[論文レビュー] A Novel real-time arrhythmia detection model using YOLOv8

Guang Jun Nicholas Ang, Aditya Goil+7 more|arXiv (Cornell University)|May 26, 2023

ECG Monitoring and AnalysisMedicine被引用数 3

ひとこと要約

本稿では、単一誘導心電図（ECG）信号を不整脈または正常な拍動に分類するため、損失関数を修正したYOLOv8モデルを用いたリアルタイム不整脈検出システムを提案する。ECGセグメントを物体検出タスクとして扱うことで、V100 GPU上で0.002秒の推論時間で99.5%のテスト精度と0.992 mAP@50を達成し、家庭での心臓モニタリングに向けた高精度・低遅延のデプロイ可能性を示した。

ABSTRACT

In a landscape characterized by heightened connectivity and mobility, coupled with a surge in cardiovascular ailments, the imperative to curtail healthcare expenses through remote monitoring of cardiovascular health has become more pronounced. The accurate detection and classification of cardiac arrhythmias are pivotal for diagnosing individuals with heart irregularities. This study underscores the feasibility of employing electrocardiograms (ECG) measurements in the home environment for real-time arrhythmia detection. Presenting a fresh application for arrhythmia detection, this paper leverages the cutting-edge You-Only-Look-Once (YOLO)v8 algorithm to categorize single-lead ECG signals. We introduce a novel loss-modified YOLOv8 model, fine-tuned on the MIT-BIH arrhythmia dataset, enabling real-time continuous monitoring. The obtained results substantiate the efficacy of our approach, with the model attaining an average accuracy of 99.5% and 0.992 mAP@50, and a rapid detection time of 0.002 seconds on an NVIDIA Tesla V100. Our investigation exemplifies the potential of real-time arrhythmia detection, enabling users to visually interpret the model output within the comfort of their homes. Furthermore, this study lays the groundwork for an extension into a real-time explainable AI (XAI) model capable of deployment in the healthcare sector, thereby significantly advancing the realm of healthcare solutions.

研究の動機と目的

• 家庭環境における単一誘導ECG信号を用いたリアルタイムで自己実施可能な不整脈検出を可能にすること。
• 従来のECG解析の限界、例えば高い計算コストや手作業による解釈の疲労を解消すること。
• コンピュータビジョン分野の物体検出技術をECG信号分類に応用することで、速度と精度の向上を図ること。
• エッジデバイスに適した軽量でデプロイ可能なモデルを開発すること、および将来的にウェアラブルヘルスシステムに統合することを目的とする。

提案手法

• YOLOv8への入力として、時間周波数マッピングを用いて単一誘導ECG信号を2次元画像に類似した表現に変換した。
• クラスの不均衡を是正するため、動的逆クラス頻度とWise IoUを組み合わせた新しい損失関数を用いて、MIT-BIH不整脈データセット上でYOLOv8nをファインチューニングした。
• 消費者用ハードウェアでもリアルタイム推論性能を確保するため、軽量なYOLOv8nアーキテクチャを採用した。
• 多様なECG波形にわたる耐性と一般化性能を向上させるために、データオーグメンテーションおよび正規化技術を適用した。
• 信頼性と一貫性を確保するため、10分割交差検証を実施し、未知のデータに対してテストした。
• エンドユーザーが直感的に理解できるフィードバックを提供するため、バウンディングボックスとクラスラベルを含む可視化出力を生成した。

実験結果

リサーチクエスチョン

• RQ1 物体検出の原則を用いて、単一誘導ECG信号におけるリアルタイム不整脈検出にYOLOv8を効果的に適応できるか？
• RQ2 提案された損失関数を修正したYOLOv8モデルは、既存のECG分類の深層学習モデルと比較して、精度と推論速度の面でどのように性能を発揮するか？
• RQ3 動的逆クラス頻度とWise IoUの併用が、少数派の不整脈クラスにおける検出性能をどの程度向上させるか？
• RQ4 ポータブルまたはエッジデバイスへのデプロイに適した最小限の遅延を達成できるか？
• RQ5 ノイズの多い家庭環境において、このようなモデルを実世界にデプロイするにあたり、どのような課題と制限が生じるか？

主な発見

• モデルはMIT-BIHデータセット上で99.5%のテスト精度と0.992 mAP@50の平均平均精度を達成し、物体検出に基づくECG分類分野で最先端の性能を示した。
• NVIDIA Tesla V100 GPU上で1ECGセグメントあたり0.002秒の推論時間が測定され、リアルタイム処理の可能性が裏付けられた。
• 動的逆クラス頻度とWise IoU損失の併用により、少数派の不整脈クラスにおける検出性能が顕著に向上し、クラス不均衡バイアスが軽減された。
• 10分割交差検証において一貫した性能を維持したため、異なるデータ分割に対して高いロバスト性と一般化性能が示された。
• バウンディングボックスと信頼度スコアを含む可視化出力により、専門外のユーザーが直感的に解釈できるため、患者の自己モニタリングを支援した。
• 高い性能を発揮する一方で、モデルの意思決定プロセスはブラックボックスのままであるため、将来的な臨床デプロイメントに向けた説明可能なAI（XAI）統合の必要性が浮き彫りになった。