[論文レビュー] Combining Support Vector Machine and Elephant Herding Optimization for Cardiac Arrhythmias

Aboul Ella Hassanien, Moataz Kilany+1 more|arXiv (Cornell University)|Jun 20, 2018

ECG Monitoring and Analysis参考文献 16被引用数 7

ひとこと要約

本稿では、ノイズ低減に修正されたパン=トムキンス法を用い、19の心電図特徴量の拡張抽出を行い、ゾウの群れ最適化（EHO）を用いて最適な特徴量選択とSVMのパrameterチューニングを実施するハイブリッドEHO-SVMモデルを提案する。MIT-BIH心室性不整脈データベース上で93.31%の正確性を達成し、先行研究を上回る性能を示した。

ABSTRACT

Many people are currently suffering from heart diseases that can lead to untimely death. The most common heart abnormality is arrhythmia, which is simply irregular beating of the heart. A prediction system for the early intervention and prevention of heart diseases, including cardiovascular diseases (CDVs) and arrhythmia, is important. This paper introduces the classification of electrocardiogram (ECG) heartbeats into normal or abnormal. The approach is based on the combination of swarm optimization algorithms with a modified PannTompkins algorithm (MPTA) and support vector machines (SVMs). The MPTA was implemented to remove ECG noise, followed by the application of the extended features extraction algorithm (EFEA) for ECG feature extraction. Then, elephant herding optimization (EHO) was used to find a subset of ECG features from a larger feature pool that provided better classification performance than that achieved using the whole set. Finally, SVMs were used for classification. The results show that the EHOSVM approach achieved good classification results in terms of five statistical indices: accuracy, 93.31%; sensitivity, 45.49%; precision, 46.45%; F-measure, 45.48%; and specificity, 45.48%. Furthermore, the results demonstrate a clear improvement in accuracy compared to that of other methods when applied to the MITBIH arrhythmia database.

研究の動機と目的

• ハイブリッド最適化と機械学習を用いて、心電図に基づく心疾患不整脈分類の正確性を向上させること。
• 高次元の心電図特徴空間の課題に対処するため、最も識別性の高い特徴量を選択すること。
• 特徴量選択とSVMパrameterチューニングの段階的最適化により、分類性能を向上させること。
• MIT-BIH心室性不整脈データベースからの大規模かつ多様なデータセットを用い、きめ細かな交差検証を実施してモデルを検証すること。
• 臨床意思決定を支援するための信頼性が高く、自動化された異常心拍動の早期検出システムを提供すること。

提案手法

• 心電図信号の前処理とノイズ低減のため、修正されたパン=トムキンス法（MPTA）が適用される。
• QRS複合波、P波、T波から19の形態的および時間的特徴量を抽出する拡張特徴抽出アルゴリズム（EFEA）が使用される。
• ゾウの群れ最適化（EHO）を用いて、分類正確性を最大化する最適な特徴量サブセットを探索する。
• 選択された特徴量上でサポートベクターマシン（SVM）が訓練され、EHOはSVMのペナルティパラメータの最適化も同時に行う。
• 汎用性の高い性能評価を保証するため、3分割交差検証戦略が採用される。
• 段階的最適化を採用：相関する変数の干渉を避けるために、特徴量選択とパラメータチューニングを別々に実施する。

実験結果

リサーチクエスチョン

• RQ1 ゾウの群れ最適化（EHO）は、最適な特徴量サブセットの選択により、心電図心拍分類の正確性を著しく向上させることができるか？
• RQ2 特徴量選択とSVMパラメータチューニングを段階的に最適化することは、同時に最適化する手法を上回る性能を発揮するか？
• RQ3 MIT-BIH心室性不整脈データベースにおいて、EHO-SVMモデルは既存の手法と比較して正確性と頑健性に優れているか？
• RQ4 基本的な特徴量セットと比較して、拡張特徴抽出の使用が分類性能にどの程度向上効果をもたらすか？
• RQ5 提案されたハイブリッドモデルは、リアルタイム臨床応用において高い正確性を維持しながら、計算効率も確保できるか？

主な発見

• EHO-SVMモデルは、MIT-BIH心室性不整脈データベースで93.31%の分類正確性を達成し、先行手法（BFPSO-SVM：76.74%、ヘルミート関数ベース手法：90%）を上回った。
• 感度、適合率、F1スコア、特異度はいずれも約45.48%であり、陽性および陰性クラスの予測においてバランスの取れた性能を示した。
• 収束曲線から、EHOは比較的少ない反復回数で最適正確性に到達しており、高速かつ安定した収束を示した。
• 段階的最適化アプローチにより、特徴量とSVMパラメータの同時チューニングによる性能低下を回避し、一般化性能が向上した。
• 10名の被験者、16種類の不整脈、24,474件の心電図記録をカバーした結果、スケーラビリティと信頼性の両面でモデルの有効性が検証された。
• EHOが心電図分類における特徴量選択に実用的かつ効果的なメタヒューリスティックであることが確認され、PSOやGAベースの手法と比較しても競争力のある代替手段を提供することが示された。