[論文レビュー] Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM

Jiacheng Wang, Weiheng Li|arXiv (Cornell University)|Nov 12, 2020

ECG Monitoring and Analysis参考文献 11被引用数 13

ひとこと要約

本稿では、正常および他の不整脈タイプにおける心房細動（aFib）を検出するための、自動化されたECG分類を目的としたCNN-BiLSTMカスケードモデルを提案する。1次元-CNNを用いて時間的特徴を抽出した後、双方向LSTMを適用することで、長期的な依存関係を捉える。モデルは、単体のBiLSTMやCNNオンリーモデルを上回り、MIT-BIH不整脈データセット上で重み付きF1スコア0.82を達成し、高い特異性（0.978）を示した。

ABSTRACT

It is challenging to visually detect heart disease from the electrocardiographic (ECG) signals. Implementing an automated ECG signal detection system can help diagnosis arrhythmia in order to improve the accuracy of diagnosis. In this paper, we proposed, implemented, and compared an automated system using two different frameworks of the combination of convolutional neural network (CNN) and long-short term memory (LSTM) for classifying normal sinus signals, atrial fibrillation, and other noisy signals. The dataset we used is from the MIT-BIT Arrhythmia Physionet. Our approach demonstrated that the cascade of two deep learning network has higher performance than the concatenation of them, achieving a weighted f1 score of 0.82. The experimental results have successfully validated that the cascade of CNN and LSTM can achieve satisfactory performance on discriminating ECG signals.

研究の動機と目的

• ECG信号を正常、心房細動（aFib）、その他の不整脈タイプに分類する自動化されたディープラーニングシステムの開発を目的とする。
• 手作業による特徴抽出や従来の信号処理の限界を克服し、ECG分類にエンドツーエンドのディープラーニングを活用することを目的とする。
• CNNとBiLSTMの異なる統合アーキテクチャ（カスケード対連結）を比較し、不整脈検出における最適なパフォーマンスを達成することを目的とする。
• 診断の正確性と特異性を向上させ、特にノイズが多いまたは変動のあるECG信号からのaFib検出において臨床的意義を持つこと。
• 今後の研究において、合成ECG信号作成のためのシーケンス・ツー・シーケンス生成の可能性を検討すること。

提案手法

• モデルは、Rピークを中心とする固定長のECGセグメント（4 R-Rインターバル）から、1次元-CNNを用いて空間的および局所的な時間的特徴を抽出する。
• CNNの出力を双方向LSTM（BiLSTM）ネットワークに供給し、ECG信号内の長距離依存関係と順序的ダイナミクスをモデル化する。
• カスケードアーキテクチャ（CNNの次にBiLSTM）を、連結型統合（CNN + BiLSTM）と比較し、特徴統合戦略の有効性を評価する。
• マルチクラス分類（正常、aFib、その他の不整脈）に、ソフトマックス活性化関数を用いた全結合層を用いる。
• モデルは、バッチサイズ2048、ベース学習率0.001で、50エポックにわたりAdam最適化手法を用いて訓練され、70％を訓練用、30％を検証用に分割する。
• クラスの不均衡に対処するため、F1スコアと特異度を評価指標とし、誤分類のパターンを分析するために混同行列を用いる。

実験結果

リサーチクエスチョン

• RQ1 CNNとBiLSTMのカスケードアーキテクチャは、連結型統合または単体のBiLSTMよりもECG信号分類において優れた性能を示すか？
• RQ2 エンドツーエンドのディープラーニングモデルは、手作業による特徴抽出を一切行わず、生のECG信号から心房細動を心臓専門医レベルの性能で検出できるか？
• RQ3 多様で変動の大きいリズムを含む「その他の不整脈」クラスでは、モデルの性能はいかがであるか？
• RQ4 データ前処理およびセグメンテーション（Rピークの同期）が、モデルの汎化性能および性能に与える影響は何か？
• RQ5 提案されたモデルは、個々の被験者のばらつきに対しても一般化可能であり、臨床診断において高い特異性を維持できるか？

主な発見

• CNN-BiLSTMカスケードモデル（スキームB）が、最高のF1スコア0.82を達成し、単体のBiLSTMおよびCNN-連結-BiLSTMモデルを顕著に上回った。
• 最高性能を示したモデル（スキームB）の特異度は0.978に達し、真陰性の分類が強く、臨床的信頼性にとって重要であることを示した。
• 手作業による特徴抽出やCNNオンリーモデルに基づく先行手法（最高で70％のF1スコア）に比べ、本モデルは優れた性能を示した。
• 「正常」クラスは、サンプル間で一貫した形態的パターンがあるため、最も正確に分類されたが、「その他の不整脈」クラスはクラス内ばらつきが大きいため、誤分類率が最も高かった。
• 混同行列の分析から、スキームBはスキームAよりも正常とaFib信号の区別が優れており、カスケード設計の有効性を裏付けた。
• 本モデルは、生のECG信号からの特徴学習に優れており、手作業による特徴工学の依存度を低減し、移行性と正確性の向上を実現した。