[논문 리뷰] Real-time PCG Anomaly Detection by Adaptive 1D Convolutional Neural Networks

Serkan Kıranyaz, Morteza Zabihi외 5명|arXiv (Cornell University)|2019. 02. 19.

Phonocardiography and Auscultation Techniques참고 문헌 22인용 수 10

한 줄 요약

이 논문은 저지연성과 낮은 계산 복잡도를 갖춘 실시간 심음도(phonocardiogram, PCG) 이상 탐지용 적응형 1D 컨volution 신경망(1D-CNN)을 제안한다. 새로운 데이터 정제 기법을 적용하고, PhysioNet 2016 챌린지 데이터셋의 고신호대비비(SNR) 서브셋으로 훈련함으로써, 우수한 탐지 성능과 실시간 처리 능력을 확보하였으며, 전반적 분류 모델들을 능가하고 환자별 맞춤형 접근의 필요성을 부각시킨다.

ABSTRACT

The heart sound signals (Phonocardiogram - PCG) enable the earliest monitoring to detect a potential cardiovascular pathology and have recently become a crucial tool as a diagnostic test in outpatient monitoring to assess heart hemodynamic status. The need for an automated and accurate anomaly detection method for PCG has thus become imminent. To determine the state-of-the-art PCG classification algorithm, 48 international teams competed in the PhysioNet (CinC) Challenge at 2016 over the largest benchmark dataset with 3126 records with the classification outputs, normal (N), abnormal (A) and unsure - too noisy (U). In this study, our aim is to push this frontier further; however, we focus deliberately on the anomaly detection problem while assuming a reasonably high Signal-to-Noise Ratio (SNR) on the records. By using 1D Convolutional Neural Networks trained with a novel data purification approach, we aim to achieve the highest detection performance and a real-time processing ability with significantly lower delay and computational complexity. The experimental results over the high-quality subset of the same benchmark dataset shows that the proposed approach achieves both objectives. Furthermore, our findings reveal the fact that further improvements indeed require a personalized (patient-specific) approach to avoid major drawbacks of a global PCG classification approach.

연구 동기 및 목표

• 심음도(PCG) 신호를 대상으로 실시간, 저복잡도의 이상 탐지 시스템을 개발하여 심혈관계 병리의 조기 탐지 가능성을 확보한다.
• 다중분류가 아닌 이상 탐지에 초점을 맞춰 전역 PCG 분류 모델의 한계를 해결한다.
• 모델 훈련 이전에 신호 품질을 향상시키는 새로운 데이터 정제 방법을 통해 탐지 성능을 향상시킨다.
• 실시간 외래 모니터링 시스템에 구현하기 위해 최소한의 처리 지연과 계산 부하를 확보한다.
• 일반적인 전역 모델 대비 환자별 맞춤형 모델이 PCG 이상 탐지에서 유의미한 성능 향상을 이끌 수 있는지 조사한다.

제안 방법

• PCG 파형의 시간적 신호 처리에 최적화된 1D 컨volution 신경망(1D-CNN) 아키텍처를 활용한다.
• 모델 훈련 이전에 입력 PCG 신호의 신호대비비(SNR)를 향상시키기 위해 새로운 데이터 정제 기법을 적용한다.
• 노이즈가 많거나 불확실한 기록을 제외한, PhysioNet 2016 챌린지 데이터셋의 고품질 서브셋을 기반으로 네트워크를 엔드 투 엔드로 훈련한다.
• 입력 신호 특성에 따라 필터 반응을 동적으로 조정하는 적응형 1D 컨볼루션을 사용하여 일반화 능력과 탐지 민감도를 향상시킨다.
• 실시간 구현을 위해 추론 과정을 최적화하여 지속적인 모니터링 응용에 적합한 낮은 지연과 계산 부하를 확보한다.
• 프레임워크는 주로 정상(N)과 비정상(A) PCG 신호를 구분하는 데 초점을 맞춘 벤치마크 데이터셋의 고-SNR 서브셋에서 평가된다.

실험 결과

연구 질문

• RQ1 1D-CNN 기반 이상 탐지 시스템은 PCG 신호에서 낮은 계산 비용으로 실시간 성능을 달성할 수 있는가?
• RQ2 제안된 데이터 정제 방법은 표준 전처리 대비 탐지 정확도를 유의미하게 향상시키는가?
• RQ3 전역 모델과 환자별 맞춤형 모델 간의 PCG 이상 탐지 성능는 어떻게 비교되는가?
• RQ4 신호 품질(SNR)이 딥러닝 기반 PCG 분석에서 모델의 탐지 성능에 어떤 영향을 미치는가?
• RQ5 적응형 1D 컨볼루션은 저-SNR 또는 품질이 변동하는 PCG 기록에서 탐지 민감도와 내성 강도를 향상시킬 수 있는가?

주요 결과

• 제안된 방법은 PhysioNet 2016 벤치마크 데이터셋의 고-SNR 서브셋에서 최신 기술 수준 이상의 이상 탐지 성능를 달성한다.
• 이전 접근 방식 대비 현저히 낮은 지연과 계산 복잡도를 확보하여 실시간 처리 능력을 입증한다.
• 데이터 정제 기법은 효과적으로 신호 품질을 향상시켜 모델의 일반화 능력과 탐지 정확도 향상에 기여한다.
• 결과적으로 전역 분류 모델은 최적의 성능을 달성하기에 부족하며, 향상된 성능을 위해서는 환자별 맞춤형 적응이 필수적임을 시사한다.
• 이 연구는 고-SNR 조건이 신뢰할 수 있는 딥러닝 기반 PCG 이상 탐지에 핵심적임을 확인하였으며, 노이즈에 대한 내성은 여전히 주요 과제로 남아 있음을 확인한다.