[論文レビュー] Kalman-based Spectro-Temporal ECG Analysis using Deep Convolutional Networks for Atrial Fibrillation Detection

Zheng Zhao, Simo Särkkä+1 more|arXiv (Cornell University)|Dec 12, 2018

ECG Monitoring and Analysis参考文献 1被引用数 3

ひとこと要約

本稿では、心房細動（AF）検出のための、深層畳み込みニューラルネットワークを用いたカルマンフィルタベースのスペクトロテンポラルECG解析フレームワークを提案する。時間変動するフーリエ係数をカルマンフィルタでモデル化し、計算効率を向上させるために確率的オシレーターモデルを導入することで、PhysioNet/CinC 2017データセットで80.2%のF1スコアを達成し、従来のスペクトル手法を上回り、時間的特徴の保持が向上し、長時間信号に対してもスケーラブルな最先端の性能を示した。

ABSTRACT

In this article, we propose a novel ECG classification framework for atrial fibrillation (AF) detection using spectro-temporal representation (i.e., time varying spectrum) and deep convolutional networks. In the first step we use a Bayesian spectro-temporal representation based on the estimation of time-varying coefficients of Fourier series using Kalman filter and smoother. Next, we derive an alternative model based on a stochastic oscillator differential equation to accelerate the estimation of the spectro-temporal representation in lengthy signals. Finally, after comparative evaluations of different convolutional architectures, we propose an efficient deep convolutional neural network to classify the 2D spectro-temporal ECG data. The ECG spectro-temporal data are classified into four different classes: AF, non-AF normal rhythm (Normal), non-AF abnormal rhythm (Other), and noisy segments (Noisy). The performance of the proposed methods is evaluated and scored with the PhysioNet/Computing in Cardiology (CinC) 2017 dataset. The experimental results show that the proposed method achieves the overall F1 score of 80.2%, which is in line with the state-of-the-art algorithms.

研究の動機と目的

• 従来のSTFT や CWT と比較して、時間的ダイナミクスをよりよく保持する、ECG信号のロバストなスペクトロテンポラル表現を開発すること。
• 長時間ECG信号におけるカルマンフィルタベースのスペクトロテンポラル推定の計算非効率性に対処するため、定常カルマンフィルタを用いた確率的オシレーターモデルを導入すること。
• AF検出のためのスペクトロテンポラルECGデータに対して、複数の深層学習アーキテクチャ（例：DenseNet、ResNet、RF）を評価・比較すること。
• ベイジアン状態空間モデリングから導出されたスペクトロテンポラル特徴量を用いたエンドツーエンドの深層学習により、AF検出で最先端の性能を達成すること。
• 最適化された特徴表現と分類手法により、特に短時間またはノイジーな記録において、実世界のECGデータにおけるAF検出のスケーラビリティと正確性を向上させること。

提案手法

• 状態空間フレームワーク内で、時間変動するフーリエ級数係数を用いてECG信号をモデル化し、係数が時間とともに確率的に変化することを仮定する。
• ガウス過程の事前分布をフーリエ係数に適用することで、ベイジアン推論を可能にするカルマンフィルタおよびスムージングを適用する。
• 標準的なフーリエベースの状態モデルに代えて、確率的オシレーター微分方程式モデルを導入し、定常カルマンフィルタを用いることで、高速な計算と滑らかな推定を実現する。
• 定常状態の共分散行列（P∞）の閉形式解を導出することで、複数のECGセグメントにおける繰り返しスペクトロテンポラル推定の計算コストを著しく削減する。
• 推定されたスペクトロテンポラル表現を2次元特徴マップに変換し、エンドツーエンド分類のため、深層畳み込みニューラルネットワーク（例：DenseNet-18、ResNet-18）に供給する。
• 複数のECGセグメントにわたる平均化戦略を用いることで、特に短時間記録においてもロバスト性と一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 カルマンフィルタベースのスペクトロテンポラル推定は、STFT、CWT、自己回帰モデルと比較して、AF検出のための動的ECG特徴をよりよく捉えられるか？
• RQ2 定常カルマンフィルタを用いた提案された確率的オシレーター・モデルは、推定精度を損なわずに計算時間を顕著に短縮できるか？
• RQ3 スペクトロテンポラルECG表現の分類において、どの深層学習アーキテクチャが最良の性能を示すか？（AF、正常、他の異常、ノイジーの各クラスに分類）
• RQ4 異なるスペクトロテンポラル表現は、深層ネットワークの畳み込み層における活性化パターンや特徴学習にどのように影響を与えるか？
• RQ5 スペクトロテンポラル特徴量の平均化は、短時間またはノイジーなECG記録において分類のロバスト性をどの程度向上させるか？

主な発見

• 提案されたFourierKSおよびOscKSスペクトロテンポラル推定手法は、全テスト分類器において最高のF1スコアを達成し、STFT、CWT、BurgAR手法を上回った。
• OscKS手法は、定常状態共分散行列（P∞）を事前計算することで、精度を損なわず計算コストを大幅に削減した。
• DenseNet-18（Dense18+）は、全スペクトロテンポラル表現において最良の全体的性能を示し、PhysioNet/CinC 2017データセットで80.2%のF1スコアを達成した。
• 特徴マップの可視化から、FourierKSおよびCWTは、特に高エネルギー領域や構造的領域で、最初の畳み込み層においてより活発で多様な反応を示した。
• AF検出性能はAFクラスで最高（F1 > 80%）、ノイジークラスで最低（F1 < 60%）であり、他の異常クラスはクラスの不均衡と多様性のため、中程度の性能を示した。
• 平均化を組み合わせた本手法は、短時間ECGセグメントに対してもロバストであったが、一部の記録ではデータ長が不十分なため性能に制限があった。