[論文レビュー] A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection

Negin Alamatsaz, Leyla s Tabatabaei+4 more|arXiv (Cornell University)|Aug 29, 2022

ECG Monitoring and Analysis被引用数 5

ひとこと要約

本論文では、11層の軽量ハイブリッドCNN-LSTMモデルを提案し、心電図（ECG）を用いた不整脈の自動検出に適用。9つのクラス（8つの不整脈と正常リズム）において平均診断精度が98.24％に達した。モデルはリサンプリングおよびベースラインウロシング除去を施した信号を用い、500サンプルのECGセグメントをエンドツーエンドで処理。CNNは空間的特徴抽出に、LSTMは時系列モデリングに活用。Raspberry Pi上での推論時間はわずか5.127 msであり、Holterモニタでのリアルタイム導入が可能である。

ABSTRACT

Electrocardiogram (ECG) is the most frequent and routine diagnostic tool used for monitoring heart electrical signals and evaluating its functionality. The human heart can suffer from a variety of diseases, including cardiac arrhythmias. Arrhythmia is an irregular heart rhythm that in severe cases can lead to heart stroke and can be diagnosed via ECG recordings. Since early detection of cardiac arrhythmias is of great importance, computerized and automated classification and identification of these abnormal heart signals have received much attention for the past decades. Methods: This paper introduces a light deep learning approach for high accuracy detection of 8 different cardiac arrhythmias and normal rhythm. To leverage deep learning method, resampling and baseline wander removal techniques are applied to ECG signals. In this study, 500 sample ECG segments were used as model inputs. The rhythm classification was done by an 11-layer network in an end-to-end manner without the need for hand-crafted manual feature extraction. Results: In order to evaluate the proposed technique, ECG signals are chosen from the two physionet databases, the MIT-BIH arrhythmia database and the long-term AF database. The proposed deep learning framework based on the combination of Convolutional Neural Network(CNN) and Long Short Term Memory (LSTM) showed promising results than most of the state-of-the-art methods. The proposed method reaches the mean diagnostic accuracy of 98.24%. Conclusion: A trained model for arrhythmia classification using diverse ECG signals were successfully developed and tested. Significance: Since the present work uses a light classification technique with high diagnostic accuracy compared to other notable methods, it could successfully be implemented in holter monitor devices for arrhythmia detection.

研究の動機と目的

• 心電図信号からの心不全不整脈の高精度・リアルタイム検出を実現する軽量ディーブラーニングモデルの開発。
• ポータブルデバイス（例：Holterモニタ）へのリアルタイム導入を妨げる重いモデルの限界を克服すること。
• 1つのエンドツーエンドフレームワークを用いて、8つの不整脈と正常洞調律を含む9つの異なる心電図リズムタイプを分類すること。
• 異なるサンプリング周波数を持つ2つの多様な心電図データベースを組み合わせて学習・評価することで、一般化性能の向上を図ること。
• モデルサイズと推論時間を最小限に抑えることで、低消費電力エッジデバイスへの効率的導入を可能にすること。

提案手法

• モデルは1次元CNNに続くLSTM層を用い、500サンプルのECGセグメントから階層的な空間的および時系列的特徴を抽出する。
• ECG信号はリサンプリングおよびベースラインウロシング除去により事前処理され、信号品質とモデルのロバスト性が向上した。
• 手動による特徴工学を一切行わず、エンドツーエンドで生ECGセグメントを直接リズムクラスラベルにマッピングする形でネットワークを学習した。
• 推論の軽量性を確保するため、モデルはたった11層で構成されており、リソース制限のあるデバイスに適している。
• モデル性能は、MIT-BIH ArrhythmiaとLong-term AFの2つの公開データベースを用いて評価され、一般化性能を評価するためのクロスデータベーステストが実施された。
• 推論効率はRaspberry Piで検証され、モデルサイズ（0.16 MB）と推論時間（1リズムあたり5.127 ms）が測定された。

実験結果

リサーチクエスチョン

• RQ1 軽量なハイブリッドCNN-LSTMモデルは、リアルタイム導入に適したまま、多数の心電図不整脈タイプを高精度に分類できるか？
• RQ2 異なるサンプリングレートおよび信号特性を持つ多様な心電図データベースにおいて、提案モデルの性能はいかがであるか？
• RQ3 CNNとLSTMを組み合わせることで、単独のモデルと比較して分類精度がどの程度向上するか？
• RQ4 モデルサイズと推論速度を踏まえると、Raspberry Piのような低消費電力エッジデバイスへの効率的導入は可能か？
• RQ5 パラメータ数と推論時間の観点から、最先端手法と比較して、本モデルの性能はどの程度優れているか？

主な発見

• 提案モデルは、8つの不整脈と正常洞調律を含む9つの心電図リズムクラスにおいて、平均診断精度が98.24％に達した。
• 異なるサンプリング周波数を持つ2つの異なる心電図データベースを用いた学習・評価により、優れた一般化性能を示した。
• Raspberry Pi上での推論時間は1ECGセグメントあたりわずか5.127 msであり、リアルタイムアプリケーションへの適性が顕著に示された。
• モデルサイズは0.16 MBにまで縮小され、Holterモニタのような低消費電力ウェアラブルデバイスへの効率的導入に非常に適している。
• AUCスコアは全9クラスでほぼ完璧に近く、ROC曲線から強力な識別能力が裏付けられた。
• 特に性能と計算コストのバランスに優れる点を踏まえ、複数の最先端手法を上回る精度と効率性を達成した。