[論文レビュー] Deep learning neural nets for detecting heart activity

J.M. Horvath, Lu Shien+4 more|arXiv (Cornell University)|Jan 16, 2019

ECG Monitoring and Analysis参考文献 8被引用数 4

ひとこと要約

本研究では、心膜表面電位（HSP）を体表面電位（BSP）測定値から再構築するため、フィードフォワードおよびタイムディレイドニューラルネットワークを用いた深層学習アプローチを提案している。心電図の不適切な逆問題に対処するため、メタヒューリスティック手法を用いて最適なBSP電極の組み合わせを同定し、108個のHSPのうち80個について0.8以上の相関を達成した。これは非侵襲的心疾患診断の実用的妥当性を示している。

ABSTRACT

The prediction of heart surface potentials using measurements from the body's surface is known as the inverse problem of electrocardiography. It is an ill-posed problem due to the multiple factors that affect the heart signal as it propagates through the body. This report details research performed into a machine learning solution to signal reconstruction as well as an analysis of optimal torso electrode positioning for prediction involving different areas of the heart. The dataset contains simultaneous measurements from a large number of body surface potential (BSP) and heart surface potential (HSP) electrodes, as well as their geometric locations, recorded from an experiment using a human model. Initially, Time Delayed Neural Nets were trained and tested across all BSP to HSP relationships resulting in a slight trend of increased reconstruction correlation with decreased separation of electrodes. However, the TDNNs had overfitted to the data and failed to predict alternate heartbeat pacings. Feed Forward Neural Nets (FFNNs) were tested in a many BSP to many HSP prediction method. Again overfitting occurred. To reduce overfitting, the number of training signals was reduced by analysing the optimal training BSPs for each HSP when using basic perceptrons. This analysis involved repeat sampling and ranking of different BSP combinations, initially, using a Monte Carlo approximation, until being replaced with a meta-heuristic which increased the yield of successful BSP combinations. Successful reconstructions across heartbeat pacings were produced using these optimal BSP combinations for 80 of the 108 HSPs, and future work exists for the testing of this method of prediction using real patient data.

研究の動機と目的

• 体表面電位（BSP）測定値から心膜表面電位（HSP）を再構築することで、心電図の不適切な逆問題に対処すること。
• 特にBSPとHSP間の空間的局所性に注目し、電極配置が再構築精度に与える影響を調査すること。
• トレーニングに使用するBSP電極の最適なサブセットを選択することで、ニューラルネットワークモデルの過学習を低減すること。
• 異なる心拍数における一般化性を向上させるために、高収益性のBSP組み合わせを同定するメタヒューリスティック手法を開発すること。
• ヒューマンモデルデータセットを用いてアプローチを検証し、将来的な実患者データへの適用に備えること。

提案手法

• BSPをHSPにマッピングするため、フィードフォワードニューラルネットワーク（FFNN）およびタイムディレイドニューラルネットワーク（TDNN）を訓練し、Levenberg法を用いて平均二乗誤差を最小化した。
• シグモイド活性化関数を適用し、交差検証を用いてTDNNの隠れ層のニューロン数および遅延ウィンドウサイズ（0–20）を最適化した。
• モンテカルロ近似を実施した後、メタヒューリスティックアルゴリズムを用いて各HSPのための最適なBSP組み合わせをランク付け・選択した。
• CTスキャンデータと患者固有の体幹寸法を用いて、体幹上の2次元電極位置を3次元解剖学的座標に変換する幾何的プロジェクションマッピングを実装した。
• プロジェクション処理を逆方向に実行し、最適なHSP再構築が得られるように、患者の体幹に実際の電極配置を推奨する処理を実施した。
• 幾何的および信号ベースの手法による正規化を実施し、解剖的変異にわたるモデルの頑健性を向上させた。

実験結果

リサーチクエスチョン

• RQ1 体表面電極と心膜表面電位の間の空間的局所性が、心電図の逆問題における再構築精度を向上させるか？
• RQ2 メタヒューリスティックアプローチにより、過学習を低減し、異なる心拍数にわたる一般化性を向上させる最適な体表面電極サブセットを効果的に同定できるか？
• RQ3 最適化された電極セットで訓練された場合、深層ニューラルネットワークがBSPデータからHSP信号をどれほど高い相関で再構築できるか、特にその限界は何か？
• RQ4 前胸部、後胸部、側胸部などの異なる電極配置（例：前胸部、後胸部、側胸部）は、特定のHSPを再構築する能力においてどのように比較されるか？
• RQ5 同定された最適な電極組み合わせは、実患者データを用いた臨床現場で実際に応用可能か？

主な発見

• BSPとHSPの間の空間的局所性が再構築相関を顕著に向上させ、近接した電極がより良好な結果をもたらした。
• 最適なBSP組み合わせを同定するメタヒューリスティック手法を用いることで、過学習が低減され、異なる心拍数におけるHSP信号の再構築に成功した。
• 108個のHSPのうち80個について、最適化されたBSP組み合わせを用いて再構築相関が0.8以上に達成された。
• 最適な電極組み合わせは2〜24電極の範囲にあり、標準的な12 lead ECGと比較して臨床的に実用的であった。
• 心拍数の変動に対しても信号再構築が成功しており、心拍ごとの変化に対して頑健であることが示された。
• 幾何的プロジェクションおよび正規化技術により、患者固有の体幹構造に応じた電極推奨配置の実用的翻訳が可能になった。