[論文レビュー] On Arrhythmia Detection by Deep Learning and Multidimensional Representation

Kuldeep Singh Rajput, Sandi Wibowo+2 more|arXiv (Cornell University)|Mar 30, 2019

ECG Monitoring and Analysis参考文献 42被引用数 10

ひとこと要約

本論文では、1次元の心電図（ECG）信号を多次元の2次元画像表現に変換する深層学習フレームワークを提案する。これらのマルチチャンネル画像を用いた畳み込みニューラルネットワーク（CNN）により、ベンチマークデータセット上で既存の手法や専門心臓医師のアノテーションと比較して優れた分類性能を達成した。

ABSTRACT

An electrocardiogram (ECG) is a time-series signal that is represented by one-dimensional (1-D) data. Higher dimensional representation contains more information that is accessible for feature extraction. Hidden variables such as frequency relation and morphology of segment is not directly accessible in the time domain. In this paper, 1-D time series data is converted into multi-dimensional representation in the form of multichannel 2-D images. Following that, deep learning was used to train a deep neural network based classifier to detect arrhythmias. The results of simulation on testing database demonstrate the effectiveness of the proposed methodology by showing an outstanding classification performance compared to other existing methods and hand-crafted annotations made by certified cardiologists.

研究の動機と目的

• 1次元ECG信号をより高次元の表現に変換することで、より豊かな形態的および周波数情報の抽出を可能にし、心不全検出の精度を向上させること。
• 従来の時間領域解析が、リード間の形態的特徴や周波数関係といった隠れたECG特徴を明らかにできないという限界を克服すること。
• 多次元ECG表現を学習データとして用いた深層学習分類器を構築し、自動心不全分類を実現すること。
• 認定心臓医師による臨床的アノテーションと、最先端技術と比較して、提案手法の性能を評価すること。

提案手法

• ECG時系列データを多次元2次元画像に変換することで、多次元特徴抽出を可能にする。
• 多次元表現は、複数のリードや信号成分にわたる時間的および形態的パターンを保持する。
• 2次元画像表現を入力として、深層畳み込みニューラルネットワーク（CNN）を訓練し、心不全タイプを分類する。
• 標準的な分類指標（正確性、感度、特異性など）を用いて、標準ECGデータベース上でモデルを評価する。
• 手作業による特徴工学を伴わず、エンドツーエンド学習により特徴を自動抽出する。
• テストデータベースを用いて妥当性を検証し、既存の深層学習および従来手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 1次元ECG信号の多次元表現は、心不全検出における深層学習モデルの性能を向上させることができるか？
• RQ2 本手法は、専門心臓医師のアノテーションと比較して、心不全タイプの分類においてどの程度優れているか？
• RQ3 高次元表現は、生の時系列ECGデータと比較して、どの程度特徴抽出を向上させるか？
• RQ4 マルチチャンネル2次元画像の使用は、従来の1次元または2次元表現と比較して、分類精度を向上させるか？
• RQ5 提案されたフレームワークは、広範な心不全タイプに一般化可能であり、大量の手作業による特徴工学を必要としないか？

主な発見

• 提案手法は、ベンチマークECGデータセット上で、既存の深層学習および従来手法と比較して優れた分類性能を達成した。
• 多次元表現により、ECG信号内の微細な形態的および周波数ベースのパターンを検出する能力が顕著に向上した。
• 2次元画像表現を学習データとして用いた深層学習分類器は、手作業による特徴抽出アプローチや専門心臓医師のアノテーションを上回る指標で優れた性能を示した。
• 感度と特異性の両方が高く、臨床的意義において高い信頼性を示した。
• 1次元ECG信号をマルチチャンネル2次元画像に変換することで、最小限の手作業による特徴工学で効果的なエンドツーエンド学習が可能になった。
• 結果から、高次元表現がECGデータ内に隠された構造的情報を解き放ち、診断精度を向上させることを確認した。