[논문 리뷰] DeepBeat: A multi-task deep learning approach to assess signal quality and arrhythmia detection in wearable devices

Jessica Torres Soto, Euan A. Ashley|arXiv (Cornell University)|2020. 01. 01.

Non-Invasive Vital Sign Monitoring참고 문헌 17인용 수 5

한 줄 요약

DeepBeat는 유사 데이터로 비지도 사전 훈련하고 실세계 레이블 데이터로 미세조정하는 방식으로, 웨어러블 기기에서 광량측정법(PG) 신호 품질을 동시에 평가하고 심房세동(AF)을 탐지하는 다중작업 딥러닝 프레임워크를 제안한다. 이는 휠씬 뛰어난 성능(재현율: 0.96, auPRC: 0.96)을 기록하여 기존의 랜덤 포레스트 및 단일작업 CNN 기반 기준선보다 뛰어난 성능을 보였다.

ABSTRACT

Wearable devices enable theoretically continuous, longitudinal monitoring of physiological measurements like step count, energy expenditure, and heart rate. Although the classification of abnormal cardiac rhythms such as atrial fibrillation from wearable devices has great potential, commercial algorithms remain proprietary and tend to focus on heart rate variability derived from green spectrum LED sensors placed on the wrist where noise remains an unsolved problem. Here, we develop a multi-task deep learning method to assess signal quality and arrhythmia event detection in wearable photoplethysmography devices for real-time detection of atrial fibrillation (AF). We train our algorithm on over one million simulated unlabeled physiological signals and fine-tune on a curated dataset of over 500K labeled signals from over 100 individuals from 3 different wearable devices. We demonstrate that in comparison with a traditional random forest-based approach (precision:0.24, recall:0.58, f1:0.34, auPRC:0.44) and a single task CNN (precision:0.59, recall:0.69, f1:0.64, auPRC:0.68) our architecture using unsupervised transfer learning through convolutional denoising autoencoders dramatically improves the performance of AF detection in participants at rest (pr:0.94, rc:0.98, f1:0.96, auPRC:0.96). In addition, we validate algorithm performance on a prospectively derived replication cohort of ambulatory subjects using data derived from an independently engineered device. We show that two-stage training can help address the unbalanced data problem common to biomedical applications where large well-annotated datasets are scarce. In conclusion, though a combination of simulation and transfer learning and we develop and apply a multitask architecture to the problem of AF detection from wearable wrist sensors demonstrating high levels of accuracy and a solution for the vexing challenge of mechanical noise.

연구 동기 및 목표

• 웨어러블 PPG 기기에서 부정확한 신호 품질과 기계적 노이즈 문제를 해결하기 위해.
• 제한된 레이블이 있는 생체의학 데이터를 바탕으로 허브워치형 PPG 센서에서 심방세동(AF)을 안정적이고 실시간으로 탐지할 수 있는 방법을 개발하기 위해.
• 시뮬레이션과 전이학습을 활용하여 생체의학 애플리케이션의 데이터 불균형 문제를 해결하기 위해.
• 다중작업 딥러닝 아키텍처를 통해 신호 품질 평가와 부정맥 탐지 작업을 동시에 최적화하기 위해.
• 다른 기기로 수집된 독립적이고 사전에 수집된 액티브 코hort를 사용하여 모델을 검증하기 위해.

제안 방법

• 모델은 이중 단계 훈련 프로세스를 사용한다: 먼저 100만 개의 레이블이 없는 시뮬레이션된 PPG 신호에서 심층 노이즈 제거 오토인코더를 사전 훈련하여 강력한 표현을 학습한다.
• 두 번째 단계로, 3종의 웨어러블 기기에서 100명 이상의 개인으로부터 수집된 50만 개 이상의 레이블이 부여된 PPG 신호 코호트를 활용해 모델을 미세조정한다.
• 아키텍처는 다중작업 딥 네URAL 네트워크로, 동시에 신호 품질을 예측하고 부정맥 사건(심방세동 포함)을 분류한다.
• 전이학습은 비지도 사전 훈련을 통해 생체의학 응용 분야에서 데이터 부족 문제를 완화하고 일반화 성능을 향상시키기 위해 적용된다.
• 시계열 패턴을 더 잘 포착하기 위해 시간적 컨볼루션을 활용하여 탐지 성능을 향상시킨다.
• 성능 평가는 정밀도, 재현율, F1 스코어 및 정밀도-재현율 곡선 아래 면적(auPRC)을 사용한다.

실험 결과

연구 질문

• RQ1 다중작업 딥러닝 모델은 노이즈가 많은 웨어러블 PPG 신호에서 신호 품질 평가와 AF 탐지 성능을 동시에 향상시킬 수 있는가?
• RQ2 시뮬레이션된 데이터로 비지도 사전 훈련하면 실세계에서 레이블이 제한된 PPG 데이터의 후속 성능을 향상시킬 수 있는가?
• RQ3 기존의 기계학습 기반 방법(예: 랜덤 포레스트)과 단일작업 딥러닝 대비 AF 탐지 정확도에서 제안된 방법은 어떻게 비교되는가?
• RQ4 이중 단계 훈련 전략은 생체의학 신호 분류에서 데이터 불균형 문제를 효과적으로 해결할 수 있는가?
• RQ5 모델은 다른 웨어러블 기기에서 수집된 독립적이고 액티브 코호트 데이터에 일반화되는가?

주요 결과

• 제안된 다중작업 모델은 휠씬 더 뛰어난 성능을 기록하여, 휴식 중 환자에서 정밀도 0.94, 재현율 0.98, F1 스코어 0.96, auPRC 0.96의 성능을 달성했으며, 랜덤 포레스트 기준선(F1: 0.34)과 단일작업 CNN(F1: 0.64)보다 뚜렷이 뛰어났다.
• 시뮬레이션된 데이터에서의 사전 훈련 단계 성능 덕분에 강력한 일반화 성능이 확보되어 대규모 레이블 데이터에 대한 의존도가 감소했다.
• 이중 단계 훈련 전략은 데이터 불균형 문제를 효과적으로 완화하여 희귀 부정맥 발생 사례의 탐지 성능을 향상시켰다.
• 독립적으로 설계된 웨어러블 기기에서 수집된 사전에 수집된 복제 코호트에서도 모델은 뛰어난 성능을 보였으며, 다양한 기기 간 일반화 능력을 확인했다.
• 비지도 표현 학습을 위한 컨볼루션 노이즈 제거 오토인코더의 사용이 신호 표현 품질 향상과 후속 탐지 정확도 향상에 크게 기여했다.
• 다중작업 아키텍처를 통해 신호 품질과 부정맥 탐지 작업을 함께 학습함으로써 단일작업 대비 모델의 안정성과 성능이 향상되었다.