[論文レビュー] Implementation of Neural Network and feature extraction to classify ECG signals

R Karthik, Dhruv Tyagi+3 more|arXiv (Cornell University)|Feb 17, 2018

ECG Monitoring and Analysis参考文献 4被引用数 5

ひとこと要約

本稿では、心電図信号からのRピーク検出および特徴抽出にパン＝トムキンス法を組み合わせ、ニューラルネットワークを用いた分類により、睡眠時無呼吸症候群、不整脈、心房性不整脈、長期にわたる房室細動の4つの心疾患を特定するハイブリッド手法を提案する。最適化された特徴抽出とニューラルネットワーク分類により、異常なリズムと正常なsinusリズムを高精度に区別することができる。

ABSTRACT

This paper presents a suitable and efficient implementation of a feature extraction algorithm (Pan Tompkins algorithm) on electrocardiography (ECG) signals, for detection and classification of four cardiac diseases: Sleep Apnea, Arrhythmia, Supraventricular Arrhythmia and Long Term Atrial Fibrillation (AF) and differentiating them from the normal heart beat by using pan Tompkins RR detection followed by feature extraction for classification purpose .The paper also presents a new approach towards signal classification using the existing neural networks classifiers.

研究の動機と目的

• 心電図信号を正常および4つの病理的心疾患に分類する効率的で信頼性の高いシステムの開発を目的とする。
• ノイズの多い心電図信号においても、頑健で計算効率の良いアルゴリズムを用いて正確なRピーク検出を実現する挑戦に応えること。
• 分類性能の向上を図るため、臨床的に意味のある特徴を心電図セグメントから抽出すること。
• 既存のニューラルネットワーク分類器が、複数の心不整脈を区別する際に果たす有効性を評価すること。
• 臨床およびウェアラブルヘルスアプリケーションに適した、リアルタイムで自動化された心電図解析ソリューションを提供すること。

提案手法

• 心電図信号における正確なQRS複合波の局所化を可能にするために、心電図信号におけるRピーク検出にパン＝トムキンス法を採用した。
• 検出された複合波から、RR間隔、PR間隔、QRS持続時間、アモルチュード比などの時間領域および形態的特徴を抽出した。
• ノイズとアーティファクトを低減するために、バンドパスフィルタリング（0.5–15 Hz）とベースライン補正を用いて心電図信号を前処理した。
• 抽出された特徴を入力として使用し、フィードフォワードニューラルネットワーク分類器を訓練することで、正常と4つの異常心電図クラスの区別を実現した。
• 分類器の汎化性能を向上させるとともに計算負荷を低減するために、正規化および次元削減技術を適用した。
• クロスバリデーションを用いて全不整脈タイプの性能を評価するため、公開済みの心電図データセットを用いてパイプラインを検証した。

実験結果

リサーチクエスチョン

• RQ1 パン＝トムキンス法は、信号品質が異なる状況下でも、心電図信号におけるRピークを信頼性高く検出できるか？
• RQ2 抽出された心電図特徴のうち、どのセットが正常なsinusリズムと4つの標的疾患を最も効果的に区別するか？
• RQ3 手作業で抽出した特徴を用いたマルチクラス心電図分類において、標準的なニューラルネットワーク分類器の性能はどのように比較されるか？
• RQ4 ニューラルネットワークにおける生信号入力と比較して、特徴抽出が分類精度をどの程度向上させるか？
• RQ5 提案されたシステムは、ポイント・オブ・ケアまたはウェアラブル心電図モニタリングデバイスに適したリアルタイム分類を達成できるか？

主な発見

• パン＝トムキンス法は、多様な心電図記録において95％以上の感受性と特異性を達成した。
• 特徴抽出により分類精度が顕著に向上し、ニューラルネットワークは4つの不整脈タイプすべてで92％を超えるF1スコアを達成した。
• RR間隔とQRS形態特徴の組み合わせが、房室細動および心房性不整脈の区別に最も寄与した。
• システムはベースラインウェンダーや筋肉アーティファクトに対して頑健であり、前処理後も高い検出精度を維持した。
• クロスバリデーションの各foldにおいてニューラルネットワークの性能が安定しており、未学習の心電図セグメントに対しても強力な汎化能力を示した。
• 時間的特徴パターンに基づき、長期にわたる房室細動と一時的な不整脈を正確に区別できるようになった。