[논문 리뷰] Detection of Maternal and Fetal Stress from ECG with Self-supervised Representation Learning

Pritam Sarkar, Silvia M. Lobmaier외 6명|arXiv (Cornell University)|2020. 11. 03.

Maternal Mental Health During Pregnancy and Postpartum참고 문헌 20인용 수 4

한 줄 요약

이 연구는 전이 학습을 활용하여 원시 모성 복부 심전도(aECG) 신호에서 모성 및 태반 스트레스를 탐지하는 자기지도 학습 딥 러닝(DL) 모델을 제안한다. 공개 심전도 데이터를 기반으로 정서 인식에 대해 사전 훈련된 모델은 만성 스트레스 노출, 심리적 점수, 태반 스트레스 지수(FSI), 모성 코르티솔 수치 예측에서 높은 정확도를 달성하며, 지역 데이터로 훈련된 모델보다 뛰어난 성능을 보이며, 특히 모성 심전도만을 사용할 경우 더욱 두드러진다.

ABSTRACT

In a pregnant mother and her fetus, chronic prenatal stress results in entrainment of the fetal heartbeat by the maternal heartbeat, quantified by the fetal stress index (FSI). Deep learning (DL) is capable of pattern detection in complex medical data with high accuracy in noisy real-life environments, but little is known about the utility of DL in non-invasive biometrics during pregnancy. We hypothesized that a recently established self-supervised learning (SSL) approach that provides emotional recognition from ECG will identify chronically stressed mother-fetus dyads from the raw maternal abdominal electrocardiograms (aECG), containing fetal and maternal ECG. Chronically stressed mothers and controls matched on enrollment at 32 weeks of gestation were studied. We validated the chronic stress exposure by psychological inventory, maternal hair cortisol, and FSI. We tested two variants of SSL architecture, one trained on the generic ECG features for emotional recognition obtained from public datasets and another transfer-learned on a subset of our data. Our DL models predict excellently the chronic stress exposure, the individual psychological score, and FSI values at 34 weeks of gestation and maternal cortisol at birth. The best performance was achieved with the DL model trained on the public dataset and using maternal ECG alone. The present DL approach provides a novel source of physiological insights into complex multi-modal relationships between different regulatory systems exposed to chronic stress. The developed DL model can be deployed in low-cost regular ECG biosensors as a simple ubiquitous early stress detection and exposure tool during pregnancy. This discovery should enable early behavioral interventions.

연구 동기 및 목표

• 원시 복부 심전도 신호를 이용해 자기지도 표현 학습이 만성 산전 스트레스를 모성-태반 이원군에서 탐지할 수 있는지 조사하기 위해.
• 공개 심전도 데이터셋으로 훈련된 딥 러닝 모델과 지역 데이터에 대해 최적화된 모델의 스트레스 예측 성능을 평가하기 위해.
• 모성 심전도만으로도 출생 시 태반 스트레스 지수(FSI)와 모성 코르티솔 수치를 높은 정확도로 예측할 수 있는지 확인하기 위해.
• 딥 러닝이 임신 중 비침습적 실생활 생체 모니터링에 어떻게 활용될 수 있는지 탐색하기 위해.
• 행동 간섭을 지원하기 위해 조기에 스트레스를 탐지할 수 있는 구현 가능한 저비용 도구를 개발하기 위해.

제안 방법

• 정서 인식을 위한 공개 심전도 데이터셋에서 사전 훈련된 자기지도 학습(SSL) 프레임워크를 활용하여, 학습된 표현을 스트레스 탐지에 적용하였다.
• 두 가지 SSL 변형을 적용: 하나는 공개 데이터에서 추출한 일반적인 심전도 특징을 사용하고, 다른 하나는 연구의 모성 aECG 데이터의 일부에 대해 최적화된 모델이다.
• 32주 임신 시점의 원시 모성 복부 심전도 신호를 추출하고 처리하여 모성 및 태반 심장 성분을 분리하였다.
• 34주에 심리적 인벤토리, 모성 머리 코르티솔 수치, 태반 스트레스 지수(FSI)를 활용해 만성 스트레스 노출를 검증하였다.
• 심전도 신호에서 스트레스 마커(심리적 점수, FSI, 모성 코르티솔)를 예측하기 위해 엔드 투 엔드 학습 방식으로 딥 신경망을 훈련시켰다.
• 모델 성능을 아키텍처 및 입력 모odal 간 비교하였으며, 특히 모성 심전도만 사용한 경우와 병합된 신호를 대비하여 분석하였다.

실험 결과

연구 질문

• RQ1 공개 심전도 데이터로 사전 훈련된 자기지도 딥 러닝 모델이 원시 복부 심전도 신호에서 모성-태반 이원군의 만성 산전 스트레스를 탐지할 수 있는가?
• RQ2 지역 데이터에 대한 전이 학습이 일반적인 심전도 특징을 사용한 사전 훈련된 모델보다 스트레스 예측 성능을 향상시키는가?
• RQ3 모성 심전도만으로도 출생 시 태반 스트레스 지수(FSI)와 모성 코르티솔 수치를 고정확도로 예측할 수 있는가?
• RQ4 다양한 SSL 아키텍처는 임신 중 심리적 스트레스 점수와 생리적 스트레스 마커 예측에 어떻게 비교되는가?
• RQ5 심전도 신호로 훈련된 딥 러닝 모델이 임신기 조기에 스트레스를 탐지하기 위한 확장 가능한 저비용 도구로 활용될 수 있는가?

주요 결과

• 공개 심전도 데이터로 훈련된 딥 러닝 모델이 전이 학습된 모델보다 만성 스트레스 노출 및 심리적 점수 예측에서 뛰어난 성능을 보였다.
• 가장 우수한 성능을 보인 모델은 출생 34주 시점의 태반 스트레스 지수(FSI)를 모성 심전도 신호만으로도 뛰어난 정확도로 예측하였다.
• 모성 심전도만으로도 출생 시 모성 머리 코르티솔 수치를 고정확도로 예측할 수 있었으며, 이는 강력한 생리적 상관관계를 시사한다.
• 모델는 노이즈가 많은 실생활 심전도 데이터에서도 뛰어난 성능을 보였으며, 저비용 생체 센서에의 구현 가능성을 뒷받침한다.
• 자기지도 표현 학습은 모성 및 태반 스트레스 시스템 간의 복잡한 다중 모odal 관계를 성공적으로 포착하였다.
• 개발된 딥 러닝 모델은 조기에 스트레스를 탐지할 수 있는 새로운 비침습적 방법을 제공하며, 적시 행동 간섭을 가능하게 한다.