[论文解读] Real-time PCG Anomaly Detection by Adaptive 1D Convolutional Neural Networks

Serkan Kıranyaz, Morteza Zabihi+5 more|arXiv (Cornell University)|Feb 19, 2019

Phonocardiography and Auscultation Techniques参考文献 22被引用 10

一句话总结

本文提出一种自适应一维卷积神经网络（1D-CNN），用于实现低延迟和计算复杂度的实时心音图（PCG）异常检测。通过采用一种新型数据净化技术，并在PhysioNet 2016挑战赛数据集的高信噪比（SNR）子集上进行训练，该方法在检测性能和实时处理能力方面均表现出色，优于全局分类模型，凸显了个性化患者方法的必要性。

ABSTRACT

The heart sound signals (Phonocardiogram - PCG) enable the earliest monitoring to detect a potential cardiovascular pathology and have recently become a crucial tool as a diagnostic test in outpatient monitoring to assess heart hemodynamic status. The need for an automated and accurate anomaly detection method for PCG has thus become imminent. To determine the state-of-the-art PCG classification algorithm, 48 international teams competed in the PhysioNet (CinC) Challenge at 2016 over the largest benchmark dataset with 3126 records with the classification outputs, normal (N), abnormal (A) and unsure - too noisy (U). In this study, our aim is to push this frontier further; however, we focus deliberately on the anomaly detection problem while assuming a reasonably high Signal-to-Noise Ratio (SNR) on the records. By using 1D Convolutional Neural Networks trained with a novel data purification approach, we aim to achieve the highest detection performance and a real-time processing ability with significantly lower delay and computational complexity. The experimental results over the high-quality subset of the same benchmark dataset shows that the proposed approach achieves both objectives. Furthermore, our findings reveal the fact that further improvements indeed require a personalized (patient-specific) approach to avoid major drawbacks of a global PCG classification approach.

研究动机与目标

• 开发一种用于心音图（PCG）信号的实时、低复杂度异常检测系统，以实现心血管病理的早期检测。
• 通过聚焦于异常检测而非多分类任务，解决全局PCG分类模型的局限性。
• 通过一种新型数据净化方法提升信号质量，从而提高检测性能。
• 实现最小的处理延迟和计算开销，以支持在实时门诊监测系统中的部署。
• 探究个性化（患者特异性）模型相较于通用全局模型在PCG异常检测中是否带来显著性能提升。

提出的方法

• 该方法采用专为PCG波形时间序列处理优化的一维卷积神经网络（1D-CNN）架构。
• 应用一种新型数据净化技术，在模型训练前提升输入PCG信号的信噪比（SNR）。
• 网络在PhysioNet 2016挑战赛数据集的高质量子集上进行端到端训练，排除了噪声较大或标注不确定的记录。
• 采用自适应1D卷积，根据输入信号特征动态调整滤波器响应，提升泛化能力与检测灵敏度。
• 对模型推理过程进行优化，以实现低延迟和低计算负载，适用于连续监测应用的实时部署。
• 框架在基准数据集的高信噪比子集上进行评估，重点区分正常（N）与异常（A）PCG信号。

实验结果

研究问题

• RQ1 基于1D-CNN的异常检测系统是否能在PCG信号上实现低计算成本的实时性能？
• RQ2 所提出的数据显示净化方法是否显著优于标准预处理方法，从而提升检测准确率？
• RQ3 全局模型与患者特异性模型在检测PCG异常方面的性能表现有何差异？
• RQ4 信号质量（SNR）对深度学习模型在PCG分析中检测性能的影响如何？
• RQ5 自适应1D卷积是否能提升在低信噪比或质量波动的PCG记录中的检测灵敏度与鲁棒性？

主要发现

• 所提出方法在PhysioNet 2016基准数据集的高信噪比子集上实现了最先进的异常检测性能。
• 系统展现出显著降低延迟和计算复杂度的实时处理能力，优于以往方法。
• 数据净化技术有效提升了信号质量，有助于增强模型泛化能力与检测准确率。
• 结果表明，全局分类模型无法实现最优性能，患者特异性模型的适配对于进一步提升性能至关重要。
• 本研究证实，高信噪比条件对可靠基于深度学习的PCG异常检测至关重要，而噪声鲁棒性仍是关键挑战。