[논문 리뷰] I-vector Based Features Embedding for Heart Sound Classification.

Mohammad Adiban, Bagher BabaAli외 1명|arXiv (Cornell University)|2019. 04. 26.

Phonocardiography and Auscultation Techniques인용 수 1

한 줄 요약

이 논문은 PhysioNet 2016 데이터셋을 사용하여 정상 및 비정상 심장음을 분류하기 위한 i-벡터 기반 특징 임bedding 방법을 제안한다. MFCC 특징에서 i-벡터를 추출하고, 차원 감소를 위해 PCA와 변동형 오토인코더(VAE)를 적용하며, GMM과 SVM를 사용하여 분류함으로써, 기준 시스템 대비 수정 정확도(MAcc)에서 16% 향상을 달성한다.

ABSTRACT

Cardiovascular Disease (CVD) is considered as one of the principal causes of death in the world. Over recent years, this field of study has attracted researchers' attention to investigate heart sounds' patterns for disease diagnostics. In this study, an approach is proposed for normal/abnormal heart sound classification on the Physionet challenge 2016 dataset. For the first time, a fixed length feature vector; called i-vector; is extracted from each heart sound using Mel Frequency Cepstral Coefficient (MFCC) features. Afterwards, Principal Component Analysis (PCA) transform and Variational Autoencoder (VAE) are applied on the i-vector to achieve dimension reduction. Eventually, the reduced size vector is fed to Gaussian Mixture Models (GMMs) and Support Vector Machine (SVM) for classification purpose. Experimental results demonstrate the proposed method could achieve a performance improvement of 16\% based on Modified Accuracy (MAcc) compared with the baseline system on the Physionet2016 dataset.

연구 동기 및 목표

• 기계 학습 기법을 사용하여 정상 및 비정상 심장음을 분류하는 것을 목적으로 한다.
• 변동 길이의 심장음 신호에 도전하는 문제를 해결하기 위해 고정 길이의 i-벡터 표현을 추출하는 것을 목적으로 한다.
• PCA와 변동형 오토인코더(VAE)를 사용하여 특징 차원을 효과적으로 감소시키는 것을 목적으로 한다.
• 감소된 i-벡터 특징에 대해 GMM과 SVM를 사용하여 분류 성능을 향상시키는 것을 목적으로 한다.
• PhysioNet 2016 데이터셋에서 기준 시스템 대비 성능 향상을 입증하는 것을 목적으로 한다.

제안 방법

• 각 심장음 신호에서 멜 주파수 페르스터컬 계수(MFCC)를 추출한다.
• 각 녹음에 대해 MFCC 특징에서 고정 길이의 i-벡터 표현을 생성한다.
• i-벡터의 차원을 감소시키기 위해 주성분 분석(PCA)을 적용한다.
• 추가적인 차원 감소와 특징 학습을 위해 변동형 오토인코더(VAE)를 사용한다.
• 감소된 i-벡터를 정규 분포 혼합 모델(GMM)과 서포트 벡터 머신(SVM)을 사용하여 분류한다.
• PhysioNet 2016 데이터셋에서 수정 정확도(MAcc)를 사용하여 시스템을 평가한다.

실험 결과

연구 질문

• RQ1 i-벡터 표현은 변동 길이의 심장음 신호로부터 분류 가능한 특징을 효과적으로 포착할 수 있는가?
• RQ2 PCA와 VAE를 조합함으로써 i-벡터 특징의 밀도와 분류 가능성이 향상되는가?
• RQ3 제안된 i-벡터 기반 방법은 기준 시스템 대비 정상 및 비정상 심장음을 분류하는 데 어떻게 비교되는가?
• RQ4 감소된 i-벡터에 대해 GMM과 SVM를 사용할 경우 분류 정확도가 얼마나 향상되는가?
• RQ5 제안된 방법은 PhysioNet 2016 데이터셋에서 상당한 성능 향상을 달성할 수 있는가?

주요 결과

• 제안된 방법은 PhysioNet 2016 데이터셋에서 기준 시스템 대비 수정 정확도(MAcc)에서 16% 향상을 달성한다.
• i-벡터와 PCA, VAE의 통합은 더 컴팩트하고 정보가 풍부한 특징 표현을 이끈다.
• 감소된 i-벡터에 대해 GMM과 SVM를 조합함으로써 분류 성능이 향상된다.
• i-벡터의 사용은 고정 길이의 특징 임bedding을 통해 변동 길이의 심장음 신호를 효과적으로 처리할 수 있도록 한다.
• 이 방법은 정상과 비정상 심장음을 구분하는 데 있어 강건성과 효과성을 입증한다.
• 결과는 i-벡터 기반 특징 임bedding이 심장음 분류에 있어 유망한 접근법임을 확인한다.