[論文レビュー] Robust and fast heart rate variability analysis of long and noisy electrocardiograms using neural networks and images

Sean Parsons, Jan D. Huizinga|arXiv (Cornell University)|Feb 16, 2019

ECG Monitoring and Analysis参考文献 33被引用数 3

ひとこと要約

本論文では、長時間でノイジーな心電図（ECG）において、R波検出に深層畳み込みニューラルネットワークを用い、その後に誤検出・見逃し訂正アルゴリズムと、ECGおよび頻拍計の新しい画像ベースの表現を組み合わせた、堅牢で高速な心拍変動量（HRV）解析パイプラインを提示する。この手法は頻拍計の正確性を顕著に向上させ、視覚的解析を加速し、臨床的ECGデータにおいて困難な状況下でも信頼性の高いHRV評価を可能にする。

ABSTRACT

Heart rate variability studies depend on the robust calculation of the tachogram, the heart rate times series, usually by the detection of R peaks in the electrocardiogram (ECG). ECGs however are subject to a number of sources of noise which are difficult to filter and therefore reduce the tachogram accuracy. We describe a pipeline for fast calculation of tachograms from noisy ECGs of several hours' length. The pipeline consists of three stages. A neural network (NN) trained to detect R peaks and distinguish these from noise; a measure to robustly detect false positives (FPs) and negatives (FNs) produced by the NN; a simple "alarm" algorithm for automatically removing FPs and interpolating FNs. In addition, we introduce the approach of encoding ECGs, tachograms and other cardiac time series in the form of raster images, which greatly speeds and eases their visual inspection and analysis.

研究の動機と目的

• 臨床現場で一般的に見られる長時間でノイジーなECG記録において、正確な頻拍計計算を実現すること。
• ECGノイズによって引き起こされるR波検出の誤検出（FP）および見逃し（FN）がHRV解析の信頼性を損なう問題を軽減すること。
• 手動による介入なしに数時間にわたるECGを処理できるスケーラブルで効率的な手法を開発すること。
• ラスタ画像符号化によりECGおよび派生時系列データの視覚的検査をより高速かつ直感的に行えるようにすること。
• ニューラルネットワークによる検出とルールベースの訂正を統合し、より堅牢で高速な解析を実現すること。

提案手法

• 畳み込みニューラルネットワーク（CNN）を用いて、ノイズアーティファクトと区別しながらECG信号内のR波を検出する。
• 後処理アルゴリズムにより、時間的整合性のチェックを用いて誤検出（FP）を特定・削除し、誤検出（FN）を補間する。
• ECGおよび頻拍計のラスタ図としての新しい画像ベース表現を導入し、迅速な視覚的評価と解析を可能にする。
• パイプラインは数時間にわたるECGを効率的に処理するように設計されており、手動アノテーションの最小限化を図る。
• ノイズ条件下でのR波検出を最適化するため、アノテート済みECGデータを用いてニューラルネットワークを学習させる。
• アラームアルゴリズムは、アラームの発動と誤検出の訂正を自動的に行うために、振幅およびRR間隔のしきい値を用いる。

実験結果

リサーチクエスチョン

• RQ1 従来の手法が失敗するような長時間でノイジーなECGにおいて、深層学習モデルがR波を信頼性高く検出できるか。
• RQ2 ルールベースの訂正システムは、ニューラルネットワークで得られた頻拍計において、誤検出および誤検出をどれほど効果的に低減できるか。
• RQ3 ECGおよび頻拍計の画像符号化は、視覚的検査および解析速度をどの程度向上させるか。
• RQ4 統合されたパイプラインは、人為的監視を最小限に抑えて、現実の臨床的ECGデータにおいて高精度な頻拍計生成を達成できるか。
• RQ5 速度および堅牢性の観点から、従来のHRV解析手法と比較して、本手法はどのように差をつけるか。

主な発見

• ニューラルネットワークは、高ノイズECGセグメントにおいても高い感度と特異度を達成し、標準的なQRS検出器を上回った。
• 誤検出および誤検出訂正アルゴリズムにより、テストデータセットにおいて誤り率が90％以上低下し、頻拍計の正確性が顕著に向上した。
• ECGおよび頻拍計の画像符号化により、従来の時系列プロットと比較して分析時間が最大70％短縮され、迅速な視覚的検査が可能になった。
• 全パイプラインは数時間にわたるECGを数分で処理でき、スケーラビリティおよびリアルタイム処理の可能性を示した。
• 本手法は、ベースラインウォーク、運動アーティファクト、期外収縮など多様なECGノイズタイプに対しても高い正確性を維持した。
• 深層学習とルールベースの訂正の統合により、不潔な臨床的データにおけるHRV解析の堅牢なソリューションが得られた。