SiamAF: Learning Shared Information from ECG and PPG Signals for Robust Atrial Fibrillation Detection

要約

心房細動 (AF) は、最も一般的なタイプの不整脈です。
脳卒中、心不全、その他の心血管合併症のリスク増加と関連していますが、臨床的には無症状の場合もあります。
ウェアラブルを使用した受動的な AF モニタリングは、AF に関連する有害な臨床転帰を軽減するのに役立つ可能性があります。
ノイズの多いウェアラブル データ内の AF を検出することは大きな課題であり、さまざまな深層学習技術の出現につながります。
以前の深層学習モデルは、心電図 (ECG) 信号または光電脈波計 (PPG) 信号のいずれかの単一モダリティから学習しました。
ただし、深層学習モデルは、一般化可能な特徴を学習するのに苦労し、ノイズによる破損の影響を受けやすい特徴に依存することが多く、特定のシナリオ、特に低品質の信号では次善のパフォーマンスが発生します。
ウェアラブルやベッドサイド モニターからの ECG 信号と PPG 信号のペアの利用可能性が高まっていることを考慮して、新しいアプローチである SiamAF を提案します。これは、新しいシャム ネットワーク アーキテクチャと共同学習損失関数を活用して、ECG 信号と PPG 信号の両方から共有情報を学習します。
推論時に、提案されたモデルは PPG または ECG から AF を予測でき、3 つの外部テスト セットでのベースライン手法を上回ります。
私たちの斬新なアーキテクチャ設計の結果として、医学的に関連した機能を学習します。
また、提案されたモデルは、従来の学習体制と同等のパフォーマンスを達成しながら、必要なトレーニング ラベルを大幅に減らし、将来の手動ラベル付けへの依存を減らす潜在的なアプローチを提供します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google