[論文レビュー] Method of diagnosing heart disease based on deep learning ECG signal

Jie Zhang, Bohao Li+2 more|arXiv (Cornell University)|Jun 25, 2019

ECG Monitoring and Analysis参考文献 13被引用数 8

ひとこと要約

この論文では、心電図（ECG）信号を用いた心疾患の診断のためのディープラーニングベースの手法を提案している。ウェーブレット変換を用いて時間周波数表現を生成し、深層ニューラルネットワーク（DNN）を用いて正常、心房細動（AF）、その他のリズム、ノイズの4分類を行う。このアプローチは、検証セットで94％の正答率を達成し、PhysioNet/CinC 2017チャレンジでF1スコア0.957を記録し、2017年のコンペティション優勝者を上回った。

ABSTRACT

The traditional method of diagnosing heart disease on ECG signal is artificial observation. Some have tried to combine expertise and signal processing to classify ECG signal by heart disease type. However, the currency is not so sufficient that it can be used in medical applications. We develop an algorithm that combines signal processing and deep learning to classify ECG signals into Normal AF other rhythm and noise, which help us solve this problem. It is demonstrated that we can obtain the time-frequency diagram of ECG signal by wavelet transform, and use DNN to classify the time-frequency diagram to find out the heart disease that the signal collector may have. Overall, an accuracy of 94 percent is achieved on the validation set. According to the evaluation criteria of PhysioNet/Computing in Cardiology (CinC) in 2017, the F1 score of this method is 0.957, which is higher than the first place in the competition in 2017.

研究の動機と目的

• 従来の手動による心電図解釈の限界を克服し、信号処理とディープラーニングを用いて心疾患の診断を自動化すること。
• 正常ECG、心房細動（AF）、その他の不整脈、ノイズを区別できる耐障害性の高い分類システムの開発。
• 時間周波数表現を用いたエンドツーエンドのディープラーニングにより、臨床的ECG解析における診断の正確性と信頼性を向上させること。
• ECGを用いた心疾患分類の分野で、PhysioNet/CinC 2017チャレンジデータセットにおいて最先端のパフォーマンスを達成すること。

提案手法

• 本手法は、生のECG信号を時間周波数表現に変換するため、連続ウェーブレット変換（CWT）を適用する。
• 得られた時間周波数図は、ECG信号の多クラス分類に用いられる深層ニューラルネットワーク（DNN）に供給される。
• DNNはECGを4つのカテゴリに分類するように学習する：正常、心房細動（AF）、その他のリズム、ノイズ。
• 標準的な指標（正答率、F1スコア）を用いて、PhysioNet/CinC 2017データセット上でモデルを評価する。
• 変換された信号特徴におけるディープラーニングの識別力を利用することで、診断パフォーマンスを向上させる。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレット変換を用いた時間周波数表現は、ECGを用いた心疾患分類におけるディープラーニングモデルの性能を向上させることができるか？
• RQ2 提案されたDNNベースの手法は、PhysioNet/CinC 2017ベンチマークにおいて、従来の手法と比較して正答率およびF1スコアで優れているか？
• RQ3 自動化されたディープラーニングシステムは、最小限の手動介入で、生のECG信号から心房細動やその他の不整脈をどれほど正確に検出できるか？
• RQ4 信号処理とディープラーニングの統合により、ECG解析におけるノイズや異常リズムの誤分類をどれほど低減できるか？

主な発見

• 提案手法は、ECG分類タスクにおいて検証セットで94％の正答率を達成した。
• モデルは、PhysioNet/CinC 2017チャレンジデータセットでF1スコア0.957を達成し、2017年のコンペティションで1位となった結果を上回った。
• ウェーブレット変換の使用により、ECG信号内の識別的特徴が強化され、DNNがリズムタイプをより正確に区別できるようになった。
• システムはECG信号を4つのカテゴリ（正常、AF、その他のリズム、ノイズ）に分類でき、アーティファクトに対して耐障害性を示した。