[論文レビュー] Inferior Myocardial Infarction Detection from lead II of ECG: A Gramian Angular Field-based 2D-CNN Approach

Asim Yousuf, Rehan Hafiz+4 more|arXiv (Cornell University)|Feb 25, 2023

ECG Monitoring and Analysis被引用数 4

ひとこと要約

本稿では、リードIIの心電図信号を2次元グレースケール画像に変換するための2次元畳み込みニューラルネットワーク（2D-CNN）手法を提案する。この手法は、グラミアン・アンガラ・サマーションフィールド（GASF）および差分フィールド（GADF）を用い、自動的心筋梗塞（MI）検出を実現する。ノイズやベースライン・ウォンダの影響を受ける心電図データに対しても最大99.84％の正確性を達成し、特徴量設計を不要とする堅牢な単一リードMI検出を実現し、リアルタイムのウェアラブルデバイスへの応用に適している。

ABSTRACT

This paper presents a novel method for inferior myocardial infarction (MI) detection using lead II of electrocardiogram (ECG). We evaluate our proposed method on a public dataset, namely, Physikalisch Technische Bundesanstalt (PTB) ECG dataset from Physionet. Under our proposed method, we first clean the noisy ECG signals using db4 wavelet, followed by an R-peak detection algorithm to segment the ECG signals into beats. We then translate the ECG timeseries dataset to an equivalent dataset of gray-scale images using Gramian Angular Summation Field (GASF) and Gramian Angular Difference Field (GADF) operations. Subsequently, the gray-scale images are fed into a custom two-dimensional convolutional neural network (2D-CNN) which efficiently differentiates between a healthy subject and a subject with MI. Our proposed approach achieves an average classification accuracy of 99.68%, 99.80%, 99.82%, and 99.84% under GASF dataset with noise and baseline wander, GADF dataset with noise and baseline wander, GASF dataset with noise and baseline wander removed, and GADF dataset with noise and baseline wander removed, respectively. Most importantly, this work opens the floor for innovation in wearable devices to measure lead II ECG (e.g., by a smart watch worn on right wrist, along with a smart patch on left leg), in order to do accurate, real-time and early detection of inferior wall MI.

研究の動機と目的

• 単一リード（リードII）の心電図に限定して心筋梗塞（MI）を自動的に検出する深層学習ベースの手法を開発すること。多リードや専門家が設計した特徴量に依存しないこと。
• 実世界の心電図信号に見られるノイズやベースライン・ウォンダの課題に対処するため、ウェーブレットノイズ除去と耐障害性の高い信号前処理を統合すること。
• 1次元心電図時系列を2次元画像表現に変換するためのグラミアン・アンガラフィールド（GASFおよびGADF）の有効性を検証し、CNNベース分類性能の向上を図ること。
• ウェアラブル医療デバイスへの実装に適した、軽量で単一リード心電図フレームワークを用いた高精度なMI分類を実証すること。
• 分野特化型の特徴量設計に依存せず、計算コストを最小限に抑えた状態で、最先端の正確性を達成すること。

提案手法

• リードIIの心電図信号は、db4ウェーブレット変換を用いてノイズとベースライン・ウォンダを除去するための前処理が施された。
• Rピーク検出が適用され、心電図信号が個々の心拍に分割された。
• 各心拍は、時間的ダイナミクスを空間的パターンに符号化するため、グラミアン・アンガラ・サマーションフィールド（GASF）およびグラミアン・アンガラ・ディファレンスフィールド（GADF）手法を用いて2次元グレースケール画像に変換された。
• 得られた2次元画像は、エンドツーエンドの特徴量学習と分類を目的とした、6層の隠れ層を持つカスタム2次元畳み込みニューラルネットワーク（CNN）に供給された。
• モデルは、学習率0.001、バッチサイズ8、80-20のトレイン・テスト分割を用いたAdam最適化アルゴリズムとカテゴリカル・クロスエントロピー損失関数で訓練された。
• 汎化性能を確保し、過学習を防ぐために10-fold交差検証（K=10）が採用され、全foldの性能を平均化した。

Figure 1: The proposed method for MI detection.

実験結果

リサーチクエスチョン

• RQ1 リードIIの1次元心電図波形をGASFおよびGADFに変換した2次元CNNモデルは、MIと健常例を高精度に区別できるか？
• RQ2 追加ノイズやベースライン・ウォンダの存在が、提案手法の分類性能にどのように影響を与えるか？
• RQ3 手作業で設計された心電図特徴量や多リード入力を必要とせずに、この手法がどの程度一般化可能か？
• RQ4 GASF/GADF変換は、単一リード心電図環境下でMI検出に有用な時間的パターンを効果的に保持できるか？
• RQ5 このフレームワークは、ウェアラブルデバイスに実装可能で、リアルタイムかつ継続的・早期のMI検出が可能か？

主な発見

• ノイズとベースライン・ウォンダを含む心電図データに対して、GASF変換を用いた本手法は平均99.68％の分類正確性を達成した。
• GADFベースの手法は、同じノイズ条件下で99.80％の正確性を示し、信号劣化に対して高い耐性を示した。
• ノイズとベースライン・ウォンダを除去した後、GASF手法は99.82％の正確性に達したのに対し、GADF手法は99.84％の正確性を達成し、クリーンなデータでも高い性能を示した。
• 感度と特異度は、すべてのデータセットでそれぞれ99.7％および99.2％を超えた。これは強力な診断性能を示している。
• 正確性曲線は50エポック以内に安定化し、損失曲線は収束を示した。これは効果的な学習と最小限の過学習を示している。
• 本手法は、特に単一リードを用いる状況において、既存の最先端手法を上回り、悪条件の信号状態下でも高い正確性を維持している。

Figure 2: Lead-II ECG signal with noise and baseline wander (healthy class).