[論文レビュー] Signal Quality Assessment of Photoplethysmogram Signals using Quantum Pattern Recognition and lightweight CNN Architecture

Tamaghno Chatterjee, Aayushman Ghosh+1 more|arXiv (Cornell University)|Feb 1, 2022

Non-Invasive Vital Sign Monitoring被引用数 4

ひとこと要約

本稿では、光体積脈波計測信号（PPG）を「良好」または「不良」の品質に分類するため、軽量な2次元畳み込みニューラルネットワーク（CNN）モデルと、新規の量子パターン認識（QPR）技術を組み合わせた手法を提案する。この手法は、QPRを用いて5秒間のPPGセグメントを20×500ピクセルのグレースケール画像に変換し、その後、スリムなCNNアーキテクチャで分類する。University of Queenslandデータセット上で、98.3%の正確性、99.3%の感度、98.9%のF1スコアを達成した。

ABSTRACT

Photoplethysmography (PPG) signal comprises physiological information related to cardiorespiratory health. However, while recording, these PPG signals are easily corrupted by motion artifacts and body movements, leading to noise enriched, poor quality signals. Therefore ensuring high-quality signals is necessary to extract cardiorespiratory information accurately. Although there exists several rule-based and Machine-Learning (ML) - based approaches for PPG signal quality estimation, those algorithms' efficacy is questionable. Thus, this work proposes a lightweight CNN architecture for signal quality assessment employing a novel Quantum pattern recognition (QPR) technique. The proposed algorithm is validated on manually annotated data obtained from the University of Queensland database. A total of 28366, 5s signal segments are preprocessed and transformed into image files of 20 x 500 pixels. The image files are treated as an input to the 2D CNN architecture. The developed model classifies the PPG signal as `good' or `bad' with an accuracy of 98.3% with 99.3% sensitivity, 94.5% specificity and 98.9% F1-score. Finally, the performance of the proposed framework is validated against the noisy `Welltory app' collected PPG database. Even in a noisy environment, the proposed architecture proved its competence. Experimental analysis concludes that a slim architecture along with a novel Spatio-temporal pattern recognition technique improve the system's performance. Hence, the proposed approach can be useful to classify good and bad PPG signals for a resource-constrained wearable implementation.

研究の動機と目的

• ウェアラブル健康モニタリングシステムにおける運動アーティファクトに起因するPPG信号の課題に対処すること。
• ルールベースおよび従来の機械学習手法を上回る信号品質評価（SQA）の正確性を向上させること。
• リソース制約のあるウェアラブルデバイスへの実装に適した計算効率の高いディープラーニングモデルを開発すること。
• Welltoryアプリから得たノイズの多い実世界データと、手動でアノテートされたクリアなデータの両方で、提案フレームワークの妥当性を検証すること。
• QPR処理画像と軽量CNNの統合が、SQAタスクにおいて優れた性能を示すことを実証すること。

提案手法

• 1次元のPPG信号を、空間的・時間的パターンを抽出するための新規な量子パターン認識（QPR）アルゴリズムを用いて、20×500ピクセルのグレースケール画像に変換した。
• モデルの複雑さとパラメータ数を低減する目的で、「スリムモジュール」と呼ばれるマイクロアーキテクチャに基づく軽量2次元CNNアーキテクチャを設計した。
• 交差エントロピー損失とAdam最適化を用いて、CNNを「良好」または「不良」品質のPPG信号としての画像分類に訓練した。
• University of Queenslandデータベースの28,366個の5秒間PPGセグメントを前処理し、標準化とアーティファクト検出を実施した。
• 感度、特異度、F1スコア、正確性の5つの評価指標を用いて性能を検証した。
• 同じデータセットと評価プロトコルを用いて、3つのベースライン手法（SQIs+SVM、HOG+MLP、1D-CNN）と比較した。

実験結果

リサーチクエスチョン

• RQ1 QPR処理済みPPG画像と組み合わせた軽量CNNアーキテクチャは、既存のルールベースおよび機械学習ベースのSQA手法を上回る性能を発揮できるか？
• RQ2 Welltoryのようなモバイルアプリから収集した実世界のノイズの多いPPGデータにおいて、本手法はどの程度の性能を示すか？
• RQ3 量子インスパイアドパターン認識の統合は、PPG品質評価におけるディープラーニングモデルの識別力に向上をもたらすか？
• RQ4 ウェアラブルデバイスへの実装を想定した場合、本手法は計算複雑性を最小限に抑えながらも、高い性能を維持できるか？
• RQ5 同じデータセットと評価指標を用いた場合、本手法は最先端のディープラーニングモデルと比較してどの程度の性能を示すか？

主な発見

• 提案されたQPRベースの軽量CNNは、University of Queenslandデータセットで98.3%の正確性、99.3%の感度、94.5%の特異度、98.9%のF1スコアを達成した。
• 本手法は、すべてのベースライン手法（SQIs+SVM：84.4%の正確性、1D-CNN：95.8%の正確性、HOG-MLP：85%の正確性）を上回った。
• ノイズの多いWelltoryアプリのデータセットにおいても、本手法は高い性能を維持し、実世界の状況下での頑健性を示した。
• Chen（2021）の先行研究と比較して、QPR画像を用いた本手法は感度（99.3% vs. 96.6%）と特異度（94.5% vs. 69.7%）の両方で優れていた。
• STFT画像を用いた評価でも、本手法はChenら（2021）をすべての指標で上回った。正確性（94.0% vs. 93.6%）、F1スコア（96.2% vs. 96.0%）ともに優位であった。
• 本手法は、Chenら（58,040セグメント）よりも少ないデータセット（28,366セグメント）を用いても優れた性能を示したため、強力な一般化能力と効率性を示していると結論づけられた。