[논문 리뷰] A persistent homology approach to heart rate variability analysis with an application to sleep-wake classification

Yu-Min Chung, Chuan-Shen Hu외 2명|arXiv (Cornell University)|2019. 08. 09.

Topological and Geometric Data Analysis참고 문헌 86인용 수 9

한 줄 요약

이 논문은 순차적 집합 필터링과 타케인스 지연 맵 필터링에서 유도된 지속 통계(PS)를 사용하여 심박수 변동성(HRV) 분석을 위한 계산적으로 효율적인 지속 homology 기반 방법을 제안한다. 이 방법은 다양한 데이터베이스에서 수면-각성 및 수면 단계 분류 작업에서 뛰어난 일관성 있는 성능을 보이며, 평가 지표의 분산이 낮은 최신 기술들을 능가한다.

ABSTRACT

Persistent homology (PH) is a recently developed theory in the field of algebraic topology to study shapes of datasets. It is an effective data analysis tool that is robust to noise and has been widely applied. We demonstrate a general pipeline to apply PH to study time series; particularly the instantaneous heart rate time series for the heart rate variability (HRV) analysis. The first step is capturing the shapes of time series from two different aspects -- {the PH's and hence persistence diagrams of its} sub-level set and Taken's lag map. Second, we propose a systematic {and computationally efficient} approach to summarize persistence diagrams, which we coined {\em persistence statistics}. To demonstrate our proposed method, we apply these tools to the HRV analysis and the sleep-wake, REM-NREM (rapid eyeball movement and non rapid eyeball movement) and sleep-REM-NREM classification problems. The proposed algorithm is evaluated on three different datasets via the cross-database validation scheme. The performance of our approach is better than the state-of-the-art algorithms, and the result is consistent throughout different datasets.

연구 동기 및 목표

• 비정상적인 시간 시리즈인순간 심박수(IHR)를 위한 강건하고 계산적으로 효율적인 위상적 데이터 분석(TDA) 프레임워크를 개발하는 것.
• HRV 측정에 대한 합의 부족 문제를 해결하기 위해 지속 통계(PS)를 새로운 특징 표현 방식으로 도입하는 것.
• 수면 단계 분류 작업, 특히 수면-각성, REM-NREM 및 전체 수면 단계를 구분하는 데에서 제안된 방법을 평가하는 것.
• PS 특징의 교차 데이터베이스 일반화 능력과 임상 적용 가능성의 입증.

제안 방법

• IHR 시간 시리즈의 부분 집합 집합 필터링과 타케인스 지연 임bedding의 비에토리스(Rips) 복합체 필터링을 구축한다.
• 두 필터링에서 지속 다이어그램(PD)을 계산하여 시간 시리즈의 다중 척도에서의 위상적 특징을 캡처한다.
• 지속 통계(PS)를 도입하여 두 필터링의 특징을 하나의 해석 가능한 통계로 요약한다.
• 기계 학습 분류기의 입력으로 PS 특징을 사용하여 수면 단계 분류를 수행한다.
• 다양한 데이터셋과 기록 조건에서의 일반화 능력을 평가하기 위해 교차 데이터베이스 검증 체계를 적용한다.
• Ripser 라이브러리를 활용하여 지속 homology의 효율적 계산을 수행하며, 스케일이 잘 되도록 0차 및 1차 호모로지 군에 집중한다.

실험 결과

연구 질문

• RQ1 지속 homology는 비정상적인 IHR 시간 시리즈의 역학적 복잡성을 HRV 분석에 효과적으로 캡처할 수 있는가?
• RQ2 제안된 지속 통계(PS)는 기존의 HRV 특징과 비교해 수면 단계 분류에서 어떤가?
• RQ3 PS 기반 방법은 기기 및 인구 구성이 다른 다양한 데이터베이스 및 기록 조건에서도 일반화 가능한가?
• RQ4 다양한 평가 지표에서 높은 성능와 낮은 분산을 동시에 달성할 수 있는가?
• RQ5 이 방법의 계산 비용은 대규모 또는 실시간 생리학적 시간 시리즈 분석에 실현 가능한가?

주요 결과

• 제안된 지속 통계(PS)는 UCSD-SADB 데이터셋에서 정확도 70.6±5.4%, 민감도 57.6±15.5%, 특이도 75.3±5.5%를 달성하여 균형 잡힌 성능를 보였다.
• CGMH-검증 데이터셋에서는 민감도 70.9±16.0%, 특이도 78.9±5.4%, AUC 0.824±0.090를 기록하여 이전 방법들보다 균형 잡힌 지표에서 뛰어난 성능를 보였다.
• 다양한 데이터셋에서 정확도, 민감도, 특이도의 표준편차가 낮아 최신 기술 대비 더 높은 일관성을 보였다.
• 교차 데이터베이스 검증을 통해 PS 특징이 다양한 데이터 수집 환경과 인구 집단 간에 강건하고 일반화 가능한 것으로 확인되었다.
• 계산 측면에서 이 방법은 효율적이며, 표준 랩탑에서 0차 호모로지 특징은 0.06초, 1차는 1.7초, 2차는 106초가 소요되어 실생활 응용에 적합한 확장성을 보였다.
• 결과적으로 PS 특징는 임상 현장 적용에 적합하며, 모바일 기기에서 얻은 PPG 유도 HRV 데이터로의 확장도 가능할 것으로 보인다.