[논문 리뷰] BayesBeat: A Bayesian Deep Learning Approach for Atrial Fibrillation Detection from Noisy Photoplethysmography Data.

Sarkar Snigdha Sarathi Das, Subangkar Karmaker Shanto외 5명|arXiv (Cornell University)|2020. 11. 02.

Non-Invasive Vital Sign Monitoring참고 문헌 35인용 수 4

한 줄 요약

BayesBeat는 스마트워치에서 노이즈가 있는 광량측정신호(PPG)로부터 심房세동(AF)을 탐지하기 위해 불확실성 추정과 강건한 딥러닝을 융합한 베이지안 딥러닝 프레임워크를 제안한다. 대규모 공개 데이터셋에서 최신 기술보다 뛰어난 성능을 보이며, 높은 정확도, 확장성, 실시간 웨어러블 장치에의 적합성을 입증한다.

ABSTRACT

The increasing popularity of smartwatches as affordable and longitudinal monitoring devices enables us to capture photoplethysmography (PPG) sensor data for detecting Atrial Fibrillation (AF) in real-time. A significant challenge in AF detection from PPG signals comes from the inherent noise in the smartwatch PPG signals. In this paper, we propose a novel deep learning based approach, BayesBeat that leverages the power of Bayesian deep learning to accurately infer AF risks from noisy PPG signals, and at the same time provide the uncertainty estimate of the prediction. Bayesbeat is efficient, robust, flexible, and highly scalable which makes it particularly suitable for deployment in commercially available wearable devices. Extensive experiments on a recently published large dataset reveal that our proposed method BayesBeat substantially outperforms the existing state-of-the-art methods.

연구 동기 및 목표

• 소비자용 스마트워치를 통해 수집된 노이즈가 있는 PPG 신호에서 심방세동(AF)을 탐지하는 데 도전 과제를 해결한다.
• 임상적 신뢰성 확보를 위해 정확한 AF 위험 예측과 신뢰할 수 있는 불확실성 추정을 동시에 제공하는 방법을 개발한다.
• 자원 제약이 있는 웨어러블 장치에서 실시간 배포에 적합하도록 효율적이고 강건하며 확장 가능한 모델을 확보한다.
• 노이즈가 있는 PPG 데이터에서 기존 최신 기술보다 AF 탐지 정확도를 뛰어나게 한다.

제안 방법

• PPG 신호에서 AF 탐지에 대한 예측 불확실성을 모델링하기 위해 베이지안 딥러닝을 활용한다.
• 라벨이 부여된 AF 이벤트를 포함한 대규모 PPG 데이터셋으로 훈련된 딥뉴럴넷 아키텍처를 사용한다.
• 지식 불확실성(에피스테믹 불확실성)을 추정하기 위해 베이지안 레이어를 통합하여 예측에 대한 모델의 자신감을 반영한다.
• 네트워크 가중치에 대한 사후분포를 근사하기 위해 변분 추론을 사용하여 모델을 최적화한다.
• 엣지 디바이스에서 실시간 추론을 가능하게 하기 위해 계산 효율성을 고려한 아키텍처를 설계한다.
• 노이즈에 대한 강건성을 향상시키기 위해 데이터 증강 및 노이즈 정규화 기법을 활용한다.

실험 결과

연구 질문

• RQ1 기존 딥러닝 모델에 비해 베이지안 딥러닝이 스마트워치의 노이즈가 있는 PPG 신호에서 AF 탐지 정확도를 향상시킬 수 있는가?
• RQ2 베이지안 모델에서 도출된 불확실성 추정은 AF 탐지의 임상적 신뢰성에 어느 정도 기여하는가?
• RQ3 대규모 실생활 PPG 데이터셋에서 BayesBeat는 최신 기술 대비 어떻게 성능을 발휘하는가?
• RQ4 제안된 방법은 상용 웨어러블 장치에 배포하기에 계산적으로 효율적이고 확장 가능한가?

주요 결과

• BayesBeat는 기존 최신 기술보다 노이즈가 있는 PPG 신호에서 심방세동 탐지에 있어 뚜렷한 성능 향상을 보였다.
• 모델은 신뢰할 수 있는 불확실성 추정을 제공하여 모호하거나 저신뢰도 예측를 식별할 수 있도록 했다.
• BayesBeat는 노이즈에 매우 강건하여 도전적인 신호 조건에서도 성능을 유지함을 입증했다.
• 이 방법은 계산적으로 효율적이고 확장 가능하여 웨어러블 장치에서 실시간 배포에 적합함을 보였다.
• 대규모 공개 데이터셋을 대상으로 한 광범위한 실험을 통해 BayesBeat가 탐지 정확도와 불확실성 캘리브레이션 측면에서 뛰어난 성능을 보였다.