[論文レビュー] Topological Data Analysis for Arrhythmia Detection through Modular Neural Networks

Meryll Dindin, Yuhei Umeda+1 more|arXiv (Cornell University)|Jun 13, 2019

Topological and Geometric Data Analysis参考文献 35被引用数 46

ひとこと要約

本論文は、未見の患者に対する一般化を改善するためにトポロジカルデータ解析（TDA）を組み込んだ、ECGに基づく不整脈検出・分類用のモジュール型多チャネルニューラルネットワークを提案し、最先端手法と競合する結果を示す。

ABSTRACT

This paper presents an innovative and generic deep learning approach to monitor heart conditions from ECG signals.We focus our attention on both the detection and classification of abnormal heartbeats, known as arrhythmia. We strongly insist on generalization throughout the construction of a deep-learning model that turns out to be effective for new unseen patient. The novelty of our approach relies on the use of topological data analysis as basis of our multichannel architecture, to diminish the bias due to individual differences. We show that our structure reaches the performances of the state-of-the-art methods regarding arrhythmia detection and classification.

研究の動機と目的

• 新規の未見患者に対する不整脈検出/分類の堅牢な一般化を動機づける。
• 個人差に依存せずECG信号の幾何を捉えるため、トポロジカルデータ解析をディープラーニングと統合する。
• TDA特徴量、オートエンコーダ、従来のDLチャネルを組み合わせたモジュラーアーキテクチャを開発する。
• 患者ベースのクロスバリデーションを用いて、オープンソースのPhysionet ECGデータセットで評価する。
• 多クラス不整脈分類の一般化を改善するTDAの有用性を示すベンチマークを提供する。

提案手法

• 時刻スケーリングや振幅変化に対して頑健な1D ECG信号の表現として、持続バーコードとBetti曲線を導入する。
• 時系列のサブレベル集合とアッパーレベル集合のパーシステントホモロジーを用いてECGからTDA特徴を計算する。
• Betti曲線をCNN対応のパイプラインで安定した入力用表現として使用する。
• データの不均衡に対処し再構成ベースの特徴を提供するため、正常ビートで訓練されたオートエンコーダを組み込む。
• TDA、オートエンコーダ出力、フーリエ特徴、標準のCNN/FC経路のチャネルを備えたモジュラー深層学習アーキテクチャを構築する。
• 学習を安定させ一般化を向上させるためにアニールド dropout を適用する。
• 未見の患者に対する一般化を検証するために患者ベースのクロスバリデーションを用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 未見の患者に対する不整脈検出および分類の性能は、TDAベースのチャネルを追加することで改善されるか。
• RQ2 TDA特徴とオートエンコーダ由来の表現の組み合わせは、データ不均衡下で一般化を高めるか。
• RQ3 新規患者への一般化の観点で、提案されたモジュラーアーキテクチャはオープンECGデータセット上で最先端手法とどう比較されるか。
• RQ4 異なるチャネル構成（TDA有/無）の影響は、二値検出と多クラス分類性能にどのようか。

主な発見

• TDAは不整脈検出と分類の両方を向上させ、特に多クラス分類で顕著な改善をもたらす。
• エンコーダとTDAチャネルが最も大きな影響を与え、特に13クラス分類で顕著。
• 13クラス分類の平均検証精度は97.3%、患者ベースのクロスバリデーション下でのテスト精度は80.5%である。
• 不整脈検出は交差検証下で平均検証精度約98%、テスト精度約90%を達成。
• PVC検出と多クラス課題においてベンチマークと競合する結果を達成し、TDAとオートエンコーダ融合による一般化向上を示す。