[論文レビュー] Regularized HessELM and Inclined Entropy Measurement for Congestive Heart Failure Prediction

Apdullah Yayık, Yakup Kutlu+1 more|arXiv (Cornell University)|Jul 12, 2019

Machine Learning and ELM参考文献 32被引用数 25

ひとこと要約

本研究は、心電図（ECG）信号からの2次差分プロット（SODP）の傾斜エントロピー測定（IEM）を組み合わせた正則化ヘッセンベルク分解に基づく極端学習機械（R-HessELM）という、新しい機械学習フレームワークを提案する。この手法は、98.49%の精度を達成し、IEMが特徴的なRピークダイナミクスを効果的に捉え、正則化がELMにおける汎化性能を向上させることを示している。ECGデータのみを用いた高精度なCHF診断が可能である。

ABSTRACT

Our study concerns with automated predicting of congestive heart failure (CHF) through the analysis of electrocardiography (ECG) signals. A novel machine learning approach, regularized hessenberg decomposition based extreme learning machine (R-HessELM), and feature models; squared, circled, inclined and grid entropy measurement were introduced and used for prediction of CHF. This study proved that inclined entropy measurements features well represent characteristics of ECG signals and together with R-HessELM approach overall accuracy of 98.49% was achieved.

研究の動機と目的

• ECG信号のみを用いて、早期の虚血性心不全（CHF）予測を高精度かつ自動化するためのシステムを開発すること。
• ヘッセンベルク分解に基づくELMにおける正則化を導入することで、過学習や一般化性能の低下という課題を解決すること。
• ECG時系列における時間的・振幅的変動をよりよく捉えるために、新規のエントロピー特徴抽出手法——特に傾斜エントロピー測定（IEM）——を導入すること。
• R-HessELMの性能を、さまざまなエントロピー特徴量と組み合わせて評価し、CHF分類に最も特徴的な特徴量セットを同定すること。

提案手法

• 正則化項を擬似逆行列計算に組み込むことで平均二乗誤差（MSE）を最小化する正則化ヘッセンベルク分解に基づく極端学習機械（R-HessELM）を提案し、汎化性能を向上させる。
• 2次差分プロット（SODP）からの特徴抽出に用いる4つのエントロピー測定モデル（二乗、円形、傾斜、グリッドエントロピー）を導入した。
• ECG信号にSODP変換を適用し、連続するR-R間隔差の分散を2次元デカルト座標空間で可視化・定量化した。
• 傾斜エントロピー測定（IEM）を用いてSODPの傾きに依存するセグメンテーションを実施し、ECGダイナミクスに特徴的な楕円型分布の詳細な量子化を可能にした。
• 過学習を回避するため、正則化パラメータ（λ = e⁻¹⁶）を用いた5分割交差検証を実施し、R-HessELMの性能最適化を図った。
• SODPおよびエントロピー特徴抽出の前段階として、中央値フィルタおよびノッチフィルタを用いてベースラインウォークおよび50Hz周波数のインターフェースを除去した。

実験結果

リサーチクエスチョン

• RQ1 標準ELMと比較して、ELMにおけるヘッセンベルク分解の正則化が、CHF分類の汎化性能と予測精度を顕著に向上させるか？
• RQ2 SODP特徴量の傾斜エントロピー測定（IEM）が、他のエントロピーモデル（二乗、円形、グリッド）と比較して、ECG信号の特徴的なパターンをより効果的に捉えられるか？
• RQ3 ECGを用いたCHF分類に応用する場合、R-HessELMにおける最適な正則化パラメータの範囲は何か？
• RQ4 SODPから導出されるエントロピー特徴量は、臨床的に重要なRピークの振幅およびインターバル変動を効果的に表現できるか？
• RQ5 提案されたR-HessELMにIEM特徴量を組み合わせることで、ECGデータのみを用いて高精度な適合率・再現率を達成できるか？

主な発見

• 提案されたR-HessELMに傾斜エントロピー測定（IEM）を組み合わせた手法は、ECG信号からのCHFと正常洞調律の分類において、98.49%の最高全体精度を達成した。
• 傾斜エントロピー測定（IEM）は、二乗、円形、グリッドエントロピーと比較して優れた性能を示し、ECGデータにおけるSODP点の楕円型分布を効果的に捉えた。
• 適合率98.05%、再現率98.30%を達成し、CHFおよび正常例の両方を正確に同定する信頼性の高い性能を示した。
• ヘッセンベルクに基づくELMフレームワークにおける正則化は、汎化性能を顕著に向上させ、正則化パラメータがe⁻¹⁰からe⁻¹⁸の範囲で最適な性能を示した。
• SODP変換とIEM特徴量の組み合わせにより、臨床的に関連性のあるRピークダイナミクスが効果的に定量化された。
• 本研究は、このような高精度なモデルを組み込みシステムに実装し、リアルタイムで自動CHF予測を実現可能であることを示した。