Label Propagation Techniques for Artifact Detection in Imbalanced Classes using Photoplethysmogram Signals

要約

光電容積脈波 (PPG) 信号は、バイタルサインを監視するためにヘルスケアで広く使用されていますが、不正確な解釈につながる可能性のある動きアーチファクトの影響を受けやすいです。
この研究では、特にクリーンな PPG サンプルの数がアーティファクトで汚染されたサンプルよりも大幅に多い不均衡なクラスのシナリオにおいて、PPG サンプル間でラベルを伝播するためのラベル伝播技術の使用を検討します。
アーチファクトのないクラスの精度 91%、再現率 90%、F1 スコア 90% という結果は、クリーンなサンプルがまれな場合でも、医療データセットのラベル付けにおける有効性を示しています。
アーティファクトの分類について、私たちの研究では、従来の分類器やニューラル ネットワーク (MLP、Transformers、FCN) などの教師あり分類器と半教師ありラベル伝播アルゴリズムを比較しています。
精度が 89%、再現率が 95%、F1 スコアが 92% であるため、KNN 教師ありモデルは良好な結果をもたらしますが、アーティファクトの検出では半教師ありアルゴリズムの方が優れたパフォーマンスを発揮します。
この調査結果は、半教師ありアルゴリズムのラベル伝播が PPG 信号のアーティファクト検出に有望であることを示唆しており、これにより、現実世界のアプリケーションにおける PPG ベースの健全性監視システムの信頼性を向上させることができます。

要約(オリジナル)

Photoplethysmogram (PPG) signals are widely used in healthcare for monitoring vital signs, but they are susceptible to motion artifacts that can lead to inaccurate interpretations. In this study, the use of label propagation techniques to propagate labels among PPG samples is explored, particularly in imbalanced class scenarios where clean PPG samples are significantly outnumbered by artifact-contaminated samples. With a precision of 91%, a recall of 90% and an F1 score of 90% for the class without artifacts, the results demonstrate its effectiveness in labeling a medical dataset, even when clean samples are rare. For the classification of artifacts our study compares supervised classifiers such as conventional classifiers and neural networks (MLP, Transformers, FCN) with the semi-supervised label propagation algorithm. With a precision of 89%, a recall of 95% and an F1 score of 92%, the KNN supervised model gives good results, but the semi-supervised algorithm performs better in detecting artifacts. The findings suggest that the semi-supervised algorithm label propagation hold promise for artifact detection in PPG signals, which can enhance the reliability of PPG-based health monitoring systems in real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google