[논문 리뷰] Segmental Convolutional Neural Networks for Detection of Cardiac Abnormality With Noisy Heart Sound Recordings

Yuhao Zhang, Sandeep Ayyar외 2명|arXiv (Cornell University)|2016. 12. 06.

Phonocardiography and Auscultation Techniques참고 문헌 4인용 수 9

한 줄 요약

이 논문은 소음이 있는 심장음 기록에서 심장 이상을 자동으로 탐지하기 위한 세그먼탈 컨volution 신경망(CNN)을 제안한다. 이는 수동적인 특징 공학 없이 엔드 투 엔드 특징 학습을 가능하게 한다. 은닉 반마르코프 모델(HSMM) 파이프라인에서 유도된 세그먼트로 훈련된 최고의 모델은 2016년 PhysioNet/CinC 챌린지 데이터셋에서 87.5%의 정확도를 기록했으며, 기존의 최고 성능을 기록한 통계적 분류기(84.6%)를 뛰어넘었다. 이는 소음이 있는 청취기록에 대해 딥 러닝 기술의 우수성을 입증한다.

ABSTRACT

Heart diseases constitute a global health burden, and the problem is exacerbated by the error-prone nature of listening to and interpreting heart sounds. This motivates the development of automated classification to screen for abnormal heart sounds. Existing machine learning-based systems achieve accurate classification of heart sound recordings but rely on expert features that have not been thoroughly evaluated on noisy recordings. Here we propose a segmental convolutional neural network architecture that achieves automatic feature learning from noisy heart sound recordings. Our experiments show that our best model, trained on noisy recording segments acquired with an existing hidden semi-markov model-based approach, attains a classification accuracy of 87.5% on the 2016 PhysioNet/CinC Challenge dataset, compared to the 84.6% accuracy of the state-of-the-art statistical classifier trained and evaluated on the same dataset. Our results indicate the potential of using neural network-based methods to increase the accuracy of automated classification of heart sound recordings for improved screening of heart diseases.

연구 동기 및 목표

• 수동적인 특징 추출이 실패하는 소음이 많은 실제 환경에서 심장음 기록을 분류하는 데 도전하는 것.
• 기존의 수작업 특징 집합이 소음이 많은 기록에 대해 일반화 성능이 떨어지는지 평가하는 것.
• 소음이 많은 심장음 세그먼트에서 직접 분류 가능한 특징을 학습하는 딥 러닝 접근법을 개발하는 것.
• 동일한 소음이 많은 데이터셋에서 세그먼탈 CNN의 성능을 기존의 최고 성능 통계적 분류기와 비교하는 것.
• 저자원 환경에서 자동으로 심장 이상을 걸러내는 엔드 투 엔드 학습의 잠재력을 탐색하는 것.

제안 방법

• 방법론은 원시 심장음 기록을 개별 심장 주기로 분할하기 위해 은닉 반마르코프 모델(HSMM)을 사용한다.
• 분할된 심장음 주기는 훈련을 위한 고정 길이 입력 윈도우로 처리된다.
• 두 가지 CNN 아키텍처—DCNN-Large와 FCNN-Deep—가 제안되며, 작은 필터(예: 200ms 윈도우)와 다수의 컨볼루션 레이어를 사용해 계층적인 특징 학습을 수행한다.
• 모델들은 확률적 경사 하강법를 사용해 엔드 투 엔드로 훈련되며, 원시 신호 세그먼트에서 직접 공간적 및 시간적 패턴을 학습한다.
• 이전에 저소음 기록을 위해 수작업으로 커리레이티드한 특징 세트를 사용한 전통적 분류기(예: SVM)와의 비교가 이루어진다.
• 학습된 필터와 활성화 맵의 시각화를 통해 네트워크의 해석 가능성과 정상 대비 비정상 세그먼트에서 학습된 패턴을 분석한다.

실험 결과

연구 질문

• RQ1 소음이 많은 심장음 기록에 적용했을 때, 딥 컨볼루션 신경망이 기존의 통계적 분류기보다 뛰어나게 성능을 내는가?
• RQ2 청결한 기록을 위해 개발된 수작업 특징이 실제 소음이 많은 데이터에 대해 일반화 성능이 열 劣한가?
• RQ3 세그먼탈 CNN을 사용한 엔드 투 엔드 학습이 전문가가 만든 특징에 의존하는 전통적 파이프라인보다 더 높은 정확도를 달성할 수 있는가?
• RQ4 CNN의 학습된 필터들이 비정상 심장음의 알려진 음향 패턴과 대응하는가?
• RQ5 컨볼루션 레이어의 활성화 패턴을 기반으로 모델이 정상과 비정상 세그먼트를 구분할 수 있는가?

주요 결과

• 세그먼탈 CNN 모델(DCNN-Large)은 2016년 PhysioNet/CinC 챌린지 데이터셋에서 87.5%의 분류 정확도를 기록했으며, 최고의 기존 통계적 분류기(SVM)의 84.6%를 뛰어넘었다.
• CNN은 특히 비정상 심장음의 탐지에서 높은 민감도와 총합 정확도를 보이며 기존 방법보다 뛰어난 성능을 보였다.
• 학습된 필터의 시각화 결과, 네트워크가 비정상 신호와 관련된 의미 있는 음향 패턴을 포착하고 있음을 확인했다.
• 활성화 맵 분석 결과, 비정상 세그먼트에 대해 컨볼루션 및 히든 레이어의 더 많은 뉴런이 반응함을 확인했으며, 이는 병적 특징을 효과적으로 학습했다는 것을 시사한다.
• 수작업 특징 공학이 소음이 많은 기록에 최적화되어 있지 않으며, 엔드 투 엔드 딥 러닝이 더 견고한 대안임을 시사한다.
• 연구 결과, 향후 하이퍼파rameter 튜닝과 신호 분해(예: EMD를 통한)를 통해 성능 향상이 가능할 것으로 보인다.