Federated learning for systolic complex detection in SCG signals

Detecting systolic complexes in SCG signals is important for cardiac health monitoring. Unlike ECG, which detects electrical activity, SCG records the mechanical function of the heart. Identifying systolic complexes in SCG is challenging because of the motion artifacts, noise, and individual physiological differences. Existing Deep Learning (DL) methods use labeled SCG data to personalize models for individual subjects, which enhances the robustness of the algorithms. However, these methods assume that all SCG data are centrally stored, a requirement that may be impractical or restrictive in real-world scenarios since sharing unique SCG signals may expose medical conditions, increasing the risk of data misuse and privacy leaks. This thesis investigates FL as a privacy-preserving approach for detecting systolic complexes in SCG signals. FL provides a decentralized model training across multiple datasets. This allows the model to learn from diverse sources without sharing raw data. We use a U-Net DL model and conduct extensive experiments across three datasets (CEBS, MEC, and BioPoli). The datasets are vary in terms of recording conditions, signal quality, and sensor configurations. Our study compares FL with a traditional personalization approach to evaluate its effectiveness in improving model generalization. Our results show that FL outperforms traditional personalization by learning domain-invariant model from heterogeneous, non-independent SCG data. This helps the detection model to perform across different datasets, and also in noisy, real-world conditions. Additionally, using multi-channel SCG inputs, including accelerometer and gyroscope data, improves detection performance. This research demonstrates that FL can enhance the non-invasive cardiac monitoring using SCG by addressing domain shifts and privacy concerns. Our findings can contribute to developing scalable and privacy-preserving DL models for biomedical signal processing. Future work could investigate the use of semi-supervised learning methods to further improve performance in real-world applications in which labeled data is limited.

Rilevare i complessi sistolici nei segnali SCG è importante per il monitoraggio della salute cardiaca. A differenza dell'ECG, che rileva l'attività elettrica, l’SCG registra la funzione meccanica del cuore. Tuttavia, identificare i complessi sistolici nell’SCG è complesso a causa degli artefatti legati al movimento, del rumore e delle differenze fisiologiche individuali. I metodi esistenti utilizzano porzioni etichettate di segnali SCG per personalizzare i modelli per i singoli soggetti, migliorando la robustezza degli algoritmi di apprendimento automatico. Tuttavia, questi metodi assumono che tutti i dati SCG siano mantenuti centralmente, un requisito che può risultare impraticabile o restrittivo in scenari reali, poiché la condivisione di segnali SCG personali potrebbe esporre condizioni mediche, aumentando il rischio di uso improprio dei dati e violazioni della privacy. Questa tesi indaga un approccio di Federated Learning (FL) per la rilevazione dei complessi sistolici nei segnali SCG preservando la privacy. Il FL consente un addestramento decentralizzato di un singolo modello su più dataset, permettendo al modello di apprendere da fonti diverse senza condividere i dati grezzi. Più precisamente, in questa tesi utilizziamo un modello U-Net di Deep Learning (DL) e conduciamo esperimenti approfonditi su tre dataset (CEBS, MEC e BioPoli). I dataset variano per condizioni di registrazione, qualità del segnale e configurazioni dei sensori. Il nostro studio confronta il nostro approccio di FL con una tradizionale tecnica di personalizzazione per valutare l'efficacia nel migliorare la generalizzazione del modello. I nostri risultati mostrano che il FL supera la personalizzazione imparando un modello invariante al dominio da dati SCG eterogenei e non indipendenti. Questo aiuta il modello di rilevamento a funzionare su diversi dataset e in condizioni reali rumorose. Inoltre, l’uso di input SCG multi-canale, includendo contemporaneamente le registrazionoìi di accelerometri e giroscopi, migliora le prestazioni del nostro modello. Questa ricerca dimostra che il FL può migliorare il monitoraggio cardiaco non invasivo utilizzando il segnale SCG, affrontando i problemi di spostamento del dominio e di privacy. I nostri risultati possono contribuire allo sviluppo di modelli DL scalabili e privacy-preserving per l'elaborazione di segnali biomedici. I lavori futuri potrebbero indagare sull'uso di metodi di apprendimento semi-supervisionato per migliorare ulteriormente le prestazioni in applicazioni reali in cui i dati etichettati sono limitati.