[論文レビュー] A Comparison of 1-D and 2-D Deep Convolutional Neural Networks in ECG Classification

Yunan Wu, Yang Feng+3 more|arXiv (Cornell University)|Oct 16, 2018

ECG Monitoring and Analysis参考文献 8被引用数 73

ひとこと要約

本論文は、AlexNet風のCNNを用いて1次元ECG信号入力と2次元ECG画像入力を比較し、ImageNet重みで初期化した2-D CNNがMIT-BIHで98%の精度を達成し、データが限られている場合でも20–35 dBのSNR全域で頑健であることを示す。

ABSTRACT

Effective detection of arrhythmia is an important task in the remote monitoring of electrocardiogram (ECG). The traditional ECG recognition depends on the judgment of the clinicians' experience, but the results suffer from the probability of human error due to the fatigue. To solve this problem, an ECG signal classification method based on the images is presented to classify ECG signals into normal and abnormal beats by using two-dimensional convolutional neural networks (2D-CNNs). First, we compare the accuracy and robustness between one-dimensional ECG signal input method and two-dimensional image input method in AlexNet network. Then, in order to alleviate the overfitting problem in two-dimensional network, we initialize AlexNet-like network with weights trained on ImageNet, to fit the training ECG images and fine-tune the model, and to further improve the accuracy and robustness of ECG classification. The performance evaluated on the MIT-BIH arrhythmia database demonstrates that the proposed method can achieve the accuracy of 98% and maintain high accuracy within SNR range from 20 dB to 35 dB. The experiment shows that the 2D-CNNs initialized with AlexNet weights performs better than one-dimensional signal method without a large-scale dataset.

研究の動機と目的

• 疲労による人為的ミスを減らすため、信頼できる自動ECG心律不整検出を動機づける。
• CNNを用いた2-D画像表現がECG分類において1-D信号入力を上回るかを調査する。
• 限られたデータでの過学習を緩和するために、2-D ECG分類器に対するImageNet事前学習の影響を評価する。

提案手法

• ECG信号を2-D CNN入力用の画像表現に変換する。
• AlexNet風ネットワークを用いて、1-D ECG信号入力と2-D画像入力の精度と頑健性を比較する。
• ImageNetで事前学習済みの重みで2-Dネットワークを初期化し、ECG画像でファインチューニングする。
• MIT-BIH心律不整データベースで性能を評価する。
• 20 dBから35 dBのSNR範囲で頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 限定された学習データの下で、2-D画像ベースのCNNは1-D信号ベースのCNNよりECG分類で高性能か？
• RQ2 ImageNet事前学習は2-D ECG分類器の精度と頑健性を高めるのに役立つか？
• RQ3 ノイズレベル（SNR 20–35 dB）によって、2つの入力表現の性能はどう変化するか？

主な発見

• ImageNetウェイトで初期化された2-D CNNは1-D入力法より高い精度を達成する。
• MIT-BIHでは、提案された2-D法は98%の精度に到達する。
• 2-Dアプローチは20–35 dBのSNR範囲で高精度を維持する。
• ImageNet事前学習済みの2-Dネットワークは、トレーニングデータが大きくない場合の過学習を緩和する。
• 大規模なラベル付きデータセットが利用できない場合のECG分類の画像ベース化の利点を示す。