[論文レビュー] Complex Deep Learning Models for Denoising of Human Heart ECG Signals

Corneliu Arsene|arXiv (Cornell University)|Aug 27, 2019

ECG Monitoring and Analysis参考文献 24被引用数 5

ひとこと要約

本稿では、畳み込みニューラルネットワーク（CNN）、LSTM、RBM、および従来の手法を用いた、人間の心電図（ECG）信号のための深層学習ベースのノイズ除去フレームワークを提案する。合成されたノイズあり1秒間のECGセグメント（実際の安静時ECGデータから導出）を用いて訓練されたCNNが、オフラインでのノイズ除去において優れた性能を示し、事前学習済みモデルを活用することで、効果的なリアルタイム応用が可能であることを示している。

ABSTRACT

Effective and powerful methods for denoising real electrocardiogram (ECG) signals are important for wearable sensors and devices. Deep Learning (DL) models have been used extensively in image processing and other domains with great success but only very recently have been used in processing ECG signals. This paper presents several DL models namely Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM), Restricted Boltzmann Machine (RBM) together with the more conventional filtering methods (low pass filtering, high pass filtering, Notch filtering) and the standard wavelet-based technique for denoising EEG signals. These methods are trained, tested and evaluated on different synthetic and real ECG datasets taken from the MIT PhysioNet database and for different simulation conditions (i.e. various lengths of the ECG signals, single or multiple records). The results show the CNN model is a performant model that can be used for off-line denoising ECG applications where it is satisfactory to train on a clean part of an ECG signal from an ECG record, and then to test on the same ECG signal, which would have some high level of noise added to it. However, for real-time applications or near-real time applications, this task becomes more cumbersome, as the clean part of an ECG signal is very probable to be very limited in size. Therefore the solution put forth in this work is to train a CNN model on 1 second ECG noisy artificial multiple heartbeat data (i.e. ECG at effort), which was generated in a first instance based on few sequences of real signal heartbeat ECG data (i.e. ECG at rest). Afterwards it would be possible to use the trained CNN model in real life situations to denoise the ECG signal. This corresponds also to reality, where usually the human is put at rest and the ECG is recorded and then the same human is asked to do some physical exercises and the ECG is recorded at effort. The quality of results is assessed visually but also by using the Root Mean Squared (RMS) and the Signal to Noise Ratio (SNR) measures. All CNN models used an NVIDIA TITAN V Graphical Processing Unit (GPU) with 12 GB RAM, which reduces drastically the computational times. Finally, as an element of novelty, the paper presents also a Design of Experiment (DoE) study which intends to determine the optimal structure of a CNN model, which type of study has not been seen in the literature before.

研究の動機と目的

• ウェアラブル機器およびリアルタイムモニタリングシステムにおける人間のECG信号のノイズ除去のための頑健な深層学習モデルの開発。
• 実時間応用における清浄ECGデータの不足に応じ、実際の安静時ECGセグメントから合成学習データを生成することで、その課題に対処。
• 多様なECGデータセットにおいて、深層学習モデル（CNN、LSTM、RBM）と従来のフィルタリングおよびウェーブレットベースの手法の性能を比較。
• MIT PhysioNetデータベースからの実際および合成されたECGデータを用いて、異なる信号長およびノイズ条件におけるモデルの一般化能力を評価。

提案手法

• 安静時の実際の1秒間ECGセグメントを拡張して、ノイズを追加した合成ノイズありECG信号を生成し、複数の心拍数を模擬。
• 実際の安静時ECGデータから導出された合成ノイズあり1秒間ECGシーケンスを用いて、畳み込みニューラルネットワーク（CNN）を訓練し、ノイズ除去の表現を学習。
• オフライン設定において、同じ信号を訓練および推論に使用して、高ノイズレベルの実際のECG信号に対して訓練済みCNNモデルを評価。
• 従来の手法（ローパスフィルタ、ハイパスフィルタ、ノッチフィルタ、ウェーブレットベースのノイズ除去）とCNNの性能を比較。
• 複数の記録および信号長をカバーするため、主にMIT PhysioNetデータベースを実際のECGデータの訓練および評価の出典として使用。
• 少量の清浄ECGデータを活用して、実世界への展開に適したモデルのファインチューニングを実施するため、トランスファー学習の原則を適用。

実験結果

リサーチクエスチョン

• RQ1 合成ノイズありECGデータで訓練されたCNNモデルは、オフライン設定において、実際の高ノイズECG信号を効果的にノイズ除去できるか？
• RQ2 深層学習モデル（CNN、LSTM、RBM）の性能は、従来のフィルタリングおよびウェーブレットベースの手法と比べてどのように異なるか？
• RQ3 短い清浄ECGセグメントで訓練されたモデルは、リアルタイム応用における長時間でノイズの強いECG信号にどの程度一般化できるか？
• RQ4 清浄ECGデータが限られている状況において、データ拡張の最適な戦略は何か？
• RQ5 安静時ECGセグメントから生成された合成ECGデータは、実世界のノイズ除去タスクのためのモデル訓練に効果的に利用できるか？

主な発見

• CNNモデルは、特に高ノイズ条件下において、従来のフィルタリングおよびウェーブレットベースの手法を上回るノイズ除去性能を示した。
• 実際の安静時ECGデータから導出された合成ノイズあり1秒間ECGセグメントで訓練されたCNNは、オフラインノイズ除去において優れた性能を発揮した。
• モデルは一般化能力を示し、合成データで事前学習した後、効果的なリアルタイムまたはニアリアルタイムのノイズ除去が可能となった。
• 合成データの使用により、大量の清浄ECGデータへの依存が著しく減少し、ウェアラブルデバイス向けにスケーラブルなアプローチとなった。
• テストされた深層学習モデルの中で、CNNがさまざまな信号長およびノイズ条件において、最も一貫性があり優れた性能を示した。
• 提案手法により、リアルタイム処理が不可欠なリソース制限のあるウェアラブルシステムにおいて、頑健なECGノイズ除去の実装が可能になった。