[论文解读] SiamAF: Learning Shared Information from ECG and PPG Signals for Robust Atrial Fibrillation Detection

Zhicheng Guo, Cheng Ding+5 more|arXiv (Cornell University)|Oct 13, 2023

ECG Monitoring and AnalysisMedicine被引用 3

一句话总结

SiamAF 提出了一种孪生深度学习框架，通过联合学习 ECG 和 PPG 信号的共享特征，以提升心房颤动（AF）检测的鲁棒性。通过利用对比损失将模态特定表示对齐至峰值特征附近，该模型在多个外部数据集上实现了最先进性能，即使仅使用 1% 的标注数据也表现出良好的泛化能力。

ABSTRACT

Atrial fibrillation (AF) is the most common type of cardiac arrhythmia. It is associated with an increased risk of stroke, heart failure, and other cardiovascular complications, but can be clinically silent. Passive AF monitoring with wearables may help reduce adverse clinical outcomes related to AF. Detecting AF in noisy wearable data poses a significant challenge, leading to the emergence of various deep learning techniques. Previous deep learning models learn from a single modality, either electrocardiogram (ECG) or photoplethysmography (PPG) signals. However, deep learning models often struggle to learn generalizable features and rely on features that are more susceptible to corruption from noise, leading to sub-optimal performances in certain scenarios, especially with low-quality signals. Given the increasing availability of ECG and PPG signal pairs from wearables and bedside monitors, we propose a new approach, SiamAF, leveraging a novel Siamese network architecture and joint learning loss function to learn shared information from both ECG and PPG signals. At inference time, the proposed model is able to predict AF from either PPG or ECG and outperforms baseline methods on three external test sets. It learns medically relevant features as a result of our novel architecture design. The proposed model also achieves comparable performance to traditional learning regimes while requiring much fewer training labels, providing a potential approach to reduce future reliance on manual labeling.

研究动机与目标

• 解决可穿戴 ECG 和 PPG 信号在 AF 检测中因噪声多、质量低带来的挑战。
• 通过利用 ECG 和 PPG 的互补信息，提升模型在不同记录环境和硬件设置下的泛化能力。
• 通过联合模态对齐实现有效的半监督学习，减少对大规模人工标注的依赖。
• 开发一个统一模型，在 ECG 和 PPG 输入上均表现优异，且无性能权衡。

提出的方法

• 使用孪生神经网络架构并行处理 ECG 和 PPG 信号，共享相同的主干网络（ResNet）和投影头。
• 提出一种新型对比损失函数，促使模型学习 ECG 和 PPG 信号之间的共享表示，尤其聚焦于 R 波峰特征。
• 通过联合学习目标进行模型训练，结合分类损失（用于 AF 预测）和对比损失（用于模态对齐）。
• 通过对比损失利用未标注数据，实现半监督学习，提升样本效率。
• 使用仅峰值的信号表示，验证模型主要依赖 R 波峰信息进行分类。
• 通过降维和特征可视化，解释并验证模型所学习到的具有医学意义的特征。

实验结果

研究问题

• RQ1 联合学习 ECG 和 PPG 信号是否能提升 AF 检测模型在真实世界噪声环境下的鲁棒性和泛化能力？
• RQ2 在 ECG 和 PPG 之间学习共享特征（尤其是 R 波峰模式）是否能带来优于单模态模型的性能？
• RQ3 对比学习目标在多大程度上能减少 AF 检测中对大量标注数据的依赖？
• RQ4 单一统一模型是否能在无需模态特定微调的情况下，同时在 ECG 和 PPG 输入上实现高性能？
• RQ5 模型实际依赖哪些生理特征（如峰值形态、P 波存在性等）进行分类？

主要发现

• SiamAF 在三个独立的外部测试集上优于多个最先进基线模型，包括 DeepBeat 和单模态 CNN，这些数据集来源多样、记录条件各异。
• 仅使用 1% 的训练标签，模型性能即可与完全监督模型相当，展现出强大的样本效率。
• 特征可视化证实，模型学习到了以 ECG 和 PPG 信号中 R 波峰形态为中心的具有医学意义的共享表示。
• 模型对分布外数据（如 Simband 数据集中的动态 PPG 和机构 B 的医院 ECG）具有良好的泛化能力，优于单模态训练模型。
• 仅峰值的信号投影显示 ECG 和 PPG 表示之间重叠度高，表明 R 波峰特征是 AF 检测的主要共享信号。
• 对比损失显著提升了模型性能和泛化能力，即使在标签稀缺时也有效，验证了其在引导特征学习向鲁棒共享模式演进中的关键作用。