[논문 리뷰] SiamAF: Learning Shared Information from ECG and PPG Signals for Robust Atrial Fibrillation Detection

Zhicheng Guo, Cheng Ding외 5명|arXiv (Cornell University)|2023. 10. 13.

ECG Monitoring and AnalysisMedicine인용 수 3

한 줄 요약

SiamAF는 심전도(ECG)와 맥박파형(PPG) 신호로부터 공유 특징을 동시에 학습하여 부정맥(AF) 탐지의 정확성과 내성성을 향상시키는 시アン식 딥러닝 프레임워크를 제안한다. 피크 특징 주변에서 모odal별 표현을 정렬하기 위해 대비 손실(contrastive loss)을 활용함으로써, 다양한 외부 데이터셋에서 최신 기술 수준의 성능을 달성하였고, 레이블이 1% 밖에 없는 조건에서도 잘 일반화됨을 입증하였다.

ABSTRACT

Atrial fibrillation (AF) is the most common type of cardiac arrhythmia. It is associated with an increased risk of stroke, heart failure, and other cardiovascular complications, but can be clinically silent. Passive AF monitoring with wearables may help reduce adverse clinical outcomes related to AF. Detecting AF in noisy wearable data poses a significant challenge, leading to the emergence of various deep learning techniques. Previous deep learning models learn from a single modality, either electrocardiogram (ECG) or photoplethysmography (PPG) signals. However, deep learning models often struggle to learn generalizable features and rely on features that are more susceptible to corruption from noise, leading to sub-optimal performances in certain scenarios, especially with low-quality signals. Given the increasing availability of ECG and PPG signal pairs from wearables and bedside monitors, we propose a new approach, SiamAF, leveraging a novel Siamese network architecture and joint learning loss function to learn shared information from both ECG and PPG signals. At inference time, the proposed model is able to predict AF from either PPG or ECG and outperforms baseline methods on three external test sets. It learns medically relevant features as a result of our novel architecture design. The proposed model also achieves comparable performance to traditional learning regimes while requiring much fewer training labels, providing a potential approach to reduce future reliance on manual labeling.

연구 동기 및 목표

• 웨어러블 ECG 및 PPG 신호의 노이즈가 많고 품질이 낮은 환경에서 AF 탐지의 과제를 해결하기 위해.
• ECG와 PPG 간 상호보완적 정보를 활용하여 다양한 기록 환경 및 하드웨어에서의 모델 일반화 능력을 향상시키기 위해.
• 공동 모달리티 정렬을 통한 효과적인 준지도 학습을 통해 대규모 수동 레이블링에 대한 의존도를 줄이기 위해.
• 모달리티별 최적화 없이도 ECG 및 PPG 입력 모두에서 뛰어난 성능을 내는 통합 모델을 개발하기 위해.

제안 방법

• ECG와 PPG 신호를 동시에 처리하기 위해 동일한 베이스라인(ResNet)과 프로젝션 헤드를 공유하는 시앙식 신경망 아키텍처를 사용한다.
• 신규로 제안된 대비 손실 함수는 ECG와 PPG 신호 간의 공유 표현을 학습하도록 유도하며, 특히 R-peak 특징에 집중한다.
• AF 예측을 위한 분류 손실과 모달리티 정렬을 위한 대비 손실을 조합한 공동 학습 목표를 통해 모델을 훈련시킨다.
• 대비 손실을 통해 비라벨 데이터를 활용함으로써 준지도 학습을 가능하게 하여 샘플 효율성을 향상시킨다.
• 분류에 주로 R-peak 정보에 의존하는지 확인하기 위해 피크 전용 신호 표현을 사용한다.
• 차원 축소 및 특징 시각화를 통해 모델이 학습한 의학적으로 의미 있는 특징을 해석하고 검증한다.

실험 결과

연구 질문

• RQ1 ECG와 PPG 신호의 공동 학습이 실생활 노이즈가 많은 환경에서 AF 탐지 모델의 내성성과 일반화 능력을 향상시키는가?
• RQ2 ECG와 PPG 간 공유 특징—특히 R-peak 패atters—를 학습함으로써 단일 모달리티 모델보다 성능이 향상되는가?
• RQ3 대비 학습 목표가 AF 탐지에서 대량의 레이블이 필요한 정도를 어느 정도 줄일 수 있는가?
• RQ4 단일 통합 모델이 모달리티별 맞춤 보정 없이도 ECG 및 PPG 입력 모두에서 높은 성능을 달성할 수 있는가?
• RQ5 분류에 실제로 의존하는 생리학적 특징의 유형(예: 피크 형태, P파 존재 여부 등)은 무엇인가?

주요 결과

• SiamAF는 다양한 데이터 소스와 기록 조건을 가진 세 개의 독립된 외부 테스트 세트에서 DeepBeat 및 단일 모달리티 CNN과 같은 여러 최신 기술 수준의 베이스라인을 능가한다.
• 훈련 레이블의 1%만을 사용함에도 불구하고, 완전히 지도 학습된 모델와 유사한 성능을 달성하여 뛰어난 샘플 효율성을 입증한다.
• 특징 시각화 결과, 모델가 ECG와 PPG 양측에서 R-peak 형태에 중심을 둔 의학적으로 의미 있는 공유 표현을 학습하고 있음을 확인하였다.
• 분포 외 데이터, 예를 들어 Simband 데이터셋의 액티비티 기록 PPG 및 기관 B의 병원 ECG에 대해서도 잘 일반화되며, 단일 모달리티로 훈련된 모델보다 뛰어난 성능을 보였다.
• 피크 전용 신호 투영 결과, ECG와 PPG 표현 간 높은 겹침이 관찰되어 R-peak 특징이 AF 탐지의 주요 공유 신호임을 시사한다.
• 대비 손실은 레이블이 부족한 상황에서도 모델 성능과 일반화 능력을 크게 향상시켜, 공유된 강건한 패턴으로 향한 특징 학습을 이끄는 데서 중요한 역할을 한다는 점을 검증하였다.