[論文レビュー] A Wearable ECG Monitor for Deep Learning Based Real-Time Cardiovascular Disease Detection

Peng Wang, Zihuai Lin+5 more|arXiv (Cornell University)|Jan 25, 2022

ECG Monitoring and Analysis被引用数 26

ひとこと要約

論文はウェアラブルの単誘導ECGパッチ（IREALCARE）と半教師ありのConfident-ResNetモデルを提案し、ノイズの多いIoT取得データでリアルタイムのECG分類において平均精度90.2%を達成する。

ABSTRACT

Cardiovascular disease has become one of the most significant threats endangering human life and health. Recently, Electrocardiogram (ECG) monitoring has been transformed into remote cardiac monitoring by Holter surveillance. However, the widely used Holter can bring a great deal of discomfort and inconvenience to the individuals who carry them. We developed a new wireless ECG patch in this work and applied a deep learning framework based on the Convolutional Neural Network (CNN) and Long Short-term Memory (LSTM) models. However, we find that the models using the existing techniques are not able to differentiate two main heartbeat types (Supraventricular premature beat and Atrial fibrillation) in our newly obtained dataset, resulting in low accuracy of 58.0 %. We proposed a semi-supervised method to process the badly labelled data samples with using the confidence-level-based training. The experiment results conclude that the proposed method can approach an average accuracy of 90.2 %, i.e., 5.4 % higher than the accuracy of conventional ECG classification methods.

研究の動機と目的

• 長期モニタリングのための携帯型無線リアルタイム単誘導ECGパッチ（IREALCARE）の開発。
• ノイズがあり不完全にラベル付けされたIoT ECGデータに対し、半教師ありの信頼度レベル訓練方式を適用。
• 深層残差ネットワークを用いて従来のCNN/LSTM手法よりECGリズム分類精度を向上。
• 遠隔心血管疾患検出のためのクラウドベース分析と臨床医アクセスを可能にする。

提案手法

• 13 gの小型単誘導ECGパッチを設計、サンプリング250 Hz、24-bit ADC。
• データ正規化、スライディングウィンドウによるデータ拡張、ウェーブレットベースのノイズ除去(DWT)を含むデータ前処理。
• ECG分類のためのSix残差ブロックを持つResNetベースのバックボーンを採用。
• 不完全なラベルからクリーンデータを選択する信頼度レベルベースの訓練を導入。
• 標準的なCNN/LSTM/AlexNet/VGG16/WBCNN分類器と比較して性能向上を示す。
• 訓練はAAMI EC57にマッピングされた5つのリズムクラス、80/20の訓練/テスト分割、227,680ビートの訓練データを使用。

実験結果

リサーチクエスチョン

• RQ1 実世界の条件下で、ウェアラブル単誘導ECGパッチが深層学習分類に適した長期ECGデータを信頼性高く収集できるか？
• RQ2 信頼度レベルベースの半教師あり訓練がノイズのある不完全ラベルのIoT ECGデータのリズム分類精度を向上させるか？
• RQ3 信頼度ベース訓練を備えたResNetベースモデルは、ECGリズム分類の既存の深層学習モデルとどう比較されるか？
• RQ4 IoT/cloudエコシステムにおける提案システムの実現可能なリアルタイム分類精度と頑健性はどの程度か？

主な発見

• 提案されたConfident-ResNetはテストセットで平均精度90.2%を達成し、CNN、LSTM、AlexNet、VGG16、他のベースラインを3–10ポイント上回った。
• 80%閾値の信頼度レベルベース訓練が最良の検証精度(89.9%)をもたらし、不完全なラベルの効果的な取り扱いを示した。
• 本システムは62人の患者、300 Hzサンプリング、1秒セグメントをAAMI EC57の5リズムクラス(N,V,S,A,Q)にマッピング、訓練データは227,680ビートの大規模セット。
• 離散ウェーブレット変換によるデノイズとスライドウィンドウによるデータ拡張がノイズのあるIoTパッチデータへの対応に寄与。
• 従来のECG分類法と比較して、Confident-ResNet法が実装データセットで精度向上を示した。