[論文レビュー] Abnormal Heartbeat Detection Using Recurrent Neural Networks

Siddique Latif, Muhammad Usman+2 more|arXiv (Cornell University)|Jan 25, 2018

Phonocardiography and Auscultation Techniques参考文献 12被引用数 7

ひとこと要約

本論文では、連続的な心電図または心音図のデータを処理する能力を活かして、再帰的ニューラルネットワーク（RNN）を用いた自動心音聴診による異常な心拍の検出を提案している。RNNの時間的パターン認識の強みを活かし、2.37%という最先端のテスト誤差を達成しており、異常な心拍の検出におけるRNNの有効性を示している。

ABSTRACT

The observation and management of cardiac features (using automated cardiac auscultation) is of significant interest to the healthcare community. In this work, we propose for the first time the use of recurrent neural networks (RNNs) for automated cardiac auscultation and detection of abnormal heartbeat detection. The application of RNNs for this task is compelling since RNNs represent the deep learning technique most adept at dealing with sequential or temporal data. We explore the use of various RNNs models and show through our experimental results that RNN delivers the best-recorded score with only 2.37\% error on the test set for automated cardiac auscultation task.

研究の動機と目的

• 臨床現場における機械学習を用いた異常な心拍の自動検出の課題に対処すること。
• 再帰的ニューラルネットワーク（RNN）が連続的な心音データの処理に適しているかを検討すること。
• RNNアーキテクチャのさまざまな種類の性能を評価・比較し、心音聴診タスクにおける性能を検証すること。
• 最小の誤差率を達成する深層学習のベンチマークを、自動心音分析分野に確立すること。

提案手法

• 本研究では、時系列データのモデリングに特化した再帰的ニューラルネットワーク（RNN）を用い、心音信号内の時間的パターンを分析する。
• 長短期記憶（LSTM）やゲート付き再帰ユニット（GRU）を含む、さまざまなRNNアーキテクチャを検討し、シーケンス学習の最適化を図る。
• 入力データは、RNNの学習に適した形式に処理された時系列の心音記録から構成される。
• 教師あり学習を用いて、正常なリズムと異常なリズムを分類する目的で、ラベル付きの心拍データセット上でモデルを学習させる。
• RNNは、微細な異常パターンを検出するために不可欠な、心音図信号内の長期依存関係を学習するように設計されている。
• 性能評価には標準的な分類指標が用いられ、主な性能指標としてテスト誤差が使用された。

実験結果

リサーチクエスチョン

• RQ1 RNNは、異常な心拍の検出を目的とした心音信号内の時間的依存関係を効果的にモデル化できるか？
• RQ2 自動心音聴診タスクにおいて、異なるRNNアーキテクチャの性能はどのように比較されるか？
• RQ3 連続的なデータを用いたRNNベースの異常な心拍検出で、達成可能な最小誤差率は何か？
• RQ4 この心電信号分類タスクにおいて、RNNベースの学習は従来の機械学習手法を上回る性能を示すか？

主な発見

• RNNベースのモデルは、評価されたすべてのモデルの中で最小のテスト誤差率2.37%を達成しており、異常な心拍の検出において高い正確性を示している。
• RNNは、心音シーケンス内の長期的時間的依存関係を捉える能力のおかげで、他のモデルよりも優れた性能を示している。
• 最も優れた性能を示したRNNアーキテクチャは、ベースラインモデルを著しく上回り、RNNが連続的で心臓音信号の分析に適していることを確認した。
• 深層学習によるRNNの学習は、自動心音聴診の分野において実用的で効果的なアプローチであると検証された。
• 2.37%という誤差率は、論文発表当時、このタスクにおける最先端の結果を示しており、臨床応用におけるこの手法の可能性を強調している。