[论文解读] 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 5

一句话总结

DeepBeat 提出了一种多任务深度学习框架，通过使用模拟数据进行无监督预训练并在标记的真实世界数据上微调，联合评估光电容积脉搏波（PPG）信号质量并检测心房颤动（AF）。该方法在静息状态下实现了最先进的性能（F1: 0.96，auPRC: 0.96），显著优于传统的随机森林和单任务卷积神经网络基线模型。

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.

研究动机与目标

• 解决可穿戴 PPG 设备在心律失常检测中面临的机械噪声和低信号质量挑战。
• 开发一种在有限标记生物医学数据下，针对腕部 PPG 传感器中检测心房颤动（AF）的鲁棒、实时方法。
• 通过利用仿真和迁移学习，克服生物医学应用中的数据不平衡问题。
• 通过多任务深度学习架构，联合优化信号质量评估与心律失常检测。
• 在使用不同设备独立前瞻性收集的动态监测队列上验证模型性能。

提出的方法

• 该模型采用两阶段训练流程：首先在一百万个未标记的模拟 PPG 信号上预训练卷积去噪自编码器，以学习鲁棒表征。
• 其次，在来自 100 多名个体、三种可穿戴设备的超过 50 万个标记 PPG 信号的精选数据集上微调模型。
• 该架构是一种多任务深度神经网络，可同时预测信号质量并分类心律失常事件，包括心房颤动。
• 通过无监督预训练应用迁移学习，以提升生物医学应用中的泛化能力并缓解数据稀缺问题。
• 模型利用时间卷积以捕捉 PPG 信号中的序列模式，从而提升检测性能。
• 性能通过精确率、召回率、F1 分数和精确率-召回率曲线下面积（auPRC）进行评估。

实验结果

研究问题

• RQ1 多任务深度学习模型是否能联合提升在嘈杂可穿戴 PPG 信号中的信号质量评估与 AF 检测性能？
• RQ2 在模拟数据上进行无监督预训练是否能提升在真实世界、标记数据有限的 PPG 数据上的下游性能？
• RQ3 与传统机器学习方法（如随机森林）和单任务深度学习相比，该方法在 AF 检测准确率方面表现如何？
• RQ4 两阶段训练策略是否能有效缓解生物医学信号分类中的数据不平衡问题？
• RQ5 该模型是否能泛化到使用不同可穿戴设备独立收集的动态数据集？

主要发现

• 所提出的多任务模型在静息受试者中实现 0.94 的精确率、0.98 的召回率、0.96 的 F1 分数和 0.96 的 auPRC，显著优于随机森林基线（F1: 0.34）和单任务 CNN（F1: 0.64）。
• 模型在模拟数据预训练阶段的性能实现了强大的泛化能力，降低了对大规模标记数据集的依赖。
• 两阶段训练策略有效缓解了数据不平衡问题，提升了低发生率心律失常病例的检测能力。
• 模型在使用独立设计的可穿戴设备前瞻性收集的复制队列中表现出稳健性能，证实了其在不同设备间的泛化能力。
• 使用卷积去噪自编码器进行无监督表征学习显著提升了信号表征质量与下游检测准确性。
• 多任务架构通过同时学习信号质量和心律失常检测，相比单任务方法提升了模型稳定性与性能。