[논문 리뷰] Signal Quality Assessment of Photoplethysmogram Signals using Quantum Pattern Recognition and lightweight CNN Architecture

Tamaghno Chatterjee, Aayushman Ghosh외 1명|arXiv (Cornell University)|2022. 02. 01.

Non-Invasive Vital Sign Monitoring인용 수 4

한 줄 요약

이 논문은 가벼운 2D CNN 모델과 새로운 양자 패턴 인식(QPR) 기술을 조합하여 광량도측정신호(PPG)를 '양호' 또는 '열 劣' 품질로 분류하는 방법을 제안한다. 이 방법은 QPR를 통해 5초 분량의 PPG 신호를 20×500 픽셀 회색조 이미지로 변환한 후, 이 이미지를 가벼운 CNN 아키텍처로 분류하여 퀸즐랜드 대학교 데이터셋에서 98.3% 정확도, 99.3% 민감도, 98.9% F1 점수를 달성한다.

ABSTRACT

Photoplethysmography (PPG) signal comprises physiological information related to cardiorespiratory health. However, while recording, these PPG signals are easily corrupted by motion artifacts and body movements, leading to noise enriched, poor quality signals. Therefore ensuring high-quality signals is necessary to extract cardiorespiratory information accurately. Although there exists several rule-based and Machine-Learning (ML) - based approaches for PPG signal quality estimation, those algorithms' efficacy is questionable. Thus, this work proposes a lightweight CNN architecture for signal quality assessment employing a novel Quantum pattern recognition (QPR) technique. The proposed algorithm is validated on manually annotated data obtained from the University of Queensland database. A total of 28366, 5s signal segments are preprocessed and transformed into image files of 20 x 500 pixels. The image files are treated as an input to the 2D CNN architecture. The developed model classifies the PPG signal as `good' or `bad' with an accuracy of 98.3% with 99.3% sensitivity, 94.5% specificity and 98.9% F1-score. Finally, the performance of the proposed framework is validated against the noisy `Welltory app' collected PPG database. Even in a noisy environment, the proposed architecture proved its competence. Experimental analysis concludes that a slim architecture along with a novel Spatio-temporal pattern recognition technique improve the system's performance. Hence, the proposed approach can be useful to classify good and bad PPG signals for a resource-constrained wearable implementation.

연구 동기 및 목표

• 웨어러블 건강 모니터링 시스템에서 운동 아티팩트로 오염된 PPG 신호 문제를 해결하기 위해.
• 규칙 기반 및 전통적인 머신러닝 방법을 초월하여 신호 품질 평가(SQA) 정확도를 향상시키기 위해.
• 자원 제약이 있는 웨어러블 기기에서 구동 가능한 계산 효율성이 높은 딥러닝 모델을 개발하기 위해.
• Welltory 앱에서 수집한 실생활 노이즈 데이터와 수동으로 애너테이션된 청소년 데이터 양측에서 제안된 프레임워크를 검증하기 위해.
• QPR 처리된 이미지와 가벼운 CNN의 조합이 SQA 과제에서 우수한 성능을 보임을 입증하기 위해.

제안 방법

• 스패티오타임패턴을 추출하기 위해 1D PPG 신호를 새로운 양자 패턴 인식(QPR) 알고리즘을 사용해 20×500 픽셀 회색조 이미지로 변환하였다.
• 모델 복잡도와 파라미터 수를 줄이기 위해 '스림 모듈' 마이크로아키텍처를 기반으로 가벼운 2D CNN 아키텍처를 설계하였다.
• 교차 엔트로피 손실과 Adam 최적화를 사용하여 이미지를 '양호' 또는 '열 劣' 품질의 PPG 신호로 분류하도록 CNN을 훈련시켰다.
• 퀸즐랜드 대학교 데이터베이스의 28,366개의 5초 분량 PPG 세그먼트를 사전처리하여 표준화 및 아티팩트 탐지 조치를 취하였다.
• 민감도, 특이도, F1 점수, 정확도를 포함한 다섯 가지 평가 지표를 사용하여 성능을 검증하였다.
• 동일한 데이터셋과 평가 프로토콜을 사용하여 세 가지 기준 모델(SQIs+SVM, HOG+MLP, 1D-CNN)과 제안된 모델을 비교하였다.

실험 결과

연구 질문

• RQ1 가벼운 CNN 아키텍처와 QPR 처리된 PPG 이미지를 조합하면 기존의 규칙 기반 및 머신러닝 기반 SQA 방법을 능가할 수 있는가?
• RQ2 Welltory와 같은 모바일 앱에서 수집한 실생활 노이즈가 많은 PPG 데이터에서 제안된 방법은 어떤 성능을 보이는가?
• RQ3 양자 영감을 받은 패턴 인식의 통합이 PPG 품질 평가에서 딥러닝 모델의 분류 능력을 향상시키는가?
• RQ4 웨어러블 기기 구동을 위해 계산 복잡도를 최소화하면서도 높은 성능을 유지할 수 있는가?
• RQ5 동일한 데이터셋과 평가 지표를 사용했을 때, 제안된 모델의 성능은 최신 딥러닝 모델과 비교해 어떻게 되는가?

주요 결과

• 제안된 QPR 기반의 가벼운 CNN는 퀸즐랜드 대학교 데이터셋에서 98.3% 정확도, 99.3% 민감도, 94.5% 특이도, 98.9% F1 점수를 기록하였다.
• 모든 기준 모델(SQIs+SVM: 84.4% 정확도, 1D-CNN: 95.8% 정확도, HOG-MLP: 85% 정확도)을 초월하는 성능을 보였다.
• 노이즈가 많은 Welltory 앱 데이터셋에서도 높은 성능을 유지하여 실생활 환경에서의 강인성을 입증하였다.
• 이전의 딥러닝 연구(Chen, 2021)와 비교했을 때, QPR 이미지를 사용해 더 높은 민감도(99.3% 대비 96.6%)와 특이도(94.5% 대비 69.7%)를 달성하였다.
• STFT 이미지에서 평가했을 때도 제안된 모델은 Chen 등(2021)을 모두 능가했으며, 정확도(94.0% 대비 93.6%)와 F1 점수(96.2% 대비 96.0%) 모두에서 뛰어난 성능을 보였다.
• Chen 등(58,040 세그먼트)보다 더 작은 데이터셋(28,366 세그먼트)을 사용했음에도 불구하고 성능이 뛰어나 일반화 능력과 효율성이 높다는 것을 시사한다.