[論文レビュー] Predictive Modeling of Biomedical Signals Using Controlled Spatial Transformation

Jiaming Chen, Ali Valehi+1 more|arXiv (Cornell University)|Oct 31, 2018

ECG Monitoring and Analysis参考文献 19被引用数 3

ひとこと要約

本論文は、患者固有の空間変換を用いる2段階の予測的心電図解析フレームワークを提案し、見た目には正常に見える心電図信号における微細な形態的逸脱を検出することで、心疾患の予兆を早期に警告する。PSOと直交化を用いた最適化により制御された非線形空間変換を適用することで、分類精度が96.6%に達し、イエローアラーム後の重度不整脈の検出確率が5–10%向上し、早期介入に向けた強力な予測能力を示した。

ABSTRACT

An important paradigm in smart health is developing diagnosis tools and monitoring a patient's heart activity through processing Electrocardiogram (ECG) signals is a key example, sue to high mortality rate of heart-related disease. However, current heart monitoring devices suffer from two important drawbacks: i) failure in capturing inter-patient variability, and ii) incapability of identifying heart abnormalities ahead of time to take effective preventive and therapeutic interventions. This paper proposed a novel predictive signal processing method to solve these issues. We propose a two-step classification framework for ECG signals, where a global classifier recognizes severe abnormalities by comparing the signal against a universal reference model. The seemingly normal signals are then passed through a personalized classifier, to recognize mild but informative signal morphology distortions. The key idea is to develop a novel deviation analysis based on a controlled nonlinear transformation to capture significant deviations of the signal towards any of predefined abnormality classes. Here, we embrace the proven but overlooked fact that certain features of ECG signals reflect underlying cardiac abnormalities before the occurrences of cardiac disease. The proposed method achieves a classification accuracy of 96.6% and provides a unique feature of predictive analysis by providing warnings before critical heart conditions. In particular, the chance of observing a severe problem (a red alarm) is raised by about 5% to 10% after observing a yellow alarm of the same type. Although we used this methodology to provide early precaution messages to elderly and high-risk heart-patients, the proposed method is general and applicable to similar bio-medical signal processing applications.

研究の動機と目的

• 現在の心電図モニタリングシステムが、患者間のばらつきを捉えられず、早期心疾患イベントの予測能力に欠けるという限界を解消すること。
• 従来の分類器が見過ごす微細で有用な形態的歪みを捉える、患者固有の正常心電図形態の基準モデルを構築すること。
• 深刻な不整脈が顕在化する前に微細な逸脱を特定することで、重度の心疾患異常を早期に予測すること。
• 患者固有の適応を無作為化された空間変換と最適化により自動化することで、専門家によるアノテーションに依存しないこと。
• 心電図にとどまらず、EEGなどの他の生体信号に対しても一般化可能な手法を提供すること。

提案手法

• 2段階分類フレームワーク：グローバル分類器が普遍的基準モデルを用いて深刻な異常を最初に特定し、見た目には正常な信号は個人向け分類器に進む。
• 信号クラスタの幾何構造を向上させるために、新規な制御された非線形空間変換が適用され、対称性と分離性が向上し、異常検出性能が向上する。
• 2つの最適化手法を開発：PSOに基づく数値的手法と、直交化に基づく解析的手法により、空間変換パラメータを最適化する。
• 変換により心電図信号が変換空間にマップされ、患者固有の正常基準からの形態的逸脱が定量化され分析される。
• 逸脱分析は、信号が個人向け正常モデルからどれほど逸脱しているかを測定することで実施され、微細で初期段階の異常を検出可能となる。
• 予測能力は、時間窓を用いた分析により、イエローアラーム後の赤いアラームの事後確率を事前確率と比較することで評価される。

実験結果

リサーチクエスチョン

• RQ1 患者固有の正常心電図形態基準モデルは、グローバル分類器が捉えられない微細で初期段階の形態的歪みの検出を改善できるか？
• RQ2 制御された空間変換は、正常および異常心電図信号クラスタの分離性をどの程度向上できるか？
• RQ3 イエローアラーム（軽度逸脱）の存在が、同じ不整脈タイプのその後の赤いアラーム（重度異常）の発生確率を上昇させるか？
• RQ4 時間窓分析を用いることで、予測能力を定量化および向上させられるか？
• RQ5 提案手法は、心電図にとどまらず、EEGなどの他の生体信号に対しても一般化可能か？

主な発見

• 提案手法は分類精度96.6%を達成し、最先端手法と同等またはそれを上回る強力な性能を示した。
• タイプVの赤いアラームの発生確率は、事前確率71.54%からイエローアラーム後の77.45%に上昇し、5.91%の向上を示した。
• タイプSの不整脈では、イエローアラーム後の10ビート窓内において、事後確率が25.96%から37.14%に上昇し、予測能力が10%向上した。
• 従来は正常と分類されていた信号においても、有用な形態的逸脱を効果的に同定でき、深刻なイベント発生以前の早期検出が可能となった。
• 10ビートのタイミング窓の使用により、非窓分析に比べて予測性能が向上し、特にタイプSの異常において顕著であった。
• 多様な心電図記録に対してロバストであり、患者固有の適応に専門家によるアノテーションを一切不要としている。