Scaling to Multimodal and Multichannel Heart Sound Classification with Synthetic and Augmented Biosignals

Resumo Técnico: Escalando para Classificação de Sons Cardíacos Multimodais e Multicanais com Biossinais Sintéticos e Aumentados

1. Declaração do Problema

As doenças cardiovasculares (DCVs) são a principal causa de mortalidade global, necessitando de métodos de pré-triagem precisos e acessíveis. Embora a auscultação cardíaca seja uma ferramenta diagnóstica primária, ela sofre de baixa precisão devido à natureza sutil dos sons cardíacos. O aprendizado profundo oferece uma solução, mas arquiteturas de estado da arte (SOTA), particularmente modelos baseados em transformadores, permanecem subutilizadas neste domínio. Essa limitação decorre da escassez de conjuntos de dados grandes, sincronizados e multicanais necessários para treinar modelos que demandam muitos dados de forma eficaz. Os conjuntos de dados existentes frequentemente sofrem com desequilíbrio de classes, baixas relações sinal-ruído (SNR) e tamanho limitado, dificultando a classificação robusta de sons cardíacos anormais usando sinais de áudio brutos.

2. Metodologia

Os autores propõem um framework escalável que combina processamento de sinais tradicional, geração de dados sintéticos via modelos de difusão e o ajuste fino de modelos pré-treinados de grande escala para superar a escassez de dados. O núcleo da abordagem envolve o ajuste fino de um codificador Wav2Vec 2.0 (variante BASE), originalmente projetado para fala, para a classificação de sons cardíacos.

Aumento de Dados e Geração Sintética:
Para enfrentar as limitações de dados, o estudo emprega uma estratégia dupla:

• Aumento Tradicional: As técnicas incluem separação de fonte harmônico-percussiva (HPSS), adição de ruído branco, expansão temporal (time stretching), modulação de amplitude, oscilação de linha de base (baseline wander), equalização paramétrica e injeção de ruído clínico. Para dados multicanais, a expansão temporal é sincronizada entre os canais para manter a consistência fisiológica.
• Geração de Sinal Sintético: Os autores utilizam modelos de difusão WaveGrad e DiffWave para gerar sinais de Fonocardiograma (PCG) sintéticos.
  • Para PCG de canal único, sinais de ECG do conjunto de dados Icentia servem como condicionadores (via espectrogramas mel e rótulos de doenças) para gerar 3.200 registros sintéticos de pacientes.
  • Para PCG multicanal (mPCG), os modelos de difusão são adaptados para condicionar em canais específicos para gerar dados sintéticos para outros canais, utilizando dados dos conjuntos de dados CinC 2016 training-a e training-b.

Arquitetura do Modelo e Treinamento:
O estudo avalia três configurações de modelo:

1. Entrada Única: Classifica sinais de PCG ou ECG de forma independente.
2. Multimodal: Concatena características extraídas de sinais PCG e ECG sincronizados.
3. Multicanal: Processa dados de mPCG de um colete vestível (até 6 canais).

Todos os modelos utilizam o codificador Wav2Vec 2.0 para extrair características. Para o modelo multicanal, que enfrenta uma escassez de dados significativa, os autores empregam Adaptação de Baixo Rank (LoRA) para o ajuste fino e substituem as camadas finais de Perceptron Multicamadas (MLP) por um Support Vector Machine (SVM) para evitar o sobreajuste (overfitting).

Conjuntos de Dados:

• CinC 2016: Um grande conjunto de dados de PCG de canal único (3.153 gravações).
• CinC 2016 Training-a: Um subconjunto contendo sinais sincronizados de PCG e ECG (405 gravações).
• Conjunto de Dados de Colete Vestível: Um conjunto de dados de mPCG do mundo real com 157 indivíduos (96 CAD e 61 normais) registrados com 7 sensores em um ambiente hospitalar com ruído de fundo e respiração livre.

3. Principais Contribuições

O artigo delineia quatro contribuições primárias:

• Arquitetura Escalável: Uma arquitetura baseada em transformadores capaz de lidar com qualquer número de canais de PCG e entradas de ECG.
• Modelo de Difusão Multicanal: O desenvolvimento de um modelo de difusão especificamente para gerar sinais de PCG multicanais sintéticos.
• Aumento Sob Medida: Introdução de técnicas de aumento especificamente projetadas para dados de PCG multicanais, garantindo a sincronização temporal entre os canais.
• Benchmarking de Desempenho: Alcance de desempenho de estado da arte (SOTA) no conjunto de dados CinC 2016 e resultados próximos ao SOTA no desafiador conjunto de dados do colete multicanal.

4. Resultados

O método proposto demonstra melhorias significativas de desempenho em todos os tipos de conjuntos de dados, particularmente quando os dados aumentados são utilizados.

• Canal Único (CinC 2016): No nível de sujeito, o modelo aumentado alcançou 92,48% de acurácia, 93,05% de Média Não Ponderada de Recall (UAR), 93,63% de sensibilidade, 92,48% de especificidade e um MCC de 0,8283. Isso supera os métodos SOTA existentes baseados em CNN e RNN, particularmente no equilíbrio entre sensibilidade e especificidade.
• Multimodal (CinC 2016 Training-a): Sem o aumento de dados, o modelo de transformador colapsou (UAR ≈ 51%). Com o aumento de dados e reamostragem para 4,125 kHz, o modelo alcançou 93,14% de acurácia, 92,21% de UAR, 94,35% de sensibilidade, 90,10% de especificidade e um MCC de 0,8380.
• Multicanal (Conjunto de Dados do Colete): Apesar da natureza ruidosa e real dos dados, o modelo aumentado alcançou 77,13% de acurácia, 74,25% de UAR, 86,47% de sensibilidade, 62,04% de especificidade e um MCC de 0,5082. Isso representa uma melhoria substancial sobre a linha de base não aumentada (aumento de 9,8% na acurácia) e demonstra robustez em condições de respiração livre, onde métodos anteriores exigiam a contenção da respiração.

Interpretabilidade:
Mapas de atenção e visualizações GradCAM++ confirmam que os modelos focam em características clinicamente relevantes: sujeitos anormais mostram ênfase nas fases diastólica e sistólica (propensas a sopros), enquanto sujeitos normais enfatizam os sons cardíacos S1 e S2.

5. Significância e Alegações

O artigo alega que a integração de dados sintéticos baseados em difusão e o aumento de dados tradicional preenche efetivamente a lacuna de dados necessária para treinar modelos de transformadores em biossinais. Os autores afirmam que esta abordagem permite a implantação de desempenho de estado da arte em conjuntos de dados menores, mais ruidosos e multimodais onde abordagens tradicionais de aprendizado profundo falham ou exigem volumes massivos de dados.

Especificamente, o estudo destaca:

• A capacidade de escalar de entradas de canal único para multimodais e multicanais sem reformulação arquitetônica.
• A eficácia do Wav2Vec 2.0 como um extrator de características para sinais cardíacos quando apoiado por estratégias robustas de aumento.
• A viabilidade prática do método para implantação no mundo real, como evidenciado pelo seu desempenho no conjunto de dados de colete com respiração livre e ruidoso, que reflete melhor as condições clínicas do que os conjuntos de dados controlados de contenção da respiração.

Os autores concluem que, embora o método seja eficaz, trabalhos futuros são necessários para melhorar o modelo de difusão multicanal para a geração simultânea de canais e para otimizar ainda mais as estratégias de aumento para doenças específicas.