[論文レビュー] Classification of 12-Lead ECG Signals with Bi-directional LSTM Network

Ahmed Mostayed, Junye Luo+2 more|arXiv (Cornell University)|Nov 5, 2018

ECG Monitoring and AnalysisMedicine参考文献 14被引用数 17

ひとこと要約

本稿では、心電図（ECG）信号の12 lead分類に用いる双方向LSTM（Bi-LSTM）ネットワークを提案する。中国生理信号コンテストデータセットで訓練されたモデルは、検証セットで平均F1スコア74.15％を達成し、任意長の入力信号を扱えることから、ECG分類における有効な時系列モデリングが可能であることを示している。

ABSTRACT

We propose a recurrent neural network classifier to detect pathologies in 12-lead ECG signals and train and validate the classifier with the Chinese physiological signal challenge dataset (http://www.icbeb.org/Challenge.html). The recurrent neural network consists of two bi-directional LSTM layers and can train on arbitrary-length ECG signals. Our best trained model achieved an average F1 score of 74.15% on the validation set. Keywords: ECG classification, Deep learning, RNN, Bi-directional LSTM, QRS detection.

研究の動機と目的

• 12 lead ECG信号から複数の心疾患を分類できる深層学習モデルの開発を目的とする。
• 入力長が変動するECG信号の課題に対処するため、任意長の入力を処理できる再帰的アーキテクチャを設計することを目的とする。
• 双方向RNNを用いてECG時系列内の時間的依存関係を活用することで、従来手法よりも分類性能を向上させることを目的とする。
• 標準化されたベンチマークデータセットを用いてモデルを検証し、再現性と性能比較を確保することを目的とする。
• 深層学習を用いた自動ECG診断のためのトレーニング可能でエンドツーエンドのソリューションを貢献することを目的とする。

提案手法

• モデルは、ECG信号内の長距離時系列依存関係を捉えるために、2段の双方向LSTM層を採用している。
• 双方向アーキテクチャにより、ネットワークはECG時系列を前向きおよび後向きの両方向で処理でき、文脈認識能力が向上する。
• 手動による特徴抽出を必要とせず、生の12 lead ECG信号上でエンドツーエンドで訓練されている。
• モデルは入力持続時間に応じて長さが可変なECG信号を受け入れられるように設計されており、柔軟性がある。
• 訓練は、ECG分類のための標準化されたベンチマークとしての中国生理信号コンテストデータセットを用いている。
• 損失関数は標準的な誤差逆伝播法（backpropagation through time）により最適化され、多クラス疾患分類のためのソフトマックス出力が用いられている。

実験結果

リサーチクエスチョン

• RQ1 双方向LSTMアーキテクチャは、12 lead ECG信号から複数の心疾患を効果的に分類できるか？
• RQ2 固定長時系列モデルと比較して、本モデルは可変長ECG信号に対してどのように性能を発揮するか？
• RQ3 ECG解析における分類精度に及ぼす双方向時系列モデリングの影響は何か？
• RQ4 本モデルは、中国生理信号コンテストのような標準化されたベンチマークデータセットにおいて、十分に一般化できるか？
• RQ5 F1スコアと頑健性の観点から、ECG信号分類におけるBi-LSTM層の最適な構成は何か？

主な発見

• 提案されたBi-LSTMモデルは、検証セットで平均F1スコア74.15％を達成し、自動ECG分類において優れた性能を示している。
• モデルは任意長のECG信号を効果的に処理でき、記録時間の異なる臨床データに適した柔軟性を備えている。
• 双方向設計により、ECG時系列における過去および未来の文脈を捉えることができ、分類性能が向上した。
• 手作業による特徴抽出を必要とせず、複数の心疾患を効果的に検出する頑健性を示した。
• 結果から、再帰的アーキテクチャを用いた深層学習は、自動ECG解釈の有効なアプローチであると考えられる。
• ベンチマークデータセットにおける本モデルの性能は、今後のECG分類における時系列モデル研究の強固なベースラインを確立している。