[論文レビュー] Fully Automated Myocardial Infarction Classification using Ordinary Differential Equations

Getie Zewdie, Momiao Xiong|arXiv (Cornell University)|Oct 26, 2014

ECG Monitoring and Analysis参考文献 30被引用数 7

ひとこと要約

本稿では、心電図（ECG）信号の動的で形態的特徴をモデル化するため、時間に依存する係数を有する2階常微分方程式（ODE）を用いた完全自動の虚血性心筋梗塞（MI）分類手法を提案する。ODEのパラメータを推定して特徴を抽出し、それをサポートベクターマシン（SVM）に供給することで、PTBデータベースの12誘導心電図において98.7％の感度、96.4％の特異度、98.3％の正解率を達成した。単一誘導でも97％の正解率を達成した。

ABSTRACT

Portable, Wearable and Wireless electrocardiogram (ECG) Systems have the potential to be used as point-of-care for cardiovascular disease diagnostic systems. Such wearable and wireless ECG systems require automatic detection of cardiovascular disease. Even in the primary care, automation of ECG diagnostic systems will improve efficiency of ECG diagnosis and reduce the minimal training requirement of local healthcare workers. However, few fully automatic myocardial infarction (MI) disease detection algorithms have well been developed. This paper presents a novel automatic MI classification algorithm using second order ordinary differential equation (ODE) with time varying coefficients, which simultaneously captures morphological and dynamic feature of highly correlated ECG signals. By effectively estimating the unobserved state variables and the parameters of the second order ODE, the accuracy of the classification was significantly improved. The estimated time varying coefficients of the second order ODE were used as an input to the support vector machine (SVM) for the MI classification. The proposed method was applied to the PTB diagnostic ECG database within Physionet. The overall sensitivity, specificity, and classification accuracy of 12 lead ECGs for MI binary classifications were 98.7%, 96.4% and 98.3%, respectively. We also found that even using one lead ECG signals, we can reach accuracy as high as 97%. Multiclass MI classification is a challenging task but the developed ODE approach for 12 lead ECGs coupled with multiclass SVM reached 96.4% accuracy for classifying 5 subgroups of MI and healthy controls.

研究の動機と目的

• 心電図信号を用いた虚血性心筋梗塞（MI）を検出する完全自動システムの開発。
• 臨床的およびポoin-of-care環境における、強固で完全自動のMI分類アルゴリズムの不足を解消すること。
• ODEを用いて心電図信号の動的および形態的特徴をモデル化することで、診断精度の向上を図ること。
• ウェアラブルおよび無線式心電図システムの支援を可能にするために、最小限の心電図誘導入力で高精度なMI分類を実現すること。
• MIの亜型と健康対照群を区別できる多クラスMI分類への手法の拡張。

提案手法

• 時間に依存する係数を有する2階常微分方程式（ODE）を用いて、心電図信号の動的変化をモデル化する。
• 状態空間アプローチを用いて、観測されない状態変数および時間に依存するパラメータを推定する。
• 推定された時間に依存する係数を、心電図の形態的および動的特徴の特徴表現として抽出する。
• ODEから得られる特徴量をサポートベクターマシン（SVM）の入力として用い、二値分類および多クラスMI分類を実行する。
• PTB診断心電図データベースを用いて、12誘導および単一誘導心電図データを用いてモデルを学習および検証する。
• 多クラスSVMを用いて、5つのMI亜型と健康対照群の分類を、ODEベースの特徴量を用いて実行する。

実験結果

リサーチクエスチョン

• RQ1 時間に依存する係数を有する2階ODEは、MI検出のための心電図信号の形態的および動的特徴を効果的にモデル化できるか？
• RQ2 12誘導心電図における二値分類（MI対非MI）において、ODE-SVMフレームワークの分類精度はどの程度か？
• RQ3 単一誘導での使用において、この手法はどの程度高い精度を維持できるか？
• RQ4 ODEベースの特徴抽出手法は、5つの亜型と健康対照群を含む多クラスMI分類に一般化可能か？
• RQ5 提案手法の完全自動化されたパイプラインは、感度、特異度、正解率の観点から、既存の心電図診断システムと比較してどのように優れているか？

主な発見

• 提案されたODE-SVM手法は、12誘導心電図における二値MI分類で98.7％の感度、96.4％の特異度、98.3％の分類正解率を達成した。
• 単一誘導でも97％の分類正解率を達成し、最小限の入力で優れた性能を示した。
• 5つのMI亜型と健康対照群の多クラス分類において、12誘導心電図を用いて96.4％の正解率を達成した。
• 2階ODEの時間に依存する係数は、MI検出に不可欠な動的および形態的特徴を効果的に捉えていた。
• 完全自動のパイプラインにより、専門家の解釈の必要性が著しく低減され、ポイン・オブ・ケアおよびウェアラブル心電図システムへの導入を支援した。
• 結果から、従来の手法を超えて、ODEベースのモデリングが心電図を用いたMI分類の特徴表現を強化することが示された。