Unsupervised sequence-to-sequence learning for automatic signal quality assessment in multi-channel electrical impedance-based hemodynamic monitoring

要約

この研究では、マルチチャネル電気インピーダンスに基づく血行動態モニタリングにおける心臓容積信号 (CVS) の運動誘発信頼性低下を自動的に評価する、教師なしシーケンス間学習アプローチを提案します。
提案された方法は、動きの影響に対する手動の注釈の必要性や、CVS の時間の経過に伴うコンテキストの変化の下で動きによって引き起こされる異常を認識するための明示的なメカニズムの欠如など、既存の学習ベースの評価アプローチの欠点に対処することを試みています。
長短期記憶と変分自動エンコーダ構造を利用することにより、エンコーダ – デコーダ モデルは、CVS の入力シーケンスを自己再生するだけでなく、並行して未来を推定するようにトレーニングされます。
そうすることで、モデルは時系列全体にわたる一般的な関係を調査するために正規化されながら、時間的な CVS シーケンスにある文脈上の知識をキャプチャできます。
動きの影響を受けた低品質の CVS は、トレーニング セットに対する 2 シグマの経験則から決定されたカットオフ値を使用して、入力シーケンスとそのニューラル表現の間の残差に基づいて検出されます。
私たちの実験的観察により、次の 2 つの主張が検証されました。(i) ラベル不在の学習環境では、評価パフォーマンスは教師付き設定と競合するレベルで達成可能です。(ii) CVS の時系列にわたるコンテキスト情報は効果的に実現するのに有利です。
動きによって引き起こされる信号振幅と形態の非現実的な歪み。
また、動きによって引き起こされる異常の有力な候補を事前に提供することで、人為的な注釈を最小限に抑える疑似ラベル付けツールとしての機能も調査しました。
機械ガイドによるアノテーションにより、煩雑で時間のかかるプロセスを最小限に抑えながら、手動評価中に避けられない人的エラーを削減できることが経験的証拠によって示されています。

要約(オリジナル)

This study proposes an unsupervised sequence-to-sequence learning approach that automatically assesses the motion-induced reliability degradation of the cardiac volume signal (CVS) in multi-channel electrical impedance-based hemodynamic monitoring. The proposed method attempts to tackle shortcomings in existing learning-based assessment approaches, such as the requirement of manual annotation for motion influence and the lack of explicit mechanisms for realizing motion-induced abnormalities under contextual variations in CVS over time. By utilizing long-short term memory and variational auto-encoder structures, an encoder–decoder model is trained not only to self-reproduce an input sequence of the CVS but also to extrapolate the future in a parallel fashion. By doing so, the model can capture contextual knowledge lying in a temporal CVS sequence while being regularized to explore a general relationship over the entire time-series. A motion-influenced CVS of low-quality is detected, based on the residual between the input sequence and its neural representation with a cut–off value determined from the two-sigma rule of thumb over the training set. Our experimental observations validated two claims: (i) in the learning environment of label-absence, assessment performance is achievable at a competitive level to the supervised setting, and (ii) the contextual information across a time series of CVS is advantageous for effectively realizing motion-induced unrealistic distortions in signal amplitude and morphology. We also investigated the capability as a pseudo-labeling tool to minimize human-craft annotation by preemptively providing strong candidates for motion-induced anomalies. Empirical evidence has shown that machine-guided annotation can reduce inevitable human-errors during manual assessment while minimizing cumbersome and time-consuming processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google