[論文レビュー] Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks

Bartosz Grabowski, Przemysław Głomb+5 more|arXiv (Cornell University)|Oct 25, 2022

ECG Monitoring and Analysis被引用数 6

ひとこと要約

本稿では、MIT-BIH Arrhythmiaデータベースを用いて、心電図信号の分類と自己教師あり回帰を統合的に処理する統一された深層畳み込みニューラルネットワーク（CNetおよびRCNet）を提案する。ラベルなしデータに対する自己教師あり回帰による事前学習を経て、分類タスクのファインチューニングを行うことで、87.78%の全体精度と80.54%のバランス精度を達成し、ラベル付きデータが限られた状況下でも不均衡な心電図データに対して優れた性能を示した。

ABSTRACT

Interpretation of electrocardiography (ECG) signals is required for diagnosing cardiac arrhythmia. Recently, machine learning techniques have been applied for automated computer-aided diagnosis. Machine learning tasks can be divided into regression and classification. Regression can be used for noise and artifacts removal as well as resolve issues of missing data from low sampling frequency. Classification task concerns the prediction of output diagnostic classes according to expert-labeled input classes. In this work, we propose a deep neural network model capable of solving regression and classification tasks. Moreover, we combined the two approaches, using unlabeled and labeled data, to train the model. We tested the model on the MIT-BIH Arrhythmia database. Our method showed high effectiveness in detecting cardiac arrhythmia based on modified Lead II ECG records, as well as achieved high quality of ECG signal approximation. For the former, our method attained overall accuracy of 87:33% and balanced accuracy of 80:54%, on par with reference approaches. For the latter, application of self-supervised learning allowed for training without the need for expert labels. The regression model yielded satisfactory performance with fairly accurate prediction of QRS complexes. Transferring knowledge from regression to the classification task, our method attained higher overall accuracy of 87:78%.

研究の動機と目的

• 心電図信号分類と自己教師あり回帰タスクを同時に処理できる深層学習モデルの開発を目的とする。
• 自己教師あり事前学習を活用して、不均衡な心電図データセットにおける不整脈検出性能を向上させることを目的とする。
• 回帰から分類への知識の転送が、心電図信号解析における全体の精度に与える影響を評価することを目的とする。
• ラベルなしデータを用いた事前学習により、高価な専門家ラベル付き心電図データへの依存度を低減することを目的とする。
• 同一のニューラルネットワークアーキテクチャを用いて回帰と分類の両タスクを共同で学習する効果を評価することを目的とする。

提案手法

• 回帰と分類の両タスクに同じ1D-CNNアーキテクチャを適用し、共有エンコーダ層とタスク固有のヘッドを備える。
• 自己教師あり回帰は、生の心電図信号に対してマスクされた自己符号化を用い、モデルがマスクされた波形セグメントを予測する。
• 事前学習された回帰モデルを、MIT-BIH Arrhythmiaデータベースのラベル付き心電図ビートデータを用いて分類タスクにファインチューニングする。
• エンドツーエンドのマルチタスク目的関数を用いて学習を行うが、訓練は逐次的に行われる：まず回帰、次に分類。
• 多様な心電図ビートパターンにおけるロバスト性と一般化性能を向上させるために、データ拡張と正規化を適用する。
• 時間的畳み込みを用いてR波ピークとQRS複合波のダイナミクスを捉えるために、修正されたリードII心電図信号表現を採用する。

実験結果

リサーチクエスチョン

• RQ1 同一の深層ニューラルネットワークアーキテクチャが、心電図信号の回帰と不整脈分類の両方を効果的に処理できるか？
• RQ2 ラベルなし心電図データに対する自己教師あり事前学習が、不均衡なデータセットにおける下流の分類性能を向上させるか？
• RQ3 回帰から分類への知識転送が、心電図解析における全体精度とバランス精度に与える影響はいかほどか？
• RQ4 本手法の既存の最先端モデルと比較しての、心電図分類および信号近似性能は？
• RQ5 限られた訓練サンプルしか存在しないレアな不整脈クラスに対し、モデルの一般化性能はどの程度か？

主な発見

• 提案されたCNetモデルは、不整脈分類において87.33%の全体精度と80.54%のバランス精度を達成し、SVMを上回り、一部の指標で1D-CNNと同等の性能を示した。
• 自己教師あり回帰による事前学習を用いたRCNetモデルは、87.78%の全体精度を達成し、分類タスクへの有効な知識転送を示した。
• 80.54%のバランス精度は、希少な不整脈クラスにおいても優れた性能を示しており、不均衡データセットにおける臨床的応用性に不可欠である。
• 自己教師あり回帰タスクは高品質なQRS複合波予測を達成し、専門家のアノテーションなしで正確な心電図信号近似が可能となった。
• 24回の訓練実行においてモデルの性能は安定しており、精度およびカッパ係数の標準偏差が低く、ロバスト性が確認された。
• 混同行列から、主要クラス（例：クラス1：774/774が正しく予測）では高い真陽性率が観察された一方、稀なクラス（例：1つのサンプルしかないクラス16）に対してもテストセットで正しく識別された。