[논문 리뷰] Fetal Gender Identification using Machine and Deep Learning Algorithms on Phonocardiogram Signals

Reza Khanmohammadi, Mitra Sadat Mirshafiee외 2명|arXiv (Cornell University)|2021. 10. 10.

Phonocardiography and Auscultation Techniques참고 문헌 22인용 수 9

한 줄 요약

이 연구는 고도로 노이즈가 있는 신호를 보완하고 다양한 특징 추출 기법을 활용하여 태반 심장음(FPCG) 신호를 이용한 태아 성별 식별을 위한 새로운 앙상블 기계학습 접근법을 제안한다. 소음 제거 오토인코더와 소스 분리 기법을 활용한 다중 분류기 조합을 통해, 검증되지 않은 데이터에서 91%의 정확도를 달성하여 기준 모델을 크게 능가하며, FPCG 기반 성별 예측의 가능성을 입증한다.

ABSTRACT

Phonocardiogram (PCG) signal analysis is a critical, widely-studied technology to noninvasively analyze the heart's mechanical activity. Through evaluating heart sounds, this technology has been chiefly leveraged as a preliminary solution to automatically diagnose Cardiovascular diseases among adults; however, prenatal tasks such as fetal gender identification have been relatively less studied using fetal Phonocardiography (FPCG). In this work, we apply common PCG signal processing techniques on the gender-tagged Shiraz University Fetal Heart Sounds Database and study the applicability of previously proposed features in classifying fetal gender using both Machine Learning and Deep Learning models. Even though PCG data acquisition's cost-effectiveness and feasibility make it a convenient method of Fetal Heart Rate (FHR) monitoring, the contaminated nature of PCG signals with the noise of various types makes it a challenging modality. To address this problem, we experimented with both static and adaptive noise reduction techniques such as Low-pass filtering, Denoising Autoencoders, and Source Separators. We apply a wide range of previously proposed classifiers to our dataset and propose a novel ensemble method of Fetal Gender Identification (FGI). Our method substantially outperformed the baseline and reached up to 91% accuracy in classifying fetal gender of unseen subjects.

연구 동기 및 목표

• 심장병 진단과 비교해 다소 미비한 응용 분야인 태반 심장음(FPCG) 신호를 활용한 자동 태아 성별 식별(FGI)의 가능성을 탐색하기 위해.
• 정적 및 적응형 소음 제거 기법(예: 저역통과 필터링, 소음 제거 오토인코더(DAE), 소스 분리(SCBSS))을 통해 노이즈가 많은 FPCG 신호의 문제를 해결하기 위해.
• 수작업 특징과 딥러닝 기반 특징을 기반으로 기존 기계학습 분류기(SVM, XGBoost, KNN, LDA, 로지스틱 회귀 등)의 성능을 평가하고 비교하기 위해.
• 다양한 분류기를 조합하여 일반화 능력과 검증되지 않은 태아 대상에서의 성능을 향상시키는 새로운 앙상블 모델을 개발하고 검증하기 위해.
• 시라즈 대학 태아 심장음 데이터베이스를 기반으로 태아 성별 식별의 견고한 기준을 수립하고, 정확도, 민감도, 특이도와 같은 의학적으로 관련성이 높은 지표를 활용하기 위해.

제안 방법

• 정적 및 적응형 소음 제거 기법을 적용: 저역통과 필터링, 소음 제거 오토인코더(DAE), 신경망 기반 소스 분리 모델(SCBSS)를 활용해 FPCG 신호를 정제한다.
• 정제된 FPCG 신호에서 통계적, 스펙트럼적(MFCC, 스펙트럼 중심), 시간 도메인 특징을 포함한 종합적인 특징 집합을 추출한다.
• 추출된 특징을 기반으로 KNN, SVM, XGBoost, LDA, 로지스틱 회귀 등의 전통적 기계학습 분류기를 훈련 및 평가한다.
• 성능이 뛰어난 개별 분류기의 예측을 조합하여 정확도와 견고성을 향상시키는 새로운 앙상블 방법을 제안한다.
• 학습 및 테스트 세트 간의 데이터 누출을 방지하기 위해 이류자-하나-외부 교차검증(LOSO)을 사용하여 개인 수준의 일반화 능력을 유지한다.
• 표준 지표인 정확도(Acc), 정밀도(PR), 민감도(SN), 특이도(SP)를 사용하여, 보류 테스트 및 LOSO 설정 모두에서 모델을 평가한다.

실험 결과

연구 질문

• RQ1 기계학습 및 딥러닝 모델을 활용해 태반 심장음(FPCG) 신호를 효과적으로 태아 성별 식별에 활용할 수 있는가?
• RQ2 정적(저역통과 필터링) 및 적응형(소음 제거 오토인코더, SCBSS) 소음 제거 기법이 FGI 모델의 성능에 어떤 영향을 미치는가?
• RQ3 시라즈 FPCG 데이터셋에서 태아 성별 분류의 최고 정확도를 달성하기 위해 특징 추출 및 분류 방법의 어떤 조합이 가장 효과적인가?
• RQ4 여러 분류기의 앙상블이 개별 모델보다 성능이 뛰어나며, 만약 그렇다면 그 이유는 무엇인가?
• RQ5 전이 학습 및 데이터 증강 기법이 작은 FPCG 데이터셋에서 모델 성능을 얼마나 향상시키는가?

주요 결과

• 제안된 앙상블 모델은 검증되지 않은 태아 대상에서 태아 성별을 91%의 정확도로 분류하여 개별 분류기 및 기준 모델을 크게 능가하였다.
• 소음 제거 기법은 성능에 상당한 영향을 미쳤으며, SCBSS를 통해 정제된 신호가 모든 분류기에서 가장 우수한 결과를 보였다.
• 앙상블 방법은 다양한 분류기의 예측 강점을 조합함으로써 우수한 일반화 능력을 보였고, 과적합을 줄이며 견고성을 향상시켰다.
• 기존 모델 중 SVM은 분류 능력이 뛰어난 MFCC 특징에서 가장 우수한 성능을 보였고, 로지스틱 회귀는 가장 열악한 성능을 보여 모델 선택의 중요성을 입증하였다.
• 피치 시프팅 및 노이즈 주입을 통한 데이터 증강 조치에도 불구하고 딥러닝 모델은 유의미한 성능 향상을 보이지 않아, 작은 FPCG 데이터셋에 표준 딥러닝 접근법을 적용할 때의 한계를 시사한다.
• 이류자-하나-외부 교차검증(LOSO)을 통해 개인 수준의 일반화 능력의 중요성을 확인하였으며, 데이터 누출이 발생하는 경우(예: 오직 한 샘플만 제외된 경우) 모델의 성능이 열악하게 나타나, 개인 수준의 검증 방식을 채택할 근거를 제공하였다.