[논문 리뷰] A Study of Deep Feature Fusion based Methods for Classifying Multi-lead ECG

Bin Chen, Wei Guo외 5명|arXiv (Cornell University)|2018. 08. 06.

ECG Monitoring and Analysis참고 문헌 14인용 수 3

한 줄 요약

이 논문은 다중 리드 ECG 신호의 특징을 세 가지 별도의 융합 전략을 사용해 융합하는 다중지점 컨볼루션 잔차 신경망인 MBCRNet을 제안한다. 이를 통해 정상 및 비정상 ECG 리듬의 분류 성능을 향상시킨다. 10겹 교차검증을 사용한 중국 심장혈관질환 데이터베이스(CCDD)에서 평가한 결과, 정확도는 87.04%, 민감도는 89.93%를 기록했으며, 다중 리드 동기화 및 수직성 특성을 활용함으로써 이전 방법들을 능가했다.

ABSTRACT

An automatic classification method has been studied to effectively detect and recognize Electrocardiogram (ECG). Based on the synchronizing and orthogonal relationships of multiple leads, we propose a Multi-branch Convolution and Residual Network (MBCRNet) with three kinds of feature fusion methods for automatic detection of normal and abnormal ECG signals. Experiments are conducted on the Chinese Cardiovascular Disease Database (CCDD). Through 10-fold cross-validation, we achieve an average accuracy of 87.04% and a sensitivity of 89.93%, which outperforms previous methods under the same database. It is also shown that the multi-lead feature fusion network can improve the classification accuracy over the network only with the single lead features.

연구 동기 및 목표

• 다중 ECG 리드 간의 동기화 및 수직 관계를 활용하여 자동 ECG 분류 성능을 향상시키기 위해.
• 단일 리드 모델 대비 분류 성능 향상에 기여하는 깊이 있는 특징 융합 전략의 효과를 조사하기 위해.
• 다중 리드 ECG 신호 처리에 특화된 다중지점 컨볼루션 잔차 신경망(MBCRNet)을 개발하기 위해.
• 엄격한 10겹 교차검증 하에 중국 심장혈관질환 데이터베이스(CCDD)에서 제안된 방법을 평가하기 위해.
• 다중 리드 특징 융합이 단일 리드 기반 모델 대비 일관되게 분류 정확도를 향상시킨다는 것을 입증하기 위해.

제안 방법

• 각 지점이 독립적으로 단일 ECG 리드를 처리하는 다중지점 컨볼루션 신경망(MBCRNet)을 설계하기 위해.
• 깊이 있는 아키텍처에서 학습 안정성과 기울기 흐름 향상을 위해 잔차 학습 블록을 통합하기 위해.
• 컨볼루션 특징 추출 이후 세 가지 별도의 특징 융합 전략—초기 융합, 후기 융합, 하이브리드 융합—을 적용하기 위해.
• 각 리드에서 시간적 특징 추출을 위해 1차원 컨볼루션 레이어 이후 배치 정규화와 ReLU 활성화 함수를 사용하기 위해.
• 다른 단계에서 특징 융합을 수행하기 위해: 초기 융합은 컨볼루션 이전에 원시 신호를 융합하고, 후기 융합은 최종 특징을 융합하며, 하이브리드 융합은 중간 단계의 특징을 융합한다.
• 교차엔트로피 손실과 확률적 경사 하강법를 사용해 모델을 학습하고, 정밀한 평가를 위해 10겹 교차검증을 적용하기 위해.

실험 결과

연구 질문

• RQ1 다중 리드 특징 융합은 단일 리드 모델 대비 ECG 분류 정확도를 얼마나 향상시키는가?
• RQ2 초기 융합, 후기 융합, 하이브리드 융합 중 어떤 특징 융합 전략이 정상 및 비정상 ECG 리듬 분류에서 가장 높은 성능을 낼 수 있는가?
• RQ3 다중지점 잔차 신경망은 ECG 신호의 리드별 및 교차 리드 의존성을 효과적으로 포착할 수 있는가?
• RQ4 제안된 MBCRNet은 중국 심장혈관질환 데이터베이스(CCDD)에서 다중 리드 ECG 분류에 대해 최신 기술 수준의 성능을 달성하는가?
• RQ5 ECG 리드 간의 동기화 및 수직 관계를 적절히 모델링할 경우 분류 성능 향상에 얼마나 기여하는가?

주요 결과

• 제안된 MBCRNet는 10겹 교차검증을 사용한 CCDD 데이터셋에서 평균 분류 정확도 87.04%를 달성했다.
• 모델은 비정상 ECG 리듬 탐지 능력이 뛰어나 민감도 89.93%를 기록했다.
• 특징 융합 전략은 단일 리드 모델 대비 성능 향상에 상당한 기여를 하였으며, 다중 리드 정보 통합의 가치를 확인했다.
• 하이브리드 융합 전략은 정확도와 안정성 측면에서 초기 융합 및 후기 융합 방법을 모두 능가했다.
• 잔차 학습 구성 요소는 특히 더 깊은 네트워크 구성에서 안정적인 학습과 향상된 수렴을 기여했다.
• 결과적으로 MBCRNet는 동일한 CCDD 벤치마크에서 이전 방법들을 능가하며 새로운 성능 기준을 설정했다.