[論文レビュー] Data Augmentation for Electrocardiogram Classification with Deep Neural Network

Naoki Nonaka, Jun Seita|arXiv (Cornell University)|Sep 5, 2020

ECG Monitoring and AnalysisMedicine参考文献 20被引用数 21

ひとこと要約

本稿では、単 lead ECG における深層ニューラルネットワーク（DNN）分類の性能向上を目的としたデータオーグメンテーションフレームワーク、ECG Augment を提案する。特に心房細動の検出を対象とし、スケーリング、フリップ、ノイズ注入、フィルタリングなど多様な信号変換をランダムに組み合わせることで、DNNアーキテクチャを変更せずに訓練データの多様性を向上させる。CinC/Challenge 2017 データセットにおいて、ベースライン比でF1スコアが3.17%絶対値で向上した。

ABSTRACT

Electrocardiogram (ECG) is the most crucial monitoring modality to diagnose cardiovascular events. Precise and automatic detection of abnormal ECG patterns is beneficial to both physicians and patients. In the automatic detection of abnormal ECG patterns, deep neural networks (DNNs) have shown significant achievements. However, DNNs require large amount of labeled data, which are often expensive to obtain. On the other hand, recent research have shown by randomly combining data augmentations can improve image classification accuracy. Thus, in this work we explore data augmentation suitable for ECG data and propose ECG Augment. We show by introducing ECG Augment, we can improve classification of atrial fibrillation with single lead ECG data, without changing an architecture of DNN.

研究の動機と目的

• 自動心律不整脈検出のための深層ニューラルネットワークを学習する際のラベル付き ECG データの不足に取り組むこと。
• ECG 信号の特性に適合したデータオーグメンテーション戦略を開発し、モデルの汎化性能とロバスト性を向上させること。
• 信号レベルのオーグメンテーションのランダムな組み合わせが、DNN のアーキテクチャを変更せずに単 lead ECG の分類性能を向上させることを評価すること。
• 実世界の ECG ベンチマークデータセットにおける ECG 特化型オーグメンテーション技術の有効性を示すこと。

提案手法

• 訓練中に 13 種類の信号レベル変換のランダムな組み合わせを適用する、ECG Augment と呼ばれるデータオーグメンテーションフレームワークを提案する。
• 信号スケーリング、フリップ、ランダムエラージャー、カットアウト、シフト、および正弦波、方形パulses、白色ノイズをランダムな区間に注入する変換を適用する。
• 有限インパルス応答（FIR）フィルタを用いてローパスおよびハイパスフィルタリングを実装し、信号劣化やノイズを模擬する。
• 2 つのハイパーパラメータを導入する：各オーグメンテーションの強度を制御する「マグニチュード（M）」と、1 サンプルあたりに適用するオーグメンテーション数（N）。
• バッチ正則化、ReLU 活性化関数、ドロップアウトを備えた残差畳み込みニューラルネットワーク（CNN）を用いて ECG シーケンス分類を行う。
• 生の ECG 信号を 50 Hz に再サンプリングし、シーケンス長を揃えるためにゼロパディングを実施（3050 ポイント）、アマプリチュードを ±5 mV に正規化する。

実験結果

リサーチクエスチョン

• RQ1 信号オーグメンテーション技法のランダムな組み合わせが、単 lead ECG 分類における DNN の性能向上に寄与するか？
• RQ2 どの特定の信号レベルオーグメンテーションが ECG 分類のロバスト性向上に最も効果的か？
• RQ3 ECG Augment は DNN のアーキテクチャを変更せずに、ベースラインを上回る分類性能を実現するか？
• RQ4 オーグメンテーション強度（M）やオーグメンテーション数（N）といったハイパーパラメータがモデル性能に与える影響はいかなるものか？

主な発見

• M=12 および N=5 を用いた場合、3 クラス（正常、心房細動、その他リズム）の平均 F1 スコアがベースライン比で 3.17% 明著に向上した。
• 最も優れた設定（M=12, N=5）では F1 スコアが 0.8427 を達成し、ベースラインの 0.8168 を上回った。
• 中程度のオーグメンテーション強度（M=4）を用い、5 回のオーグメンテーションを適用しても 2.13% の向上が得られ、設定にかかわらず一貫した向上が確認された。
• 高い強度（M=20）を用い、5 回のオーグメンテーションを適用した場合、性能が低下した。これは極端な設定で過学習や不安定性が生じた可能性を示唆している。
• M=4, 12, 20 と N=1 から 5 のすべての組み合わせについて、ベースラインを上回る一貫した向上が確認され、本手法のロバスト性が裏付けられた。
• 結果から、ECG Augment はデータの多様性を効果的に増加させ、特に単 lead ECG における心房細動検出の分野でモデルの汎化性能を向上させることに成功した。