[论文解读] Semi-supervised and Unsupervised Methods for Heart Sounds Classification in Restricted Data Environments

Balagopal Unnikrishnan, Pranshu Ranjan Singh+2 more|arXiv (Cornell University)|Jun 3, 2020

Phonocardiography and Auscultation Techniques被引用 14

一句话总结

本文提出了一种在低资源数据环境下用于心音分类的半监督与无监督方法，使用了PhysioNet/CinC 2016数据集。该研究引入了一种基于生成对抗网络（GAN）的半监督方法，在标签数据有限的情况下，其AUROC性能优于监督基线模型；同时证明，结合1D卷积神经网络（CNN）自编码器特征与单分类SVM可实现出色的异常检测性能（AUROC最高达0.842），且无需任何标注数据，从而实现高效的数据高效诊断与数据集整理。

ABSTRACT

Automated heart sounds classification is a much-required diagnostic tool in the view of increasing incidences of heart related diseases worldwide. In this study, we conduct a comprehensive study of heart sounds classification by using various supervised, semi-supervised and unsupervised approaches on the PhysioNet/CinC 2016 Challenge dataset. Supervised approaches, including deep learning and machine learning methods, require large amounts of labelled data to train the models, which are challenging to obtain in most practical scenarios. In view of the need to reduce the labelling burden for clinical practices, where human labelling is both expensive and time-consuming, semi-supervised or even unsupervised approaches in restricted data setting are desirable. A GAN based semi-supervised method is therefore proposed, which allows the usage of unlabelled data samples to boost the learning of data distribution. It achieves a better performance in terms of AUROC over the supervised baseline when limited data samples exist. Furthermore, several unsupervised methods are explored as an alternative approach by considering the given problem as an anomaly detection scenario. In particular, the unsupervised feature extraction using 1D CNN Autoencoder coupled with one-class SVM obtains good performance without any data labelling. The potential of the proposed semi-supervised and unsupervised methods may lead to a workflow tool in the future for the creation of higher quality datasets.

研究动机与目标

• 解决临床环境中心音数据标注有限的问题，因为标注过程成本高且耗时长。
• 在数据稀缺条件下，探索半监督与无监督学习作为监督方法的可行替代方案。
• 评估基于GAN的半监督学习与基于自编码器的异常检测在心音分类中的性能表现。
• 研究在数据污染与标签稀缺条件下，无监督方法的鲁棒性。
• 开发一种利用少量标注或无标注数据的方法来构建更高质量数据集的框架。

提出的方法

• 使用包含3,240个标注心音录音（正常与异常）的PhysioNet/CinC 2016挑战赛数据集进行评估。
• 应用基于生成对抗网络（GAN）的半监督学习方法，利用未标注数据提升模型泛化能力与AUROC性能。
• 采用1D卷积神经网络（CNN）自编码器进行无监督特征学习，从心音信号中提取潜在表征。
• 使用单分类SVM与孤立森林进行异常检测，输入特征来自自编码器嵌入或重构损失。
• 在仅含正常数据与混合数据上训练自编码器，以评估对数据污染的鲁棒性。
• 以AUROC为主要指标，在所有方法中评估性能表现。

实验结果

研究问题

• RQ1 当仅有有限标注数据时，基于GAN的半监督学习方法是否能在AUROC性能上优于监督基线模型？
• RQ2 在无任何标注数据的情况下，通过1D CNN自编码器进行无监督特征学习，并结合单分类SVM，其检测异常心音的效率如何？
• RQ3 训练数据的选择（仅正常数据 vs. 混合正常与异常数据）是否显著影响无监督异常检测在心音分类中的性能？
• RQ4 当使用自编码器嵌入或重构损失作为输入特征时，不同异常检测方法（如单分类SVM与孤立森林）的表现如何比较？
• RQ5 无监督方法是否能够识别出难以分类的模糊或边界样本，从而支持主动学习或伪标签化中的更好数据选择？

主要发现

• 基于GAN的半监督方法在所有标签比例下均实现了高于监督基线的AUROC，证明在标签数据有限时具有更优性能。
• 使用1D CNN自编码器特征与单分类SVM的无监督方法，在仅使用正常样本训练时，AUROC达到0.842，优于孤立森林及其他基线模型。
• 自编码器嵌入在异常检测中表现优于重构损失，尤其在低标签与数据污染场景下。
• 即使存在数据污染，仅使用正常数据训练的自编码器仍能生成稳健的潜在表征，对异常样本具有良好的泛化能力。
• 当在混合数据上训练时，该无监督方法（自编码器+单分类SVM）的AUROC达到0.828，表明其在数据污染下仍具备强大泛化能力。
• 所提出的方法在主动学习与伪标签化流程中展现出巨大潜力，尤其适用于筛选模糊或边界样本以供人工审核。