[論文レビュー] DeepBeat: A multi-task deep learning approach to assess signal quality and arrhythmia detection in wearable devices

Jessica Torres Soto, Euan A. Ashley|arXiv (Cornell University)|Jan 1, 2020

Non-Invasive Vital Sign Monitoring参考文献 17被引用数 5

ひとこと要約

DeepBeatは、シミュレーテッドデータを用いた教師なし事前学習と、ラベル付きの実世界データへのファインチューニングを組み合わせることで、ウェアラブルデバイスにおける脈波計測（PPG）信号の品質評価と心房細動（AF）の検出を同時に実行するマルチタスク深層学習フレームワークを提案する。この手法は、静止状態でのAF検出において最先端の性能（F1: 0.96、auPRC: 0.96）を達成し、従来のランダムフォレストや単一タスクCNNベースラインを著しく上回る。

ABSTRACT

Wearable devices enable theoretically continuous, longitudinal monitoring of physiological measurements like step count, energy expenditure, and heart rate. Although the classification of abnormal cardiac rhythms such as atrial fibrillation from wearable devices has great potential, commercial algorithms remain proprietary and tend to focus on heart rate variability derived from green spectrum LED sensors placed on the wrist where noise remains an unsolved problem. Here, we develop a multi-task deep learning method to assess signal quality and arrhythmia event detection in wearable photoplethysmography devices for real-time detection of atrial fibrillation (AF). We train our algorithm on over one million simulated unlabeled physiological signals and fine-tune on a curated dataset of over 500K labeled signals from over 100 individuals from 3 different wearable devices. We demonstrate that in comparison with a traditional random forest-based approach (precision:0.24, recall:0.58, f1:0.34, auPRC:0.44) and a single task CNN (precision:0.59, recall:0.69, f1:0.64, auPRC:0.68) our architecture using unsupervised transfer learning through convolutional denoising autoencoders dramatically improves the performance of AF detection in participants at rest (pr:0.94, rc:0.98, f1:0.96, auPRC:0.96). In addition, we validate algorithm performance on a prospectively derived replication cohort of ambulatory subjects using data derived from an independently engineered device. We show that two-stage training can help address the unbalanced data problem common to biomedical applications where large well-annotated datasets are scarce. In conclusion, though a combination of simulation and transfer learning and we develop and apply a multitask architecture to the problem of AF detection from wearable wrist sensors demonstrating high levels of accuracy and a solution for the vexing challenge of mechanical noise.

研究の動機と目的

• ウェアラブルPPGデバイスを用いた不整脈検出において、機械的ノイズや低信号品質の課題に対処すること。
• 限られたラベル付きバイオメディカルデータを前提とした、腕時計型PPGセンサーにおける心房細動（AF）の堅牢でリアルタイムな検出手法の開発。
• シミュレーションとトランスファー学習を活用することで、バイオメディカル応用におけるデータの不均衡を克服すること。
• マルチタスク深層学習アーキテクチャを用いて、信号品質評価と不整脈検出を同時に最適化すること。
• 異なるデバイスを用いて前向きに収集された独立した外来コhortを用いて、モデルの妥当性を検証すること。

提案手法

• モデルは二段階のトレーニングプロセスを採用：まず、100万件のラベルなしシミュレーテッドPPG信号を用いて、畳み込みノイズ除去オートエンコーダーを事前学習し、強固な表現を学習する。
• 第二に、3台のウェアラブルデバイスから得られた100名以上の被験者から得た50万件を超えるラベル付きPPG信号のキュレートドデータセットを用いてファインチューニングを行う。
• アーキテクチャはマルチタスク深層ニューラルネットワークであり、同時に信号品質の予測と不整脈イベント（心房細動を含む）の分類を実行する。
• トランスファー学習は、教師なし事前学習を介して実施され、バイオメディカル応用における一般化性能の向上とデータ不足の緩和に寄与する。
• 時間的畳み込みを活用してPPG信号内の逐次的パターンを捉え、検出性能の向上を図る。
• 性能評価には、精度、再現率、F1スコア、および精度再現曲線下積分（auPRC）を用いる。

実験結果

リサーチクエスチョン

• RQ1 マルチタスク深層学習モデルは、ノイズの多いウェアラブルPPG信号において、信号品質評価とAF検出を同時に改善できるか？
• RQ2 シミュレーテッドデータを用いた教師なし事前学習は、ラベル付きが限られた実世界のPPGデータに対する下流の性能を向上させるか？
• RQ3 提案手法は、従来の機械学習（例：ランダムフォレスト）や単一タスクディープラーニングと比較して、AF検出精度に優れているか？
• RQ4 二段階トレーニング戦略は、バイオメディカル信号分類におけるデータの不均衡を効果的に是正できるか？
• RQ5 モデルは、異なるウェアラブルデバイスから収集された独立した外来データセットにも一般化できるか？

主な発見

• 提案されたマルチタスクモデルは、安静状態の被験者において、精度0.94、再現率0.98、F1スコア0.96、auPRC 0.96のAF検出性能を達成し、ランダムフォレストベースライン（F1: 0.34）および単一タスクCNN（F1: 0.64）を著しく上回った。
• シミュレーテッドデータでの事前学習段階の性能のおかげで、強力な一般化性能が得られ、大規模なラベル付きデータセットへの依存が軽減された。
• 二段階トレーニング戦略は、データの不均衡を効果的に是正し、発生頻度が低い不整脈症例の検出性能を向上させた。
• 独立に設計されたウェアラブルデバイスを用いて前向きに収集された再現コホートでも、モデルは頑健な性能を示し、異なるデバイス間での一般化を確認した。
• 教師なし表現学習に畳み込みノイズ除去オートエンコーダーを用いることで、信号表現の質が著しく向上し、下流の検出精度も向上した。
• 信号品質と不整脈検出を同時に学習するマルチタスクアーキテクチャは、単一タスクの代替手法と比較して、モデルの安定性と性能が向上した。