[論文レビュー] ECG beats classification using waveform similarity and RR interval

Ahmad Khoureich Ka|arXiv (Cornell University)|Jan 10, 2011

ECG Monitoring and AnalysisMedicine参考文献 9被引用数 21

ひとこと要約

本稿では、波形類似性とRRインターバル特徴量を用いた、患者に適応する心電図ビート分類手法を提案する。離散ウェーブレット変換（DWT）を用いてノイズ除去とビートの圧縮を実施する。MIT-BIH不整脈データベースの46件のレコードにおいて6種類のビートタイプを対象に、97.52%の分類精度を達成。RRインターバルの変動が著しいレコードを除いた場合、精度は98.53%に向上する。

ABSTRACT

This paper present an electrocardiogram (ECG) beat classification method based on waveform similarity and RR interval. The purpose of the method is to classify six types of heart beats (normal beat, atrial premature beat, paced beat, premature ventricular beat, left bundle branch block beat and right bundle branch block beat). The electrocardiogram signal is first denoised using wavelet transform based techniques. Heart beats of 128 samples data centered on the R peak are extracted from the ECG signal and thence reduced to 16 samples data to constitute a feature. RR intervals surrounding the beat are also exploited as feature. A database of annotated beats is built for the classifier for waveform comparison to unknown beats. Tested on 46 records in the MIT/BIH arrhythmia database, the method shows classification rate of 97.52%.

研究の動機と目的

• 個々の患者の心電図パターンを活用することで、精度を向上させる低コストで患者に適応する心電図ビート分類システムの開発を目的とする。
• 患者間および患者内での心電図ビートの形態的ばらつきが、従来の自動分類法の障害となっている問題に取り組む。
• 離散ウェーブレット変換（DWT）を用いて心電図信号のノイズを低減し、より良いビート特徴抽出を実現する。
• 手動でアノテートされたビートから、リアルタイムでの分類器適応に適した動的ビートデータベースを構築する。
• ニューラルネットワークや複雑なモデルに依存せずに、類似性ベースの分類器を用いて高い分類精度を達成することを目的とする。

提案手法

• 心電図信号は、ベースラインウェンダー除去と離散ウェーブレット変換（DWT）によるソフトスレッショルド処理を組み合わせてノイズ除去する。
• 心拍はR波に中心を置いた128サンプルのセグメントとして抽出され、DWTを用いて16サンプルの特徴に圧縮され、コンactな表現が得られる。
• 各ビートの前後のRRインターバルを追加の特徴量として用い、分類精度を向上させる。
• 各心電図レコードの最初の5分間の手動アノテートビートから、患者固有のビートデータベースを構築する。
• 波形類似性（閾値 ≥ 0.95）に基づくクラスタリングと、ビートデータベース内での最も近いマッチングによるラベル割り当てにより、ビートを分類する。
• 類似性関数は正規化された16サンプル波形を比較し、分類は患者固有の知識蓄積に依存する。

実験結果

リサーチクエスチョン

• RQ1 波形類似性とRRインターバル特徴量のみを用いた患者に適応する心電図ビート分類器は、高い精度を達成できるか？
• RQ2 患者固有のアノテート済みビートを統合することで、一般モデルに比べて分類性能がどの程度向上するか？
• RQ3 RRインターバルの変動が、心電図ビート分類における誤分類率にどの程度の影響を及ぼすか？
• RQ4 ウェーブレットベースの前処理は、診断的形態を保持しながらノイズを効果的に低減できるか？
• RQ5 本手法は、ニューラルネットワークやファジィ論理に基づく手法と比較して、精度および計算コストの面でどの程度優れているか？

主な発見

• 提案手法は、MIT-BIH不整脈データベースの46件のレコードにおいて、全体で97.52%の分類精度を達成した。
• RRインターバルの変動が著しいレコード（203, 222, 223）を除いた場合、精度は98.53%に向上した。
• レコード203は最低の精度（76.00%）を示し、主に正常ビートと房室性期外収縮（APC）の形態的混乱が、RRインターバルの変動によって引き起こされた。
• 6種類のビートタイプにおいて、既存のいくつかの手法を上回る精度を達成した。特にICAでは99.51%、FHNNでは98.35%の精度を示したが、テスト条件は異なる。
• 分類器は、患者固有のビートデータベースの更新による段階的学習により、低コストでスケーラブルな性能を示した。
• 誤分類の多くは、MIT-BIHアノテートファイルにおけるR波ピークのずれに起因しており、今後の研究ではR波ピーク検出の改善が求められる。