[論文レビュー] Atrial Fibrillation Detection Using Deep Features and Convolutional Networks

Sara Ross-Howe, Hamid R. Tizhoosh|arXiv (Cornell University)|Mar 28, 2019

ECG Monitoring and Analysis参考文献 12被引用数 7

ひとこと要約

本論文では、短時間フーリエ変換（STFT）から得られるスペクトログラムを用いて心電図（ECG）信号における心房細動（AFib）を検出するためのディープラーニング手法を提案する。2つの手法—DenseNetを用いた特徴抽出後にSVMによる分類を行う方法、およびスペクトログラムを直接入力とするエンドツーエンドの畳み込みニューラルネットワーク（CNN）分類手法—を評価し、ノイズフィルタリング、手作業による特徴設計、および心拍検出を一切行わずにMIT-BIH AFibデータセットで93.16%の精度を達成した。

ABSTRACT

Atrial fibrillation is a cardiac arrhythmia that affects an estimated 33.5 million people globally and is the potential cause of 1 in 3 strokes in people over the age of 60. Detection and diagnosis of atrial fibrillation (AFIB) is done noninvasively in the clinical environment through the evaluation of electrocardiograms (ECGs). Early research into automated methods for the detection of AFIB in ECG signals focused on traditional bio-medical signal analysis to extract important features for use in statistical classification models. Artificial intelligence models have more recently been used that employ convolutional and/or recurrent network architectures. In this work, significant time and frequency domain characteristics of the ECG signal are extracted by applying the short-time Fourier trans-form and then visually representing the information in a spectrogram. Two different classification approaches were investigated that utilized deep features in the spectrograms construct-ed from ECG segments. The first approach used a pretrained DenseNet model to extract features that were then classified using Support Vector Machines, and the second approach used the spectrograms as direct input into a convolutional network. Both approaches were evaluated against the MIT-BIH AFIB dataset, where the convolutional network approach achieved a classification accuracy of 93.16%. While these results do not surpass established automated atrial fibrillation detection methods, they are promising and warrant further investigation given they did not require any noise prefiltering, hand-crafted features, nor a reliance on beat detection.

研究の動機と目的

• 手動によるECG特徴工学に依存しない自動心房細動検出システムの開発を目的とする。
• ECG信号を用いた心房細動分類に、スペクトログラムベースのディープラーニングの有効性を評価することを目的とする。
• 2つのディープラーニングパイプライン—転移学習を用いたDenseNetと、エンドツーエンドのCNNを用いたパイプライン—の比較を目的とする。
• ノイズフィルタリングやRピーク検出といった前処理手順を施さずに、標準的なMIT-BIH AFibデータセットにおける性能を評価することを目的とする。
• 生のスペクトログラムが心律不整脈検出のためのディープラーニングモデルの入力として有効であるかどうかを検討することを目的とする。

提案手法

• ECG信号は、時間周波数特性を捉えるために短時間フーリエ変換（STFT）を用いてスペクトログラムに変換された。
• 最初の手法では、事前学習済みのDenseNet-121モデルを用いてスペクトログラムから深層特徴を抽出し、その後SVMによる分類を実施した。
• 2番目の手法では、スペクトログラムを直接畳み込みニューラルネットワーク（CNN）に供給し、エンドツーエンドの分類を実行した。
• 両モデルとも、心律不整脈検出の標準ベンチマークであるMIT-BIH AFibデータセット上で訓練および評価された。
• CNNアプローチでは、標準的な畳み込み層、バッチ正則化、ReLU活性化関数を用いて特徴学習を実施した。
• モデルの訓練には交差エントロピー損失とAdam最適化手法を用い、過学習を防ぐために早期停止を適用した。

実験結果

リサーチクエスチョン

• RQ1 手作業による特徴設計を伴わず、ECG信号のスペクトログラム表現がAFib関連のパターンを効果的に捉えられるか？
• RQ2 スペクトログラム入力における、転移学習ベースのアプローチ（DenseNet + SVM）とエンドツーエンドのCNNの性能は、どのように比較されるか？
• RQ3 ディープラーニングモデルは、Rピーク検出やノイズ事前フィルタリングを必要としない状況でも、どの程度高い精度を達成できるか？
• RQ4 生のスペクトログラムを入力として用いることで、ECGベースの心律不整脈分類における複雑な前処理手順の必要性が排除されるか？
• RQ5 MIT-BIH AFibデータセットにおいて、スペクトログラムを用いたCNNベースのアプローチの性能上限はどの程度か？

主な発見

• エンドツーエンドの畳み込みニューラルネットワークは、MIT-BIH AFibデータセットで93.16%の分類精度を達成した。
• CNNベースの手法がDenseNet + SVMアプローチを上回り、スペクトログラムの直接的学習の有効性を示した。
• 提案手法では、ノイズ事前フィルタリング、手作業による特徴設計、Rピーク検出を一切不要としなかったため、パイプラインが簡素化された。
• 結果から、STFTから得られるスペクトログラムに、ディープラーニングを用いたAFib検出に十分な識別的情報が含まれていることが示された。
• 最先端の手法を上回らないものの、アーキテクチャの最適化によりさらなる向上が期待できるため、性能は有望である。
• 心拍検出や前処理手順の欠如は、実世界への導入に向けた耐障害性と実用性を強調している。