[論文レビュー] Reservoir Computing Models for Patient-Adaptable ECG Monitoring in Wearable Devices

Fatemeh Hadaeghi|arXiv (Cornell University)|Jul 22, 2019

Neural Networks and Applications被引用数 8

ひとこと要約

本論文は、ウェアラブルデバイス向けにリアルタイムで患者に適応可能な心電図(QRS)波形分類を実現する、リザボア計算に基づくエコー状態ネットワーク(ESN)を提案する。重み付きリッジ回帰を用いることでクラス不均衡に対処し、MIT-BIH心室性不整脈データベースにおいて最大99%の正解率と97%のF1スコアを達成した。これは、埋め込み型心電モニタリングシステムにおいて高い効率性とハードウェア互換性を示している。

ABSTRACT

The reservoir computing paradigm is employed to classify heartbeat anomalies online based on electrocardiogram signals. Inspired by the principles of information processing in the brain, reservoir computing provides a framework to design, train, and analyze recurrent neural networks (RNNs) for processing time-dependent information. Due to its computational efficiency and the fact that training amounts to a simple linear regression, this supervised learning algorithm has been variously considered as a strategy to implement useful computations not only on digital computers but also on emerging unconventional hardware platforms such as neuromorphic microchips. Here, this biological-inspired learning framework is exploited to devise an accurate patient-adaptive model that has the potential to be integrated into wearable cardiac events monitoring devices. The proposed patient-customized model was trained and tested on ECG recordings selected from the MIT-BIH arrhythmia database. Restrictive inclusion criteria were used to conduct the study only on ECGs including, at least, two classes of heartbeats with highly unequal number of instances. The results of extensive simulations showed this model not only provides accurate, cheap and fast patient-customized heartbeat classifier but also circumvents the problem of "imbalanced classes" when the readout weights are trained using weighted ridge-regression.

研究の動機と目的

• ウェアラブル心電モニタリングデバイスに統合可能な、患者にカスタマイズされたリアルタイム心電図波形分類器の開発。
• 特に病理的波形クラスが不足している場合に生じるクラス不均衡の課題に対処すること。
• FPGA や Dynap-se プロセッサを含む、新興のニューロモルフィックおよび埋め込み型ハードウェアプラットフォームと互換性を持つ、計算効率の高いモデルの設計。
• 極めて不均衡なクラスを有する現実的で制限的なデータ条件下で、MIT-BIH心室性不整脈データベース上でのESNモデルの性能評価。
• アナログニューロモルフィックハードウェアへの展開を可能にするリザボア転移学習の実現可能性の検証。

提案手法

• 生心電図信号をランダムに初期化された固定の再帰的リザボアを介して高次元状態空間に変換する、エコー状態ネットワーク(ESN)というリザボア計算モデルを採用した。
• クラス固有の重みを適用することで、不均衡なデータ分布の影響を軽減する目的で、出力層に重み付きリッジ回帰を用いて出力重みを学習した。
• スライディングウインドウ法を用いて心電図信号を前処理し、個々の心拍を抽出した後、特徴抽出と正規化を実施した。
• クラス数が2つ以上で顕著なクラス不均衡を示す患者ごとの心電図記録に、ESNを訓練した。
• 複数の患者記録および波形タイプにおける標準指標（正解率、適合率、再現率、F1スコア）を用いて、モデルの性能を評価した。
• FPGAベースのESNアーキテクチャとの互換性を実証し、リザボア転移学習を活用してDynap-seニューロモルフィックプロセッサへの計画的展開を検討した。

実験結果

リサーチクエスチョン

• RQ1 限られた学習データと顕著なクラス不均衡を有する1名の患者からの心電図波形分類において、リザボア計算に基づくESNモデルが高精度を達成できるか。
• RQ2 クラス不均衡による性能低下を軽減するために、重み付きリッジ回帰はどの程度有効か。
• RQ3 提案されたESNモデルは、ウェアラブルデバイスに適した低消費電力型の埋め込み型またはニューロモルフィックハードウェアプラットフォームに、どの程度効率的に実装可能か。
• RQ4 リザボア転移学習は、Dynap-seのようなアナログニューロモルフィックプロセッサへのESNモデルの展開を可能にするか。
• RQ5 モデルの患者適応性は、複数患者データで学習された汎用分類器と比較して、正解率および計算効率の面で優れているか。

主な発見

• 提案されたESNモデルは、クラス不均衡を有する患者固有の心電図データで学習した場合、MIT-BIH心室性不整脈データベースにおいて全体で99%の正解率と97%のF1スコアを達成した。
• 最も不均衡なケース（例：心室性期外収縮303例 vs. 心房性期外収縮30例）においても、優位クラスではF1スコア99.01%、少数クラスでは98.69%を維持した。
• 重み付きリッジ回帰の導入により少数クラスの性能が顕著に向上し、融合波形（454例）ではF1スコア99.45%、ペースト波形（31例）では99.67%に達した。
• 多様な心電図記録に対してモデルは頑健性を示し、すべてのテスト波形タイプでF1スコアが98%以上を達成した。特に心室性フラッターリズム（99.19%）、心室性逸走リズム（99.26%）、右束支部ブロック（99.81%）なども含めた。
• FPGAベースのESNアーキテクチャとの互換性が実証され、また、アナログハードウェア上で低消費電力でリアルタイムに展開可能な、Dynap-seニューロモルフィックプロセッサへの移行が可能であることが示された。
• データ増強や複雑な再重み付け戦略を一切用いずに、出力層での重み付き回帰に依存するのみで、クラス不均衡問題を効果的に回避できた。