[論文レビュー] A Simple Self-Supervised ECG Representation Learning Method via Manipulated Temporal-Spatial Reverse Detection

Wenrui Zhang, Shijia Geng+1 more|arXiv (Cornell University)|Feb 25, 2022

ECG Monitoring and Analysis被引用数 4

ひとこと要約

本論文では、心電図（ECG）信号の時間的・空間的反転を操作するタスクを用いて、ラベルなしで一般化されたECG表現を学習するシンプルな自己教師あり手法を提案する。この手法は、心房細動（AF）検出においてベースライン手法を上回り、時間的反転操作が空間的反転よりも臨床的に重要なECG特徴を捉えるのに優れていることが示された。

ABSTRACT

Learning representations from electrocardiogram (ECG) signals can serve as a fundamental step for different machine learning-based ECG tasks. In order to extract general ECG representations that can be adapted to various downstream tasks, the learning process needs to be based on a general ECG-related task which can be achieved through self-supervised learning (SSL). However, existing SSL approaches either fail to provide satisfactory ECG representations or require too much effort to construct the learning data. In this paper, we propose the T-S reverse detection, a simple yet effective self-supervised approach to learn ECG representations. Inspired by the temporal and spatial characteristics of ECG signals, we flip the original signals horizontally (temporal reverse), vertically (spatial reverse), and both horizontally and vertically (temporal-spatial reverse). Learning is then done by classifying four types of signals including the original one. To verify the effectiveness of the proposed method, we perform a downstream task to detect atrial fibrillation (AF) which is one of the most common ECG tasks. The results show that the ECG representations learned with our method achieve remarkable performance. Furthermore, after exploring the representation feature space and investigating salient ECG locations, we conclude that the temporal reverse is more effective for learning ECG representations than the spatial reverse.

研究の動機と目的

• 手動によるラベル付けを必要とせずに、一般化されたECG表現を学習するシンプルで効果的な自己教師あり手法の開発。
• 従来の自己教師ありアプローチの限界、特に再構成ベース手法の下流性能の低さと、複雑なデータ構築を要する対照学習の問題に対処すること。
• ECG信号を時間的および空間的反転によって操作することにより、表現学習のための強力な事前学習タスクとして機能するかを検証すること。
• 下流の臨床的タスク、すなわち心房細動（AF）検出における学習済み表現の有効性を評価すること。
• LRPなどの解釈性手法を用いて、異なるECG部品（例：P波、Rピーク）が予測に寄与する寄与パターンを分析すること。

提案手法

• 本手法は、オリジナル、時間的に反転（水平フリップ）、空間的に反転（垂直フリップ）、および時間的・空間的両方で反転した4種類の信号タイプを構築する。
• 対照的分類ヘッドを訓練し、これらの4種類の信号タイプを識別するようにし、ECG信号の固有の構造を教師信号として用いる。
• モデルは、表現を抽出するエンコーダーと、反転検出タスクを実行する分類ヘッドから構成される。
• クラスタリングと可視化を用いて表現空間を評価し、クラス分離性と特徴の凝集性を評価する。
• 局所的関連性伝播（LRP）を適用し、モデルの注目領域を解釈し、予測に寄与する顕著なECG領域を同定する。
• データ前処理には、ECGを10秒（3000点）のセグメントに分割し、5秒のストライドを適用し、各セグメントを[0,1]に正規化する。

実験結果

リサーチクエスチョン

• RQ1 信号の反転に基づくシンプルな自己教師あり事前学習タスクが、一般化されたECG表現を効果的に学習できるか？
• RQ2 時間的反転検出と空間的反転検出のどちらが、臨床的に意味のあるECG特徴を学習する上で優れているか？
• RQ3 反転検出を用いて学習した表現が、下流の心房細動検出タスクで性能向上をもたらすか？
• RQ4 時間的・空間的反転検出タスクで訓練されたモデルが、どのECG部品（例：P波、Rピーク）に注目するか？
• RQ5 学習済み表現が、AFに特徴的な構造的パターン（例：RR間隔の不規則性、P波欠損）を捉えられるか？

主な発見

• 提案手法であるT-S反転検出法は、心房細動検出において最先端の性能を達成し、複数のベースライン自己教師あり手法を上回った。
• 時間的反転検出は空間的反転検出よりも顕著に優れた下流性能を示し、より優れた判別的ECG特徴を学習できる能力を示した。
• 表現空間の可視化から、時間的反転検出を用いた場合、同じラベル（例：正常またはAF）を持つECGセグメントがより密にクラスタリングされていることがわかった。
• LRPヒートマップから、時間的反転検出で訓練されたモデルはP波やT波など複数のECG部品に注目しているのに対し、空間的反転検出モデルはほとんどRピークに注目していた。
• 結果から、時間的反転検出はAFに特徴的な動的な波形形状とタイミングの不規則性（例：P波欠損、不規則なRR間隔）をよりよく捉えていることが示唆された。
• 本手法は実装が単純で、ラベル付けが不要であり、より複雑な対照学習フレームワークと比較して競争力のある性能を達成した。