[논문 리뷰] A Novel Method for ECG Signal Classification via One-Dimensional Convolutional Neural Network

Xuan Hua, Jungang Han외 7명|arXiv (Cornell University)|2020. 06. 20.

ECG Monitoring and Analysis참고 문헌 29인용 수 8

한 줄 요약

이 논문은 진단 정보를 유지하기 위해 R-파형 간격 간의 ECG 세그먼트를 추출하는 R-R-R 분할 전략을 사용하는 새로운 1D 컨volutional 신경망(CNN) 방법을 제안한다. 이 방법은 5개 클래스의 MIT-BIH 부정맥 분류 작업에서 99.24% 정확도, 0.9994 AUC, 0.99 민감도 및 0.99 F1 점수를 기록하여 최신 기술을 초월한다.

ABSTRACT

This paper presents an end-to-end ECG signal classification method based on a novel segmentation strategy via 1D Convolutional Neural Networks (CNN) to aid the classification of ECG signals. The ECG segmentation strategy named R-R-R strategy (i.e., retaining ECG data between the R peaks just before and after the current R peak) for segmenting the original ECG data into segments in order to train and test the 1D CNN models. The novel strategy mimics physicians in scanning ECG to a greater extent, and maximizes the inherent information of ECG segments. The performance of the classification models for 5-class and 6-class are verified with ECG signals from 48 records of the MIT-BIH arrhythmia database. As the heartbeat types are divided into 5 classes (i.e., normal beat, left bundle branch block beat, right bundle branch block beat, ventricular ectopic beat, and paced beat) in the MIT-BIH, the best classification accuracy, the area under the curve (AUC), the sensitivity and the F1-score reach 99.24%, 0.9994, 0.99 and 0.99, respectively. As the heartbeat types are divided into 6 classes (i.e., normal beat, left bundle branch block beat, right bundle branch block beat, ventricular ectopic beat, paced beat and other beats) in the MIT-BIH, the beat classification accuracy, the AUC, the sensitivity, and the F1-score reach 97.02%, 0.9966, 0.97, and 0.97, respectively. Meanwhile, according to the recommended practice from the Association for Advancement of Medical Instrumentation (AAMI), the heartbeat types are divided into 5 classes (i.e., normal beat, supraventricular ectopic beats, ventricular ectopic beats, fusion beats, and unclassifiable beats), the beat classification accuracy, the sensitivity, and the F1-score reach 97.45%, 0.97, and 0.97, respectively. The experimental results show that the proposed method achieves better performance than the state-of-the-art methods.

연구 동기 및 목표

• 의사의 해석 방식을 모방하여 고유한 ECG 세그먼트 특징을 유지하는 엔드 투 엔드 ECG 신호 분류 방법을 개발하기 위해.
• 1D CNN에 새로운 분할 전략을 도입하여 부정맥 탐지의 정확도와 내구성을 향상시키기 위해.
• MIT-BIH 데이터베이스에서의 표준 5개 클래스 및 6개 클래스 부정맥 유형을 포함한 다양한 분류 체계에서의 성능 평가를 위해.
• AAMI가 권장하는 부정맥 분류 기준에 따라 결과를 검증하여 임상 기준을 충족시키기 위해.
• ECG 베이트 분류 분야에서 최신 기술 대비 뛰어난 성능을 입증하기 위해.

제안 방법

• R-R-R 분할 전략은 현재 R-파형의 바로 앞과 바로 뒤의 R-파형으로 둘러싸인 ECG 세그먼트를 추출하여 진단적으로 관련성이 높은 파형 특징을 유지한다.
• 이러한 분할된 ECG 신호를 기반으로 1D 컨volutional 신경망을 엔드 투 엔드로 훈련시켜 계층적인 시간적 패턴을 학습한다.
• 수작업 특징 공학을 거치지 않고 원시 ECG 신호를 직접 처리함으로써 자동적이고 효율적인 학습을 가능하게 한다.
• 1D 컨볼루션을 사용하여 시간 시리즈 형태의 ECG 데이터에 적합한 시간적 순서 모델링을 위한 네트워크 아키텍처를 최적화한다.
• 다양한 분류 체계에서 성능을 평가한다: 5개 클래스(정상, LBBB, RBBB, VEB, 패시드), 6개 클래스('기타 베이트' 추가), AAMI가 권장하는 5개 클래스(상심실성 외기성 비정상, 융합, 분류 불가능 베이트 포함).
• 모델은 MIT-BIH 부정맥 데이터베이스의 48개 레코드를 활용하여 훈련 및 테스트하여 강건성과 일반화 능력을 확보한다.

실험 결과

연구 질문

• RQ1 R-R-R 분할 전략을 적용한 1D CNN이 기존 방법보다 더 높은 ECG 베이트 분류 정확도를 달성할 수 있는가?
• RQ2 기존의 분할 기법에 비해 R-R-R 전략이 더 많은 임상적으로 관련성이 높은 ECG 정보를 유지하는가?
• RQ3 제안된 방법이 AAMI가 권장하는 부정맥 분류 프레임워크 하에서 어떻게 성능을 발휘하는가?
• RQ4 '기타 베이트'를 별도의 클래스로 포함했을 때 분류 성능에 어떤 영향을 미치는가?
• RQ5 MIT-BIH 데이터베이스의 다양한 ECG 베이트 유형에 대해 모델이 얼마나 잘 일반화되는가?

주요 결과

• 제안된 방법은 5개 클래스의 MIT-BIH 부정맥 분류 작업에서 99.24%의 분류 정확도, 0.9994 AUC, 0.99 민감도 및 0.99 F1 점수를 기록했다.
• 추가로 '기타 베이트' 클래스를 포함한 6개 클래스 분류에서는 97.02% 정확도, 0.9966 AUC, 0.97 민감도 및 0.97 F1 점수를 달성했다.
• AAMI가 권장하는 5개 클래스 프레임워크 하에서는 97.45% 정확도, 0.97 민감도 및 0.97 F1 점수를 기록했다.
• 모든 평가된 분류 체계에서 최신 기술 대비 뛰어난 성능을 보였다.
• R-R-R 분할 전략은 의사의 스캐닝 행동을 효과적으로 모방하며 ECG 세그먼트 정보의 최대 유지에 기여했다.
• 엔드 투 엔드 1D CNN 프레임워크는 MIT-BIH 데이터베이스 내 다양한 부정맥 유형에 걸쳐 강력한 일반화 능력과 내구성을 보였다.