[論文レビュー] DeScoD-ECG: Deep Score-Based Diffusion Model for ECG Baseline Wander and Noise Removal

Huayu Li, Gregory Ditzler+2 more|arXiv (Cornell University)|Jul 31, 2022

ECG Monitoring and Analysis被引用数 6

ひとこと要約

本稿では、ガウスノイズから開始するマルコフ連鎖からのサンプリングを通じて、ノイズの強いECG入力を条件として段階的にノイズ除去を行う条件付きスコアベースの拡散モデル、DeScoD-ECGを提案する。本手法は、4つの類似性指標においてベースライン手法を最低20%以上上回る最先端の性能を達成し、極端なノイズ汚染下でも優れた耐性を示す。

ABSTRACT

Objective: Electrocardiogram (ECG) signals commonly suffer noise interference, such as baseline wander. High-quality and high-fidelity reconstruction of the ECG signals is of great significance to diagnosing cardiovascular diseases. Therefore, this paper proposes a novel ECG baseline wander and noise removal technology. Methods: We extended the diffusion model in a conditional manner that was specific to the ECG signals, namely the Deep Score-Based Diffusion model for Electrocardiogram baseline wander and noise removal (DeScoD-ECG). Moreover, we deployed a multi-shots averaging strategy that improved signal reconstructions. We conducted the experiments on the QT Database and the MIT-BIH Noise Stress Test Database to verify the feasibility of the proposed method. Baseline methods are adopted for comparison, including traditional digital filter-based and deep learning-based methods. Results: The quantities evaluation results show that the proposed method obtained outstanding performance on four distance-based similarity metrics with at least 20\% overall improvement compared with the best baseline method. Conclusion: This paper demonstrates the state-of-the-art performance of the DeScoD-ECG for ECG baseline wander and noise removal, which has better approximations of the true data distribution and higher stability under extreme noise corruptions. Significance: This study is one of the first to extend the conditional diffusion-based generative model for ECG noise removal, and the DeScoD-ECG has the potential to be widely used in biomedical applications.

研究の動機と目的

• 運動負荷心電図検査において運動アーチファクトやベースラインウォークが信号品質を著しく損なうなど、ノイズの多い臨床環境における高精細なECG信号再構成の重要なニーズに対応する。
• 高振幅ノイズや極端な汚染下でしばしば失敗する、従来のデジタルフィルターやディープラーニングベースの手法の限界を克服する。
• ECGノイズ除去にこれまで未適用であったスコアベースの拡散モデルの可能性を検討し、ノイズのある観測値を条件としたクリーンECG信号の複雑な条件付き分布を学習する。
• 真のデータ分布によりよく近づく手法を開発し、ノイズレベルが極端に高い状況でも安定性を維持する。
• 挑戦的な条件下での信号精細度の向上により、臨床的およびアスレチックな状況でのより柔軟で正確なECGモニタリングを可能にする。

提案手法

• ECG信号に特化した条件付きスコアベースの拡散モデルを提案し、ノイズの強いデータ分布のマルコフ連鎖上でスコアマッチングを用いて逆方向のノイズ除去プロセスを学習する。
• 各ステップでノイズの強いECG入力を条件として拡散プロセスを設定し、ランダムなガウスノイズから段階的にノイズ除去することでクリーンECG再構成を生成する。
• 複数の独立した再構成を生成し、それらを平均化するマルチショット平均化戦略を実装し、信号精細度の向上と確率的ばらつきの低減を図る。
• クリーンECG分布の予測スコア関数と真のスコア関数の差を最小化するノイズ除去スコアマッチング目的関数を用いてモデルを訓練する。
• 長時間系列における長距離依存性をモデル化するため、U-Netに類似したアーキテクチャに残差ブロックとアテンションメカニズムを組み合わせ、特徴抽出と再構成品質を向上させる。
• ノイズ除去スコアベースの訓練目的関数を最適化し、ノイズ入力を条件としたクリーンECG分布のスコアを学習するようモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 条件付きスコアベースの拡散モデルは、従来のデジタルフィルターやディープラーニングベースの手法と比較して、優れたECGノイズ除去性能を達成できるか？
• RQ2 DeScoD-ECGモデルは、高振幅ノイズ汚染下でも、失敗するベースライン手法と比較して、どのように性能を発揮するか？
• RQ3 マルチショット平均化戦略は、出力信号の再構成精細度をどの程度向上させ、ばらつきを低減するか？
• RQ4 拡散ベースの生成的手法は、エンドツーエンドのディープラーニングモデルと比較して、クリーンECG信号の真のデータ分布をよりよく近似できるか？
• RQ5 DeScoD-ECGモデルは、標準的な個人用コンピュータハードウェア上で効率的にデプロイ可能で、実臨床用途に適しているか？

主な発見

• DeScoD-ECGは、QTおよびMIT-BIHノイズストレステストデータベースにおいて、4つの距離ベースの類似性指標（例：NRMSE、SNRなど）で、最良のベースライン手法と比較して最低20%以上の向上を達成した。
• 本モデルは極端なノイズ汚染下でも優れた耐性を示し、従来手法が失敗する状況でも高い再構成精細度を維持した。
• マルチショット平均化戦略は再構成品質を顕著に向上させ、ノイズ由来のアーチファクトを低減し、信号の一貫性を改善した。
• 拡散ベースのアプローチは、真のクリーンECG信号のデータ分布をよりよく近似し、より自然で生理学的に妥当な再構成を実現した。
• 標準のラップトップ（i7-10750H CPU、GTX 1660 Ti GPU）上では、20秒間のECG信号（7200点）を10ショット再構成するのに7.136秒を要した。これは実用的ではあるが、さらなる改善の余地があるインferencing速度を示している。
• 本モデルの性能は、多様なECGタイプおよびノイズプロファイルにおいて検証され、臨床的およびアスレチックなモニタリング応用への汎用性が確認された。