[논문 리뷰] A Personalized Zero-Shot ECG Arrhythmia Monitoring System: From Sparse Representation Based Domain Adaption to Energy Efficient Abnormal Beat Detection for Practical ECG Surveillance

Mehmet Yamaç, Mert Duman외 3명|arXiv (Cornell University)|2022. 07. 14.

ECG Monitoring and Analysis인용 수 8

한 줄 요약

이 논문은 새로운 사용자로부터의 비정상 심전도 데이터가 필요 없이 정상 심박수 감지를 정확하게 수행할 수 있는 개인화된 제로샷 심전도 부정맥 모니터링 시스템을 제안한다. 존재하는 사용자로부터의 지식을 전달하기 위해 희소 표현 기반 도메인 적응을 활용하고, 영공간 투영을 통한 에너지 효율적인 사전 필터링을 결합함으로써, 98.2%의 정확도와 92.8%의 F1 스코어를 달성하며 기존의 연구를 크게 능가하면서도 웨어러블 기기의 계산 부담을 줄였다.

ABSTRACT

This paper proposes a low-cost and highly accurate ECG-monitoring system intended for personalized early arrhythmia detection for wearable mobile sensors. Earlier supervised approaches for personalized ECG monitoring require both abnormal and normal heartbeats for the training of the dedicated classifier. However, in a real-world scenario where the personalized algorithm is embedded in a wearable device, such training data is not available for healthy people with no cardiac disorder history. In this study, (i) we propose a null space analysis on the healthy signal space obtained via sparse dictionary learning, and investigate how a simple null space projection or alternatively regularized least squares-based classification methods can reduce the computational complexity, without sacrificing the detection accuracy, when compared to sparse representation-based classification. (ii) Then we introduce a sparse representation-based domain adaptation technique in order to project other existing users' abnormal and normal signals onto the new user's signal space, enabling us to train the dedicated classifier without having any abnormal heartbeat of the new user. Therefore, zero-shot learning can be achieved without the need for synthetic abnormal heartbeat generation. An extensive set of experiments performed on the benchmark MIT-BIH ECG dataset shows that when this domain adaptation-based training data generator is used with a simple 1-D CNN classifier, the method outperforms the prior work by a significant margin. (iii) Then, by combining (i) and (ii), we propose an ensemble classifier that further improves the performance. This approach for zero-shot arrhythmia detection achieves an average accuracy level of 98.2% and an F1-Score of 92.8%. Finally, a personalized energy-efficient ECG monitoring scheme is proposed using the above-mentioned innovations.

연구 동기 및 목표

• 신규 사용자로부터의 비정상 심박수 데이터가 확보되지 않는 실생활 웨어러블 시스템에서 개인화된 심전도 부정맥 감지를 해결하는 데 초점한다.
• 대상 사용자의 비정상 심박수 데이터를 학습에 활용하지 않고도 정확한 부정맥 감지를 가능하게 하는 제로샷 학습 프레임워크를 개발한다.
• 영공간 투영을 통한 사전 필터링을 통해 정상 심박수를 사전에 분류하여 연속적인 심전도 모니터링에서 계산 복잡도와 에너지 소비를 줄인다.
• 기존 사용자로부터의 지식을 신규 사용자에게 전달하기 위해 희소 표현 기반 도메인 적응 기법을 도입하여 감지 성능을 향상시킨다.
• 딥 러닝과 확률적 신뢰도 기반 필터링을 융합한 앙상블 분류기를 설계하여 정밀도와 정확도를 향상시킨다.

제안 방법

• 신규 사용자의 정상 심전도 심박수에 대해 희소 사전 학습을 수행하여 건강한 신호 부분공간을 모델링하고, 이를 바탕으로 이상 탐지에 효율적인 왼쪽 영공간을 계산한다.
• 저복잡도 사전 필터로 영공간 투영을 적용하여 최대 40%의 심박수를 전체 분류기 작동 없이 정상으로 분류함으로써 에너지 소비를 크게 줄인다.
• 기존 사용자로부터의 비정상 및 정상 심전도 신호를 신규 사용자의 신호 공간으로 투영하기 위해 희소 표현 기반 도메인 적응 기법을 구현하여 제로샷 학습을 가능하게 한다.
• 신규 사용자로부터의 정상 심박수와 다른 사용자로부터 전달된 비정상 데이터만을 사용하여 1D CNN 분류기를 학습함으로써 합성 심박수 생성을 피한다.
• CNN의 신뢰도가 낮을 경우 확률적 NPE 기반 방법으로 전환하는 앙상블 분류기를 설계하여 전체 감지 신뢰도를 향상시킨다.
• 전체 파이프라인을 웨어러블 기기에서 실행 가능한 에너지 효율적인 온라인 모니터링 체계로 통합하여 이상 심박수 처리에 대한 처리 부담을 최소화한다.

실험 결과

연구 질문

• RQ1 희소 표현 기반 분류와 비교해 계산 비용을 낮추면서도 높은 이상 탐지 정확도를 유지할 수 있는 영공간 투영 또는 정규화된 최소 제곱법의 가능성은 어떠한가?
• RQ2 기존 사용자로부터의 지식을 얼마나 효과적으로 전달하여 신규 사용자에게 비정상 심전도 데이터 없이도 제로샷 학습을 가능하게 할 수 있는가?
• RQ3 제안된 에너지 효율적인 사전 필터링 전략은 연속적인 심전도 모니터링에서 계산 부담을 줄이면서도 F1 스코어를 유지하는 데 얼마나 효과적인가?
• RQ4 딥 러닝과 확률적 신뢰도 기반 필터링을 융합한 앙상블 분류기는 개별 구성 요소보다 감지 성능을 크게 향상시킬 수 있는가?
• RQ5 신규 사용자로부터의 정상 심박수와 다른 사용자로부터 전달된 데이터만을 사용하는 제로샷 개인화 심전도 모니터링 시스템이 달성할 수 있는 정확도와 F1 스코어는 얼마인가?

주요 결과

• 제안된 영공간 투영 방법은 표준 희소 표현 기반 분류 대비 계산 복잡도를 최대 20배까지 감소시키며 성능 저하 없이 구현되었다.
• 희소 표현 기반 도메인 적응 기법을 통해 효과적인 제로샷 학습이 가능해졌으며, MIT-BIH 데이터셋에서 98.2%의 감지 정확도와 92.8%의 F1 스코어를 달성했다.
• 시험 중인 심전도 샘플 중 최대 40%가 영공간 투영(NPE)만으로 정상으로 분류될 수 있어 전체 CNN 처리가 필요한 심박수의 수를 크게 줄였다.
• 1D CNN와 신뢰도 기반 NPE 백업을 융합한 앙상블 분류기는 개별 구성 요소를 모두 능가하는 성능을 보이며 뛰어난 강건성과 정확도를 입증했다.
• 전체 시스템은 높은 정확도와 에너지 효율성을 동시에 확보하여 실시간 연속 심전도 모니터링에 적합한 웨어러블 기기 구현이 가능했다.
• 소프트웨어 구현 코드는 https://github.com/MertDuman/Zero-Shot-ECG 에 공개되어 있어 재현성과 향후 연구를 위한 기초 자료로 활용 가능하다.