Deep Learning for identifying systolic complexes in SCG traces: a cross-dataset analysis

要約

心地震信号は、心臓活動の分析における従来の ECG に代わる有望な手段です。
特に、収縮期波形は心地震図の最も有益な部分であることが知られているため、さらなる分析が必要です。
収縮期複合体を検出するための最先端のソリューションは、先駆的な研究で効果的であることが証明されている深層学習モデルに基づいています。
ただし、これらのソリューションは、仰臥位で維持されたユーザーから取得したクリーンな信号のみを考慮した、制御されたシナリオでのみテストされています。
さらに、これらの研究はすべて、単一のデータセットからのデータを考慮しており、データセット間のシナリオに関連する利点と課題を無視しています。
この作業では、現実世界のシナリオからのデータも考慮して、データセット間の実験分析が実行されました。
私たちの調査結果は、ディープ ラーニング ソリューションの有効性を証明すると同時に、ドメインの変化、つまりトレーニング データとテスト データの間のデータ分布の変化を対比させるパーソナライゼーション ステップの重要性を示しています。
最後に、加速度計とジャイロスコープのデータの両方から抽出された情報を活用して、マルチチャネル アプローチの利点を示します。

要約(オリジナル)

The seismocardiographic signal is a promising alternative to the traditional ECG in the analysis of the cardiac activity. In particular, the systolic complex is known to be the most informative part of the seismocardiogram, thus requiring further analysis. State-of-art solutions to detect the systolic complex are based on Deep Learning models, which have been proven effective in pioneering studies. However, these solutions have only been tested in a controlled scenario considering only clean signals acquired from users maintained still in supine position. On top of that, all these studies consider data coming from a single dataset, ignoring the benefits and challenges related to a cross-dataset scenario. In this work, a cross-dataset experimental analysis was performed considering also data from a real-world scenario. Our findings prove the effectiveness of a deep learning solution, while showing the importance of a personalization step to contrast the domain shift, namely a change in data distribution between training and testing data. Finally, we demonstrate the benefits of a multi-channels approach, leveraging the information extracted from both accelerometers and gyroscopes data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google