Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope

技術概要：デジタル聴診器を用いたマネキン記録心肺音データセット

問題提起
心肺疾患は依然として世界的な死亡原因の主要な要因であり、心臓および肺機能の正確な分析が必要とされています。聴診は重要な診断ツールですが、関与する音響信号は微弱であり、高度な分析を必要とします。人工知能（AI）および機械学習は臨床意思決定を進展させましたが、その有効性は、心音と肺音の両方を含む高品質で多様なデータセットの不足によって制限されています。既存のデータセットは、心音または呼吸音のいずれかにのみ焦点を当てており、混合録音が存在しないか、別々のファイルの事後混合に依存し、同時記録を行っていないことが多くあります。さらに、多くの先行研究は、現代のデジタル製品と比較して解像度が低い古い電子聴診器を利用しています。

方法論
これらのギャップに対処するため、著者らは臨床技能マネキンと高度な録音ハードウェアを用いた制御された安全な環境でデータセットを開発しました。

• データソース: 録音は、交換可能な男性用および女性用の胸部スキンを備え、同期した心周期と換気をシミュレート可能な CAE Juno™ 中忠実度患者シミュレータを使用して生成されました。シミュレータは、Wi-Fi を介して接続されたタブレット上の CAE Maestro ソフトウェアによって制御され、シミュレーションパラメータのリアルタイム調整を可能にしました。
• 録音ハードウェア: 本研究では、3M™ Littmann® CORE デジタル聴診器を使用し、Bluetooth を介して可視化および保存用のモバイルアプリケーションに接続しました。このデバイスは、最大 40 倍の増幅、能動ノイズキャンセレーション（85% の低減）、および内蔵周波数フィルターを提供します。
• 録音プロトコル:
  • 環境: 録音は、マネキンを座位とした静かで雑音のない専門的な実践コラボラトリで行われました。
  • 場所: 音は、標準的な心臓聴診部位（心尖部、右鎖骨上窩、左鎖骨上窩、左鎖骨下窩、右鎖骨下窩、左鎖骨下窩）および肺領域（右側および左側の上部、中部、下部前胸部）を含む 12 の異なる解剖学的ランドマークから捕捉されました。
  • フィルター: 対象音に応じて 3 つのフィルターモードが採用されました。低周波心音用のベルモード（20–200 Hz）、高周波肺音用のダイアフラムモード（100–500 Hz）、混合録音用のミッドレンジモード（50–500 Hz）です。
  • 持続時間: 各録音は 15 秒間行われ、22,050 Hz のサンプリングレートで.wav 形式で捕捉されました。
• データ構成: 最終データセットは、101 名の女性および 109 名の男性に分類された 210 件の録音から構成され、3 つのグループに分類されます。
  1. 心音（HS）: 正常音および 9 種類の異常（例：雑音、心房細動、頻拍、S3/S4）を網羅する 50 件の録音。
  2. 肺音（LS）: 正常音および 5 種類の異常（例：喘鳴、囉音、ラ音、胸膜摩擦音、ゴボゴボ音）を網羅する 50 件の録音。
  3. 混合音（Mix）: 上記の病変のさまざまな組み合わせを伴う心音と肺音の同時録音を行う 110 件の録音。
• 検証: 看護チームが聴診ランドマークの特定を検証しました。期待される生理学的パターンとの整合性を確保するため、音声ファイルを聴取して定性的分析が行われました。マネキンは精度を確保するため、毎年較正を受けています。

主要な貢献
この研究の主な貢献は、同時発生する自然な混合心肺音録音を提供する新規データセットの公開です。著者らは、この特徴が以前の主要なデータセット（Tsai ら、Fraiwan ら、Oliveira らによるものなど）には欠けていたと指摘しています。

• 独自の混合録音: 心音と肺音を別々に録音しアルゴリズム的に混合するデータセットとは異なり、このデータセットは信号の自然な重なりを捕捉します。これは、盲分離のような教師なし分離技術の開発にとって重要です。
• 多様性: このデータセットには、以前のシミュレータベースの研究よりも広範な異常が含まれており、10 種類の心音タイプと 6 種類の肺音タイプを網羅しています。
• 高忠実度: 高度なフィルタリングとノイズキャンセレーションを備えたデジタル聴診器の使用により、古い電子聴診器で録音されたデータセットと比較して、より高解像度でクリーンな信号が提供されます。
• メタデータ: 各ファイルには、性別、特定の音の種類、解剖学的場所などの詳細なメタデータを含む CSV ファイルが付属しており、構造化された命名規則に従っています。

結果と検証
本研究は、210 件の高品質な音声ファイルの生成に成功しました。著者らは以下の方法でデータを検証しました。

1. 技術仕様: 聴診器の周波数応答とノイズキャンセレーション能力の確認（表 1）。
2. 定性的分析: 記録された波形とスペクトログラム（図 5 および図 6 に可視化）が期待される生理学的パターンと一致することを専門家によって検証。
3. 再現性: 標準化されたマネキンと録音プロトコルの使用により、同様のシナリオでデータセットを再現可能であることが保証されます。

意義と主張
著者らは、このデータセットを生物医学工学および AI 研究コミュニティにとって貴重な資源として位置付けています。その具体的な有用性は以下の点にあると主張しています。

• アルゴリズム開発: 教師あり学習（心音/肺音の分類用）と教師なし学習（混合信号のクラスタリングおよび盲分離用）の両方をサポートします。
• 臨床応用: このデータセットは、自動心肺疾患検出、音響分類、および主成分分析（PCA）、独立成分分析（ICA）、サポートベクターマシン（SVM）、畳み込みニューラルネットワーク（CNN）などの信号処理タスクへの使用を意図しています。
• 将来の研究の基盤: 著者らは、すでにこのデータセットを利用して盲分離のための修正アフィン非負行列因子分解（NMF）手法を提案しており、高度な信号処理研究への即座の適用可能性を実証していると指摘しています。

本論文は、現実的なシミュレーション環境でクリーンな分離録音および混合録音を提供することにより、このデータセットが心肺モニタリングのための堅牢な AI モデルのトレーニングにおける重要なボトルネックを解消すると結論付けています。