[논문 리뷰] A Novel real-time arrhythmia detection model using YOLOv8

Guang Jun Nicholas Ang, Aditya Goil외 7명|arXiv (Cornell University)|2023. 05. 26.

ECG Monitoring and AnalysisMedicine인용 수 3

한 줄 요약

이 논문은 단일 리드 ECG 신호를 부정상 또는 정상 심장 박동으로 분류하는 실시간 부정맥 탐지 시스템을 제안한다. ECG 세그먼트를 객체 검출 작업으로 간주함으로써, 모델은 V100 GPU에서 0.002초의 추론 시간으로 99.5%의 테스트 정확도와 0.992 mAP@50을 달성하며, 홈 기반 심장 모니터링을 위한 고정확도, 저지연성 구현 가능성을 입증한다.

ABSTRACT

In a landscape characterized by heightened connectivity and mobility, coupled with a surge in cardiovascular ailments, the imperative to curtail healthcare expenses through remote monitoring of cardiovascular health has become more pronounced. The accurate detection and classification of cardiac arrhythmias are pivotal for diagnosing individuals with heart irregularities. This study underscores the feasibility of employing electrocardiograms (ECG) measurements in the home environment for real-time arrhythmia detection. Presenting a fresh application for arrhythmia detection, this paper leverages the cutting-edge You-Only-Look-Once (YOLO)v8 algorithm to categorize single-lead ECG signals. We introduce a novel loss-modified YOLOv8 model, fine-tuned on the MIT-BIH arrhythmia dataset, enabling real-time continuous monitoring. The obtained results substantiate the efficacy of our approach, with the model attaining an average accuracy of 99.5% and 0.992 mAP@50, and a rapid detection time of 0.002 seconds on an NVIDIA Tesla V100. Our investigation exemplifies the potential of real-time arrhythmia detection, enabling users to visually interpret the model output within the comfort of their homes. Furthermore, this study lays the groundwork for an extension into a real-time explainable AI (XAI) model capable of deployment in the healthcare sector, thereby significantly advancing the realm of healthcare solutions.

연구 동기 및 목표

• 홈 환경에서 단일 리드 ECG 신호를 사용해 실시간, 자가 관리형 부정맥 탐지 기능을 가능하게 하기 위해.
• 고가의 계산 비용과 수동 해석로 인한 피로 등의 기존 ECG 분석의 한계를 해결하기 위해.
• 컴퓨터 비전 분야의 객체 검출 기법을 ECG 신호 분류에 적응시켜 속도와 정확도를 향상시키기 위해.
• 에지 디바이스에 적합하고 향후 웨어러블 헬스 시스템에 통합 가능한 구현 가능한 경량 모델을 개발하기 위해.

제안 방법

• YOLOv8에 입력 가능한 2차원 이미지 유사 표현으로 단일 리드 ECG 신호를 시간-주파수 매핑을 통해 변환하였다.
• 클래스 불균형 문제를 해결하기 위해 동적 역클래스 빈도와 Wise IoU를 조합한 새로운 손실 함수를 사용해 MIT-BIH 부정맥 데이터셋에서 YOLOv8n을 미세 조정하였다.
• 소비자용 하드웨어에서 실시간 추론 성능을 확보하기 위해 경량 YOLOv8n 아키텍처를 활용하였다.
• 다양한 ECG 파형에 걸쳐 강건성과 일반화 능력을 향상시키기 위해 데이터 증강 및 정규화 기법을 적용하였다.
• 신뢰성과 일관성을 확보하기 위해 10겹 교차검증을 수행하고, 미리 보지 않은 데이터로 테스트하였다.
• 최종 사용자에게 해석 가능한 피드백을 제공하기 위해 바운딩 박스와 클래스 레이블을 포함한 시각적 출력을 생성하였다.

실험 결과

연구 질문

• RQ1 객체 검출 원리를 활용해 YOLOv8을 단일 리드 ECG 신호에서 실시간 부정맥 탐지에 효과적으로 적응시킬 수 있는가?
• RQ2 제안된 손실 수정 YOLOv8 모델은 기존의 ECG 분류를 위한 딥러닝 모델 대비 정확도와 추론 속도 측면에서 어떻게 성능을 내는가?
• RQ3 동적 역클래스 빈도와 Wise IoU의 사용이 소수의 부정맥 클래스에서 탐지 성능을 얼마나 향상시키는가?
• RQ4 이러한 모델이 이식 가능하거나 에지 디바이스에 배포하기에 적합한 최소한의 지연 시간으로 실시간 추론을 달성할 수 있는가?
• RQ5 실제로 노이즈가 많은 홈 환경에서 이러한 모델을 구현할 때의 과제와 한계는 무엇인가?

주요 결과

• 모델은 MIT-BIH 데이터셋에서 테스트 정확도 99.5%와 평균 평균 정밀도 0.992 mAP@50를 기록하여, 객체 검출 기반 ECG 분류 분야에서 최신 기술 수준의 성능을 입증하였다.
• NVIDIA Tesla V100 GPU에서 ECG 세그먼트당 추론 시간이 0.002초로 측정되어 실시간 기능이 확인되었다.
• 동적 역클래스 빈도와 Wise IoU 손실의 사용은 소수의 부정맥 클래스에서의 탐지 성능을 크게 향상시켜 클래스 불균형에 기인한 편향을 감소시켰다.
• 10겹 교차검증 전반에서 일관된 성능을 유지하여, 다양한 데이터 분할에 대한 강건성과 일반화 능력을 입증하였다.
• 바운딩 박스와 신뢰도 점수를 포함한 시각적 출력은 비전문가 사용자에게 직관적인 해석을 가능하게 하여 환자 자가 모니터링을 지원한다.
• 높은 성능에도 불구하고 모델의 의사결정 과정은 여전히 블랙박스 상태이며, 임상적 배포를 위한 향후 설명 가능한 AI(XAI) 통합의 필요성을 강조한다.