[論文レビュー] Deep Recurrent Neural Networks for ECG Signal Denoising

Karol Antczak|arXiv (Cornell University)|Jul 30, 2018

ECG Monitoring and Analysis参考文献 31被引用数 81

ひとこと要約

この論文は、合成データを用いて事前学習し、実データでファインチューニングした深層リカレントデノイズニングニューラルネットワークをECG信号に適用し、重度のノイズ下で参照法を上回ることを示しています。

ABSTRACT

Electrocardiographic signal is a subject to multiple noises, caused by various factors. It is therefore a standard practice to denoise such signal before further analysis. With advances of new branch of machine learning, called deep learning, new methods are available that promises state-of-the-art performance for this task. We present a novel approach to denoise electrocardiographic signals with deep recurrent denoising neural networks. We utilize a transfer learning technique by pretraining the network using synthetic data, generated by a dynamic ECG model, and fine-tuning it with a real data. We also investigate the impact of the synthetic training data on the network performance on real signals. The proposed method was tested on a real dataset with varying amount of noise. The results indicate that four-layer deep recurrent neural network can outperform reference methods for heavily noised signal. Moreover, networks pretrained with synthetic data seem to have better results than network trained with real data only. We show that it is possible to create state-of-the art denoising neural network that, pretrained on artificial data, can perform exceptionally well on real ECG signals after proper fine-tuning.

研究の動機と目的

• さまざまなノイズにより劣化したECG信号の効果的なデノイズ化の必要性を動機づける。
• 4層の深層リカレントデノイジングニューラルネットワークアーキテクチャを提案する。
• 合成ECGデータでの事前学習と実データでのファインチューニングによる転移学習を調査する。
• 実際のノイズを含むECGデータ上で本手法を評価し、参照法と比較する。

提案手法

• ECG信号のデノイズに4層の深層リカレントニューラルネットワークを用いる。
• 動的ECGモデルによって生成された合成データでネットワークを事前学習する。
• 事前学習済みネットワークを実ECGデータでファインチューニングする。
• 実信号に対する性能への合成データ事前学習の影響を評価する。
• 特に重度ノイズ信号に対して、デノイズ性能を参照法と比較する。

実験結果

リサーチクエスチョン

• RQ1 深層リカレントデノイジングネットワークは、重度にノイズのあるECG信号で参照法を上回ることができるか？
• RQ2 合成ECGデータでの事前学習は、ファインチューニング後の実ECG信号のデノイジング性能を向上させるか？
• RQ3 合成データの品質と転移学習が実世界のECGデノイジング結果に与える影響は何か？

主な発見

• 4層の深層リカレントネットワークは、重度ノイズのECG信号に対して参照法を上回ることができる。
• 合成データによる事前学習は、実データのみでの訓練よりも良い結果を生み出す傾向がある。
• 本手法は、人工データで事前学習され、実信号に対してファインチューニングされた最先端のデノイズネットワークを作成できることを示している。