[论文解读] End-to-end Deep Learning from Raw Sensor Data: Atrial Fibrillation Detection using Wearables

Igor Gotlibovych, Stuart L. Crawford+7 more|arXiv (Cornell University)|Jul 27, 2018

ECG Monitoring and Analysis参考文献 37被引用 21

一句话总结

本文提出一种端到端的深度学习模型，采用卷积-循环神经网络结合长短期记忆网络（LSTM），直接从可穿戴设备采集的原始光电容积脉搏波（PPG）信号中检测心房颤动（AFib）。该模型实现了最先进性能，AUC达到0.9999，误报率与漏报率均低于0.2%，优于依赖人工设计特征（如心率提取）的传统方法。

ABSTRACT

We present a convolutional-recurrent neural network architecture with long short-term memory for real-time processing and classification of digital sensor data. The network implicitly performs typical signal processing tasks such as filtering and peak detection, and learns time-resolved embeddings of the input signal. We use a prototype multi-sensor wearable device to collect over 180h of photoplethysmography (PPG) data sampled at 20Hz, of which 36h are during atrial fibrillation (AFib). We use end-to-end learning to achieve state-of-the-art results in detecting AFib from raw PPG data. For classification labels output every 0.8s, we demonstrate an area under ROC curve of 0.9999, with false positive and false negative rates both below $2 imes 10^{-3}$. This constitutes a significant improvement on previous results utilising domain-specific feature engineering, such as heart rate extraction, and brings large-scale atrial fibrillation screenings within imminent reach.

研究动机与目标

• 开发一种实时、端到端的深度学习系统，无需依赖领域特定的特征工程，直接从原始PPG信号中检测心房颤动。
• 克服传统基于心电图（ECG）的AFib检测方法的局限性，如高成本、可用性有限以及需要专家解读。
• 利用低成本可穿戴传感器与深度学习相结合，实现大规模、连续且无创的AFib筛查。
• 证明神经网络能够从原始传感器数据中隐式学习信号处理任务，如滤波与波峰检测。

提出的方法

• 在20 Hz采样率的原始PPG信号上，端到端训练一个带有LSTM单元的卷积-循环神经网络，实现实时心律分类。
• 通过分层特征提取，模型学习输入信号的时间分辨嵌入，隐式完成滤波与波峰检测。
• 使用分层聚类与最优叶序排列方法，可视化中间层激活，以解释神经元功能。
• 利用保留逻辑回归决策边界的映射方法，将最终隐藏层的心律嵌入投影至二维空间，以增强可解释性。
• 在超过180小时的PPG数据上进行训练，包括36小时的AFib发作数据，数据来自接受复律治疗的患者及睡眠期间的健康志愿者。
• 使用合成数据增强技术，以提升对短时AFib发作（尤其持续20–200秒）的检测能力。

实验结果

研究问题

• RQ1 在原始PPG信号上端到端训练的深度学习模型，是否能优于依赖传统特征工程的方法，在AFib检测性能上表现更优？
• RQ2 神经网络在无显式工程设计的情况下，能否有效学习隐式信号处理操作（如滤波与波峰检测）？
• RQ3 使用此端到端方法，可检测到的孤立AFib发作的最短持续时间是多少？
• RQ4 PPG信号的潜在空间表示是否能实现个性化、无监督的节律异常检测，超越AFib本身？
• RQ5 该模型在不同人群及现实条件（如运动干扰与信号质量变化）下的泛化能力如何？

主要发现

• 模型AUC达到0.9999，表明对AFib与正常窦性心律的判别能力近乎完美。
• 误报率低于0.2%（2×10⁻³），漏报率也低于0.2%，表现出极高的敏感性与特异性。
• 模型可检测持续20–200秒的AFib发作，性能因个体差异与信噪比而异。
• 网络隐藏层生成的潜在空间嵌入揭示了患者特异的心律模式，为个性化异常检测提供了可能。
• 训练中使用合成数据提升了对短时AFib发作的检测能力，表明该方法在真实部署中具备鲁棒性潜力。
• 中间神经元与嵌入的可视化结果证实，网络学习到了PPG波形形态与动态的有意义且可解释的表示。