[논문 리뷰] Continuous Telemonitoring of Heart Failure using Personalised Speech Dynamics

Yue Pan, Xingyao Wang외 7명|arXiv (Cornell University)|2026. 02. 23.

Phonocardiography and Auscultation Techniques인용 수 0

한 줄 요약

이 논문은 Personalised Sequential Encoder(PSE)를 갖춘 Longitudinal Intra-Patient Tracking(LIPT)를 도입하여 심부전 상태를 음성으로 모니터링하고, HF 궤적 탐지 및 악화 예측에서 횡단면 방법을 능가합니다.

ABSTRACT

Remote monitoring of heart failure (HF) via speech signals provides a non-invasive and cost-effective solution for long-term patient management. However, substantial inter-individual heterogeneity in vocal characteristics often limits the accuracy of traditional cross-sectional classification models. To address this, we propose a Longitudinal Intra-Patient Tracking (LIPT) scheme designed to capture the trajectory of relative symptomatic changes within individuals. Central to this framework is a Personalised Sequential Encoder (PSE), which transforms longitudinal speech recordings into context-aware latent representations. By incorporating historical data at each timestamp, the PSE facilitates a holistic assessment of the clinical trajectory rather than modelling discrete visits independently. Experimental results from a cohort of 225 patients demonstrate that the LIPT paradigm significantly outperforms the classic cross-sectional approaches, achieving a recognition accuracy of 99.7% for clinical status transitions. The model's high sensitivity was further corroborated by additional follow-up data, confirming its efficacy in predicting HF deterioration and its potential to secure patient safety in remote, home-based settings. Furthermore, this work addresses the gap in existing literature by providing a comprehensive analysis of different speech task designs and acoustic features. Taken together, the superior performance of the LIPT framework and PSE architecture validates their readiness for integration into long-term telemonitoring systems, offering a scalable solution for remote heart failure management.

연구 동기 및 목표

• 음성 기반 HF 평가에서 개인 간 변이성을 다룬다.
• 개인 내 HF 궤적을 모니터링하기 위한 종단적 추적 프레임워크를 개발한다.
• 연속 음성 이력을 인코딩하기 위해 Personalised Sequential Encoder(PSE)을 설계한다.
• 입원 중인 HF 환자 코호트와 추적 데이터를 대상으로 접근법을 검증한다.

제안 방법

• 음성 작업에서 전역 특징(global)과 프레임 수준 음향 특징을 추출한다.
• HF-관련 특징(HF-voice A/B)을 식별하기 위해 통계적 선별을 적용한다.
• 개인 내 궤적을 모델링하기 위해 Longitudinal Intra-Patient Tracking(LIPT)과 Personalised Sequential Encoder(PSE)을 제안한다.
• HF 상태 전이 탐지를 위해 교차 섹션 모델(XGBoost)과 종단 모델(FNN)을 학습하고 비교한다.
• 여러 음성 작업(모음, 짧은 문장, 긴 문장) 전반에 걸쳐 평가하고 작업 효과를 분석한다.
• 보상 불안정 상태와 치료 후 상태 및 추적 재입원 데이터에서 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 음성으로부터 HF 상태 추정을 위한 종단 모형이 전통적인 교차 섹션 방법보다 더 우수한가?
• RQ2 HF 궤적 추적에 가장 강한 신호를 제공하는 음성 작업과 특징 세트은 무엇인가?
• RQ3 개인화된 Sequential Encoder가 개인 내 시간적 역학을 포착하는 데 얼마나 효과적인가?
• RQ4 LIPT/PSE 접근법이 재입원 예측을 포함한 추적 데이터에 얼마나 잘 일반화되는가?

주요 결과

• LIPT는 다양한 구조에서 교차 섹션 접근법을 크게 능가하며, 예를 들어 선택된 특징 세트의 경우 정확도가 약 69%(교차 섹션)에서 최대 81.8%(종단적 FNN)까지 향상된다.
• RASTA 프레임 수준 특징이 매우 높은 성능을 달성하며, RASTA와 선택된 전역 특징을 결합하면 민감도 약 99.8% 그리고 특이도 약 99.7%이다.
• PSE와 프레임 수준 RASTA 특징을 사용하면 매크로-F1 99.5%(decompensated에서 post-treatment로) 및 99.7% 정밀도로 HF 궤적 변화의 강한 탐지를 나타낸다.
• 추적 평가에서 RASTA 기반 모델은 재입원을 AUROC 최대 0.94로 효과적으로 식별하지만, 안정적 케이스에서 거짓 양성률이 더 높아 보정이 필요하다.
• 더 길고 포괄적인 음성 작업(1–60까지 숫자 세기)이 개인 내 종단 정보를 가장 잘 제공하는 반면 모음은 임상적 실용성을 제공한다.
• 본 연구는 확장 가능한 원격 HF 모니터링을 위한 개인화 음성 모델링의 타당성을 뒷받침하며 보정 및 보다 넓은 데이터에 대한 방향성을 제시한다.