[논문 리뷰] Semi-supervised and Unsupervised Methods for Heart Sounds Classification in Restricted Data Environments

Balagopal Unnikrishnan, Pranshu Ranjan Singh외 2명|arXiv (Cornell University)|2020. 06. 03.

Phonocardiography and Auscultation Techniques인용 수 14

한 줄 요약

이 논문은 저자원 데이터 환경에서 심장음 분류를 위한 준감독 및 무감독 방법을 제안한다. PhysioNet/CinC 2016 데이터셋을 사용하여, 레이블이 제한된 경우에도 성능을 향상시키는 GAN 기반 준감독 접근법을 도입하였으며, 1D CNN 오토에인코드르를 활용한 특징 추출과 일항 SVM을 조합하여 레이블이 전혀 필요 없이도 강력한 이상 탐지 성능(AUROC 최대 0.842)을 달성하였다. 이는 효율적인 데이터 효율적 진단 및 데이터셋 정제를 가능하게 한다.

ABSTRACT

Automated heart sounds classification is a much-required diagnostic tool in the view of increasing incidences of heart related diseases worldwide. In this study, we conduct a comprehensive study of heart sounds classification by using various supervised, semi-supervised and unsupervised approaches on the PhysioNet/CinC 2016 Challenge dataset. Supervised approaches, including deep learning and machine learning methods, require large amounts of labelled data to train the models, which are challenging to obtain in most practical scenarios. In view of the need to reduce the labelling burden for clinical practices, where human labelling is both expensive and time-consuming, semi-supervised or even unsupervised approaches in restricted data setting are desirable. A GAN based semi-supervised method is therefore proposed, which allows the usage of unlabelled data samples to boost the learning of data distribution. It achieves a better performance in terms of AUROC over the supervised baseline when limited data samples exist. Furthermore, several unsupervised methods are explored as an alternative approach by considering the given problem as an anomaly detection scenario. In particular, the unsupervised feature extraction using 1D CNN Autoencoder coupled with one-class SVM obtains good performance without any data labelling. The potential of the proposed semi-supervised and unsupervised methods may lead to a workflow tool in the future for the creation of higher quality datasets.

연구 동기 및 목표

• 임상 환경에서 레이블링이 비용과 시간이 많이 들기 때문에, 레이블이 제한된 심장음 데이터 문제를 해결한다.
• 자원이 부족한 상황에서 감독 학습의 대안으로서 준감독 및 무감독 학습의 타당성을 탐색한다.
• 감독 학습에 비해 성능이 떨어지는 경우에도 GAN 기반 준감독 학습 및 오토에인코드르 기반 이상 탐지 성능을 평가한다.
• 데이터 오염 및 레이블 부족 상황에서 무감독 방법의 강건성 여부를 조사한다.
• 낮은 레이블 수나 레이블이 없는 데이터를 활용하여 보다 고품질의 데이터셋을 구축할 수 있는 프레임워크를 개발한다.

제안 방법

• 평가를 위해 3,240개의 레이블이 부여된 심장음 녹음 데이터(정상 및 비정상)를 포함하는 PhysioNet/CinC 2016 챌린지 데이터셋을 사용한다.
• 비라벨 데이터를 활용하여 모델의 일반화 능력과 AUROC 성능을 향상시키는 GAN 기반 준감독 학습 방법을 적용한다.
• 심장음 신호에서 잠재 표현을 추출하기 위해 1D 컨volutional 신경망(CNN) 오토에인코드르를 사용하여 무감독 특징 학습을 수행한다.
• 오토에인코드르 임bedding 또는 재구성 오차에서 유도된 특징을 사용하여 일항 SVM 및 Isolation Forest를 활용해 이상 탐지한다.
• 순수 정상 데이터와 혼합된 데이터(정상 및 비정상)를 대상으로 오토에인코드르를 훈련시켜 데이터 오염에 대한 강건성 평가를 수행한다.
• 모든 방법에 대해 주요 평가 지표로 AUROC를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 레이블이 제한된 경우, GAN 기반 준감독 학습이 감독 기반 기준 모델 대비 AUROC 성능을 향상시킬 수 있는가?
• RQ2 레이블이 전혀 없이도 1D CNN 오토에인코드르를 통한 무감독 특징 학습과 일항 SVM 조합이 비정상 심장음을 얼마나 효과적으로 탐지할 수 있는가?
• RQ3 훈련 데이터의 선택(순수 정상 대비 혼합된 정상 및 비정상 데이터)이 무감독 이상 탐지 성능에 상당한 영향을 미치는가?
• RQ4 오토에인코드르 임bedding 또는 재구성 오차를 입력 특징으로 사용할 때, 다양한 이상 탐지 방법(예: 일항 SVM 대비 Isolation Forest) 간 성능 비교는 어떻게 이루어지는가?
• RQ5 무감독 방법이 인간의 검토를 위해 선택할 수 있는 모호하거나 경계선에 있는 샘플들을 식별할 수 있는가? 이를 통해 액티브 러닝 또는 가짜 레이블링 파이프라인에 활용 가능한가?

주요 결과

• GAN 기반 준감독 방법은 모든 레이블 비율에서 감독 기반 기준 모델보다 높은 AUROC 성능을 기록하여, 레이블이 제한된 상황에서 뛰어난 성능을 보였다.
• 순수 정상 샘플만으로 훈련된 1D CNN 오토에인코드르 특징과 일항 SVM을 조합한 무감독 방법은 AUROC 0.842를 달성하여, Isolation Forest 및 기타 기준 모델을 초월하였다.
• 재구성 오차보다 오토에인코드르 임bedding이 이상 탐지 성능에서 더 우수한 성능을 보였으며, 특히 레이블이 적거나 오염된 데이터 상황에서 두드러졌다.
• 데이터 오염 상황에서도 순수 정상 데이터로만 훈련된 오토에인코드르는 비정상 샘플로도 잘 일반화되는 강건한 잠재 표현을 생성하였다.
• 혼합된 데이터로 훈련된 오토에인코드르와 일항 SVM 조합은 AUROC 0.828을 기록하여 오염 상황에서도 강력한 일반화 능력을 보였다.
• 제안된 방법들은 특히 모호하거나 경계선에 있는 케이스를 선별하여 인간의 검토 대상으로 선정하는 데에 액티브 러닝 및 가짜 레이블링 파이프라인에 큰 잠재력을 보였다.