよびPPG信号間の共有表現を学習するための新しい対照的損失関数を導入し、特にRピーク特徴に注目する。
• AF予測の分類損失とモダリティ統合のための対照的損失を組み合わせた共同学習目的関数を用いてモデルを訓練する。
• 対照的損失を活用することで、未ラベルデータを活用した半教師付き学習を可能にし、サンプル効率を向上させる。
• 分類に主にRピーク情報に依存しているかを検証するため、ピークのみの信号表現を用いる。
• 次元削減および特徴可視化を用いて、モデルが学習した医療的に意味のある特徴を解釈および検証する。

実験結果

リサーチクエスチョン

• RQ1 ECGとPPG信号からの共同学習は、現実のノイズの多い環境下におけるAF検出モデルのロバスト性および一般化性能を向上させることができるか？
• RQ2 ECGとPPG間で共有特徴（特にRピークパターン）を学習することは、単一モダリティモデルよりも優れた性能をもたらすか？
• RQ3 対照的学習目的関数は、AF検出において大規模なラベルデータへの依存度をどの程度低減できるか？
• RQ4 1つの統一モデルが、モダリティ固有のファインチューニングなしにECGおよびPPG入力の両方で高い性能を達成できるか？
• RQ5 分類に実際に依存している生理的特徴（例：ピーク形状、P波の有無）はどのようなものか？

主な発見

• SiamAFは、異なるデータソースおよび記録条件を持つ3つの独立した外部テストセットにおいて、DeepBeatや単一モダリティCNNなど複数の最先端ベースラインを上回る性能を示した。
• 訓練ラベルの1%のみを用いても、完全教師ありモデルと同等の性能を達成し、優れたサンプル効率を示した。
• 特徴可視化により、ECGおよびPPG信号の両方でRピーク形状を中心に医療的に意味のある共有表現が学習されていることが確認された。
• 分布外データ（例：Simbandデータセットの歩行時PPG、機関Bの病院用ECG）に対しても良好な一般化性能を示し、単一モダリティで訓練されたモデルを上回った。
• ピークのみの信号投影において、ECGとPPGの表現間に高い一致が確認され、Rピーク特徴がAF検出の主な共有信号であることが示された。
• 対照的損失は、ラベルが少ない状況下でもモデルの性能と一般化性能を顕著に向上させ、特徴学習を強力な共有パターンへ誘導する役割を果たしていることが検証された。