[論文レビュー] A Study of Deep Feature Fusion based Methods for Classifying Multi-lead ECG

Bin Chen, Wei Guo+5 more|arXiv (Cornell University)|Aug 6, 2018

ECG Monitoring and Analysis参考文献 14被引用数 3

ひとこと要約

本稿では、複数の心電図リードからの特徴を3つの異なる統合戦略を用いて統合することで、正常および異常な心電図リズムの分類を向上させる、マルチブランチ畳み込み残差ネットワーク（MBCRNet）を提案する。中国循環器疾患データベース（CCDD）を用いた10分割交差検証の評価において、本手法は87.04%の正確性と89.93%の感受性を達成し、マルチリードの同期性と直交性を活用することで、先行手法を上回った。

ABSTRACT

An automatic classification method has been studied to effectively detect and recognize Electrocardiogram (ECG). Based on the synchronizing and orthogonal relationships of multiple leads, we propose a Multi-branch Convolution and Residual Network (MBCRNet) with three kinds of feature fusion methods for automatic detection of normal and abnormal ECG signals. Experiments are conducted on the Chinese Cardiovascular Disease Database (CCDD). Through 10-fold cross-validation, we achieve an average accuracy of 87.04% and a sensitivity of 89.93%, which outperforms previous methods under the same database. It is also shown that the multi-lead feature fusion network can improve the classification accuracy over the network only with the single lead features.

研究の動機と目的

• 複数の心電図リード間の同期性および直交性の関係を活用することで、自動心電図分類を向上させること。
• 単一リードモデルと比較して分類性能を向上させるために、深層特徴統合戦略の有効性を調査すること。
• マルチリード心電図信号処理に特化したマルチブランチ畳み込み残差ネットワーク（MBCRNet）を開発すること。
• 中国循環器疾患データベース（CCDD）上で、厳密な10分割交差検証を用いて提案手法を評価すること。
• マルチリード特徴統合が単一リードベースラインと比較して一貫して分類正確性を向上させることを示すこと。

提案手法

• 各ブランチが独立して1つの心電図リードを処理するマルチブランチ畳み込みニューラルネットワーク（MBCRNet）を設計する。
• 深層アーキテクチャにおける学習の安定化と勾配の流れの改善を図るために、残差学習ブロックを統合する。
• 畳み込み特徴抽出の後続段階で、3つの異なる特徴統合戦略（早期統合、遅延統合、ハイブリッド統合）を適用する。
• 各リードからの時間的特徴抽出のため、1次元畳み込み層に続いてバッチ正規化とReLU活性化関数を適用する。
• 異なる段階で特徴を統合する：早期統合は畳み込みの前、遅延統合は最終特徴を統合し、ハイブリッド統合は中間特徴を統合する。
• 交差エントロピー損失を用いて確率的勾配降下法でモデルを学習し、信頼性の高い評価のため10分割交差検証を適用する。

実験結果

リサーチクエスチョン

• RQ1 マルチリード特徴統合は、単一リードモデルと比較して、どのように心電図分類正確性を向上させるか？
• RQ2 早期統合、遅延統合、ハイブリッド統合のうち、どの特徴統合戦略が正常および異常心電図リズムの分類において最高のパフォーマンスを発揮するか？
• RQ3 マルチブランチ残差ネットワークは、心電図信号におけるリード固有の依存関係およびリード間依存関係を効果的に捉えることができるか？
• RQ4 提案されたMBCRNetは、中国循環器疾患データベース（CCDD）におけるマルチリード心電図分類で最先端のパフォーマンスを達成するか？
• RQ5 適切にモデル化された心電図リード間の同期性および直交性の関係は、分類パフォーマンスの向上にどの程度寄与するか？

主な発見

• 提案されたMBCRNetは、10分割交差検証を用いたCCDDデータセット上で平均87.04%の分類正確性を達成した。
• モデルは89.93%の感受性を示し、異常心電図リズムの検出能力が優れていることを示した。
• 特徴統合戦略は単一リードモデルと比較して顕著に性能向上をもたらし、マルチリード情報統合の価値を確認した。
• ハイブリッド統合戦略は、正確性と頑健性の両面で早期統合および遅延統合を上回った。
• 残差学習コンponentsは、特に深層ネットワーク構成において、学習の安定化と収束の改善に寄与した。
• 結果から、MBCRNetは同じCCDDベンチマークにおいて、先行手法を上回り、新たなパフォーマンスの基準を確立したことが示された。