[论文解读] Signal Quality Assessment of Photoplethysmogram Signals using Quantum Pattern Recognition and lightweight CNN Architecture

Tamaghno Chatterjee, Aayushman Ghosh+1 more|arXiv (Cornell University)|Feb 1, 2022

Non-Invasive Vital Sign Monitoring被引用 4

一句话总结

本文提出一种轻量级2D卷积神经网络（CNN）模型，结合一种新型量子模式识别（QPR）技术，用于将光电容积脉搏波（PPG）信号分类为'优质'或'劣质'。该方法通过QPR将5秒长的PPG信号段转换为20×500像素的灰度图像，再由轻量级CNN架构进行分类，在昆士兰大学数据集上实现了98.3%的准确率、99.3%的敏感度和98.9%的F1分数。

ABSTRACT

Photoplethysmography (PPG) signal comprises physiological information related to cardiorespiratory health. However, while recording, these PPG signals are easily corrupted by motion artifacts and body movements, leading to noise enriched, poor quality signals. Therefore ensuring high-quality signals is necessary to extract cardiorespiratory information accurately. Although there exists several rule-based and Machine-Learning (ML) - based approaches for PPG signal quality estimation, those algorithms' efficacy is questionable. Thus, this work proposes a lightweight CNN architecture for signal quality assessment employing a novel Quantum pattern recognition (QPR) technique. The proposed algorithm is validated on manually annotated data obtained from the University of Queensland database. A total of 28366, 5s signal segments are preprocessed and transformed into image files of 20 x 500 pixels. The image files are treated as an input to the 2D CNN architecture. The developed model classifies the PPG signal as `good' or `bad' with an accuracy of 98.3% with 99.3% sensitivity, 94.5% specificity and 98.9% F1-score. Finally, the performance of the proposed framework is validated against the noisy `Welltory app' collected PPG database. Even in a noisy environment, the proposed architecture proved its competence. Experimental analysis concludes that a slim architecture along with a novel Spatio-temporal pattern recognition technique improve the system's performance. Hence, the proposed approach can be useful to classify good and bad PPG signals for a resource-constrained wearable implementation.

研究动机与目标

• 解决可穿戴健康监测系统中运动伪影污染的PPG信号挑战。
• 在规则基础和传统机器学习方法之外，提升信号质量评估（SQA）的准确性。
• 开发一种计算效率高的深度学习模型，适用于资源受限的可穿戴设备部署。
• 在经过人工标注的清洁数据和来自Welltory应用的真实世界噪声数据上验证所提出框架。
• 展示QPR处理图像与轻量级CNN结合在SQA任务中的优越性。

提出的方法

• 利用一种新型量子模式识别（QPR）算法，将一维PPG信号转换为20×500像素的灰度图像，以提取时空模式。
• 基于'slim module'微型架构设计了一种轻量级2D CNN架构，以降低模型复杂度和参数量。
• 使用交叉熵损失和Adam优化算法，训练CNN将图像分类为'优质'或'劣质'PPG信号。
• 对昆士兰大学数据库中的28,366个五秒PPG信号段进行预处理，包括标准归一化和伪影检测。
• 使用五项评估指标（敏感度、特异度、F1分数和准确率）验证性能。
• 将所提模型与三种基线方法（SQIs+SVM、HOG+MLP和1D-CNN）进行比较，使用相同数据集和评估协议。

实验结果

研究问题

• RQ1 轻量级CNN架构与QPR处理的PPG图像结合，是否能优于现有的基于规则和机器学习的SQA方法？
• RQ2 该方法在来自Welltory等移动应用的真实世界噪声PPG数据上的表现如何？
• RQ3 量子启发式模式识别的集成是否增强了深度学习模型在PPG质量评估中的判别能力？
• RQ4 该模型在保持高性能的同时，能在多大程度上最小化计算复杂度以适用于可穿戴设备部署？
• RQ5 在相同数据集和评估指标下，该模型的性能与最先进深度学习模型相比如何？

主要发现

• 所提出的基于QPR的轻量级CNN在昆士兰大学数据集上实现了98.3%的准确率、99.3%的敏感度、94.5%的特异度和98.9%的F1分数。
• 该模型优于所有基线方法，包括SQIs+SVM（84.4%准确率）、1D-CNN（95.8%准确率）和HOG-MLP（85%准确率）。
• 在噪声较大的Welltory应用数据集上，该模型仍保持高性能，展现出在真实世界条件下的鲁棒性。
• 与先前深度学习工作（Chen, 2021）相比，该方法在使用QPR图像时实现了更高的敏感度（99.3% vs. 96.6%）和特异度（94.5% vs. 69.7%）。
• 在STFT图像上评估时，该模型在所有指标上仍优于Chen等人（2021）的方法，包括准确率（94.0% vs. 93.6%）和F1分数（96.2% vs. 96.0%）。
• 尽管所用数据集较小（28,366个信号段）相比Chen等人（58,040个信号段），该模型仍表现出更强的泛化能力和效率。