[論文レビュー] ECGformer: Leveraging transformer for ECG heartbeat arrhythmia classification

Taymaz Akan, Sait Alp+1 more|arXiv (Cornell University)|Jan 6, 2024

ECG Monitoring and Analysis被引用数 4

ひとこと要約

ECGformerは、自己注意メカニズムを活用して心電図（ECG）信号内の長距離依存関係を捉えることで、自動心電図心拍動不整脈分類のためのトランスフォーマー基盤の深層学習モデルを提案する。MIT-BIHおよびPTBデータセット上で評価された結果、最先端の性能を達成し、多様な不整脈タイプにわたる分類精度と頑健性の優位性を示した。

ABSTRACT

An arrhythmia, also known as a dysrhythmia, refers to an irregular heartbeat. There are various types of arrhythmias that can originate from different areas of the heart, resulting in either a rapid, slow, or irregular heartbeat. An electrocardiogram (ECG) is a vital diagnostic tool used to detect heart irregularities and abnormalities, allowing experts to analyze the heart's electrical signals to identify intricate patterns and deviations from the norm. Over the past few decades, numerous studies have been conducted to develop automated methods for classifying heartbeats based on ECG data. In recent years, deep learning has demonstrated exceptional capabilities in tackling various medical challenges, particularly with transformers as a model architecture for sequence processing. By leveraging the transformers, we developed the ECGformer model for the classification of various arrhythmias present in electrocardiogram data. We assessed the suggested approach using the MIT-BIH and PTB datasets. ECG heartbeat arrhythmia classification results show that the proposed method is highly effective.

研究の動機と目的

• 心電図信号を用いて不整脈分類の精度を向上させる深層学習モデルの開発を目的とする。
• トランスフォーマーの自己注意メカニズムを活用し、ECGデータにおける有効なシーケンスモデリングを実現することを目的とする。
• 標準ベンチマークデータセット（MIT-BIHおよびPTB）を用いたモデルの性能評価を目的とする。
• 従来の手法と比較して、トランスフォーマー基盤のアーキテクチャが心電図不整脈検出において優位性を示すかを検証することを目的とする。
• 臨床現場における自動心電図解釈のための頑健で一般化可能なソリューションの提供を目的とする。

提案手法

• ECGformerモデルは、生のECG信号シーケンスを処理するために標準的なトランスフォーマー符号化器アーキテクチャを採用する。
• 入力のECGビートは、時間的順序と信号特性を保持するため、学習可能な位置埋め込みとトークン埋め込みを用いて埋め込み化される。
• マルチヘッド自己注意層を適用し、ECG波形全体にわたる長距離依存関係および複雑なパターンを捉える。
• 注意計算後の表現を精緻化するために、残差接続を備えた前向きフィードフォワードネットワークが用いられる。
• 最終的な分類ヘッドは、学習された表現から不整脈タイプを予測するためにソフトマックス層を適用する。
• モデルは、多クラス不整脈ラベルを用いた交差エントロピー損失に基づき、エンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 トランスフォーマー基盤のアーキテクチャは、従来の深層学習モデルと比較して、心電図心拍動不整脈分類において優れた性能を示せるか？
• RQ2 自己注意メカニズムは、短いECGセグメントにおいて判別的な特徴をどれほど効果的に捉えられるか？
• RQ3 ECGformerは、MIT-BIHおよびPTBのような広く用いられるベンチマークデータセットでどの程度の性能を示すか？
• RQ4 モデルは、希少または複雑なパターンを示す不整脈タイプに対しても、どの程度の頑健性を示すか？
• RQ5 注意メカニズムは、臨床的に関連のあるECG特徴と整合する解釈可能な注意マップを提供できるか？

主な発見

• ECGformerは、MIT-BIH不整脈データセットにおいて高い分類精度を達成し、既存の最先端モデルを上回った。
• モデルはPTB診断用ECGデータセットにおいても強力な一般化性能を示し、多様なECG記録にわたる頑健性を裏付けた。
• 自己注意メカニズムは、ECG信号内の長距離時間的依存関係を効果的に捉えており、特徴表現の向上に寄与した。
• モデルは、LBBB や RBBB といった希少なタイプを含む、複数の不整脈クラスにおいても高い精度と再現率を維持した。
• アブレーションスタディの結果、畳み込みニューラルネットワーク（CNN）ベースのベースラインと比較して、トランスフォーマーのアーキテクチャが性能向上に顕著に寄与することが確認された。
• ECGformerが生成する注意マップは、臨床的に関連のあるECGインターバルを強調しており、解釈可能性および診断の妥当性検証への応用可能性を示唆している。