[論文レビュー] BayesBeat: A Bayesian Deep Learning Approach for Atrial Fibrillation Detection from Noisy Photoplethysmography Data.

Sarkar Snigdha Sarathi Das, Subangkar Karmaker Shanto+5 more|arXiv (Cornell University)|Nov 2, 2020

Non-Invasive Vital Sign Monitoring参考文献 35被引用数 4

ひとこと要約

BayesBeatは、不確実性推定とロバストなディープラーニングを組み合わせることで、スマートウォッチからのノイズの多い光体積脈波計測（PPG）信号からの心房細動（AF）検出を向上させるベイジアンディープラーニングフレームワークを提案する。大規模な公開データセット上で最先端の手法を上回り、高い精度、スケーラビリティ、リアルタイムウェアラブルデプロイメントに適した性能を示している。

ABSTRACT

The increasing popularity of smartwatches as affordable and longitudinal monitoring devices enables us to capture photoplethysmography (PPG) sensor data for detecting Atrial Fibrillation (AF) in real-time. A significant challenge in AF detection from PPG signals comes from the inherent noise in the smartwatch PPG signals. In this paper, we propose a novel deep learning based approach, BayesBeat that leverages the power of Bayesian deep learning to accurately infer AF risks from noisy PPG signals, and at the same time provide the uncertainty estimate of the prediction. Bayesbeat is efficient, robust, flexible, and highly scalable which makes it particularly suitable for deployment in commercially available wearable devices. Extensive experiments on a recently published large dataset reveal that our proposed method BayesBeat substantially outperforms the existing state-of-the-art methods.

研究の動機と目的

• 消費者用スマートウォッチを介して収集されたノイズの多いPPG信号からの心房細動（AF）検出の課題に対処すること。
• 臨床的信頼性を高めるために、正確なAFリスク予測と信頼性の高い不確実性推定を両方提供する手法を開発すること。
• リソース制約のあるウェアラブルデバイスにおけるリアルタイムデプロイメントに適した、効率的でロバストかつスケーラブルなモデルを確保すること。
• ノイズの多いPPGデータにおけるAF検出精度において、既存の最先端手法を上回ること。

提案手法

• PPG信号からのAF検出における予測不確実性をモデル化するため、ベイジアンディープラーニングを活用する。
• ラベル付きAFイベントを含む大規模なPPGデータセット上でトレーニングされたディープニューラルネットワークアーキテクチャを採用する。
• エピステミック不確実性（予測に対するモデルの自信）を推定するために、ベイジアンレイヤーを統合する。
• ネットワーク重みの事後分布を近似するために変分推論を最適化してモデルを最適化する。
• エッジデバイスでのリアルタイム推論を可能にする計算効率性を考慮したアーキテクチャを設計する。
• ノイズ耐性を高めるために、データオーグメンテーションおよびノイズ正則化技術を活用する。

実験結果

リサーチクエスチョン

• RQ1 従来のディープラーニングモデルと比較して、ベイジアンディープラーニングはスマートウォッチからのノイズの多いPPG信号におけるAF検出精度を向上させ得るか？
• RQ2 ベイジアンモデルからの不確実性推定は、AF検出における臨床的信頼性をどの程度向上させるか？
• RQ3 大規模で現実世界のPPGデータセットにおいて、BayesBeatは最先端の手法と比較してどの程度の性能を示すか？
• RQ4 提案手法は、商業用ウェアラブルデバイスへのデプロイメントに十分な計算効率性とスケーラビリティを備えているか？

主な発見

• BayesBeatは、ノイズの多いPPG信号からの心房細動検出において、既存の最先端手法を顕著に上回っている。
• 信頼性の高い不確実性推定を提供しており、曖昧または低信頼度の予測を特定することが可能である。
• BayesBeatはノイズに対して非常に高い耐性を示し、厳しい信号条件下でも性能を維持している。
• 計算効率が高くスケーラブルなため、ウェアラブルデバイスへのリアルタイムデプロイメントに適している。
• 大規模な公開データセットを用いた広範な実験により、検出精度および不確実性のキャリブレーションの両面でBayesBeatの優位性が確認された。