[논문 리뷰] A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection

Negin Alamatsaz, Leyla s Tabatabaei외 4명|arXiv (Cornell University)|2022. 08. 29.

ECG Monitoring and Analysis인용 수 5

한 줄 요약

이 논문은 11층의 경량 하이브리드 CNN-LSTM 모델을 제안하여 ECG 기반 부정맥 진단을 자동화한다. 9개의 클래스(8종의 부정맥과 정상 리듬)에서 평균 진단 정확도가 98.24%에 도달한다. 모델은 리샘플링 및 기본선 왜곡 제거된 신호를 사용하여 500개 샘플의 ECG 세그먼트를 종단 간(end-to-end)으로 처리하며, CNN은 공간적 특징 추출에, LSTM은 시간적 시퀀스 모델링에 활용된다. 라즈베리 파이에서 추론 시간은 단 5.127ms이며, 이는 홀터 모니터에서 실시간 구동이 가능하게 한다.

ABSTRACT

Electrocardiogram (ECG) is the most frequent and routine diagnostic tool used for monitoring heart electrical signals and evaluating its functionality. The human heart can suffer from a variety of diseases, including cardiac arrhythmias. Arrhythmia is an irregular heart rhythm that in severe cases can lead to heart stroke and can be diagnosed via ECG recordings. Since early detection of cardiac arrhythmias is of great importance, computerized and automated classification and identification of these abnormal heart signals have received much attention for the past decades. Methods: This paper introduces a light deep learning approach for high accuracy detection of 8 different cardiac arrhythmias and normal rhythm. To leverage deep learning method, resampling and baseline wander removal techniques are applied to ECG signals. In this study, 500 sample ECG segments were used as model inputs. The rhythm classification was done by an 11-layer network in an end-to-end manner without the need for hand-crafted manual feature extraction. Results: In order to evaluate the proposed technique, ECG signals are chosen from the two physionet databases, the MIT-BIH arrhythmia database and the long-term AF database. The proposed deep learning framework based on the combination of Convolutional Neural Network(CNN) and Long Short Term Memory (LSTM) showed promising results than most of the state-of-the-art methods. The proposed method reaches the mean diagnostic accuracy of 98.24%. Conclusion: A trained model for arrhythmia classification using diverse ECG signals were successfully developed and tested. Significance: Since the present work uses a light classification technique with high diagnostic accuracy compared to other notable methods, it could successfully be implemented in holter monitor devices for arrhythmia detection.

연구 동기 및 목표

• ECG 신호에서 심장 부정맥을 고정확도로 실시간으로 감지할 수 있는 경량 딥러닝 모델을 개발하는 것.
• 휴대용 장치(예: 홀터 모니터)에서 실시간 구동이 어려운 무거운 모델의 한계를 극복하는 것.
• 단일 종단 간 프레임워크를 통해 8종의 부정맥과 정상 심방 리듬을 포함한 9종의 서로 다른 ECG 리듬 유형을 분류하는 것.
• 다양한 샘플링 주파수를 가진 두 개의 ECG 데이터베이스를 병합하여 훈련 및 테스트하여 일반화 능력을 향상시키는 것.
• 모델 크기와 추론 시간을 최소화하여 저전력 엣지 장치에 효율적으로 구현 가능한 것.

제안 방법

• 모델은 1D-CNN 이후에 LSTM 레이어를 사용하여 500개 샘플의 ECG 세그먼트에서 계층적인 공간적 및 시간적 특징을 추출한다.
• ECG 신호는 리샘플링 및 기본선 왜곡 제거를 통해 사전 처리되어 신호 품질 향상과 모델의 강인성 향상을 도모한다.
• 수동적인 특징 공학 없이 종단 간 방식으로 훈련되어 원시 ECG 세그먼트를 직접 리듬 클래스 레이블로 매핑한다.
• 경량 추론을 확보하기 위해 총 11층으로 설계되어 자원이 제한된 장치에 적합하다.
• 모델 성능은 MIT-BIH Arrhythmia와 Long-term AF 두 개의 공개 데이터베이스를 대상으로 평가되었으며, 일반화 능력을 평가하기 위해 데이터베이스 간 테스트를 실시했다.
• 추론 효율성은 라즈베리 파이에서 검증되었으며, 모델 크기(0.16 MB)와 추론 시간(리듬당 5.127 ms)을 측정했다.

실험 결과

연구 질문

• RQ1 경량 하이브리드 CNN-LSTM 모델이 실시간 구동에 적합하면서도 여러 종류의 ECG 부정맥을 고정확도로 분류할 수 있는가?
• RQ2 다른 샘플링 주파수와 신호 특성을 가진 다양한 ECG 데이터베이스에서 제안된 모델의 성능은 어떠한가?
• RQ3 CNN과 LSTM을 병합함으로써 단독 모델 대비 분류 정확도 향상 정도는 어느 정도인가?
• RQ4 모델 크기와 추론 속도를 고려할 때, 라즈베리 파이와 같은 저전력 엣지 장치에 효율적으로 구현 가능한가?
• RQ5 정확도, 파rameter 수, 추론 시간 측면에서 최신 기술 대비 모델 성능은 어떻게 비교되는가?

주요 결과

• 제안된 모델은 8종의 부정맥과 정상 심방 리듬을 포함한 9종의 ECG 리듬 클래스에서 평균 진단 정확도 98.24%를 달성했다.
• 다른 샘플링 주파수를 가진 두 개의 서로 다른 ECG 데이터베이스를 병합하여 훈련 및 테스트함으로써 뛰어난 일반화 능력을 입증했다.
• 라즈베리 파이에서의 추론 시간은 리듬당 단 5.127ms로, 실시간 응용에 매우 적합함을 시사한다.
• 모델 크기를 0.16 MB로 최소화하여 홀터 모니터와 같은 저전력 웨어러블 장치에 매우 효율적으로 구현 가능한 것으로 평가된다.
• 모든 9종의 리듬 클래스에서 near-perfect AUC 스코어를 기록했으며, ROC 곡선을 통해 강력한 분류 능력을 입증했다.
• 특히 성능과 계산 비용의 균형을 고려할 때, 여러 최신 기술 대비 정확도 및 효율성 측면에서 뛰어난 성능을 보였다.