[논문 리뷰] A Wearable ECG Monitor for Deep Learning Based Real-Time Cardiovascular Disease Detection

Peng Wang, Zihuai Lin외 5명|arXiv (Cornell University)|2022. 01. 25.

ECG Monitoring and Analysis인용 수 26

한 줄 요약

본 논문은 웨어러블 단일유도 ECG 패치(IREALCARE)와 반감독 학습 Confident-ResNet 모델을 제시하여 소음이 많은 IoT 수집 데이터에서 실시간 ECG 분류에 대해 90.2%의 평균 정확도를 달성한다.

ABSTRACT

Cardiovascular disease has become one of the most significant threats endangering human life and health. Recently, Electrocardiogram (ECG) monitoring has been transformed into remote cardiac monitoring by Holter surveillance. However, the widely used Holter can bring a great deal of discomfort and inconvenience to the individuals who carry them. We developed a new wireless ECG patch in this work and applied a deep learning framework based on the Convolutional Neural Network (CNN) and Long Short-term Memory (LSTM) models. However, we find that the models using the existing techniques are not able to differentiate two main heartbeat types (Supraventricular premature beat and Atrial fibrillation) in our newly obtained dataset, resulting in low accuracy of 58.0 %. We proposed a semi-supervised method to process the badly labelled data samples with using the confidence-level-based training. The experiment results conclude that the proposed method can approach an average accuracy of 90.2 %, i.e., 5.4 % higher than the accuracy of conventional ECG classification methods.

연구 동기 및 목표

• 장기 모니터링을 위한 휴대용 무선 실시간 단일 리드 ECG 패치(IREALCARE)를 개발한다.
• 노이즈가 많고 불완전하게 라벨링된 IoT ECG 데이터에 대해 신뢰도 수준 학습 체계를 갖춘 반지도 학습을 적용한다.
• 깊은 잔차 네트워크(ResNet)를 활용하여 기존 CNN/LSTM 접근 방식보다 ECG 리듬 분류 정확도를 향상시킨다.
• 원격 심혈관 질환 탐지를 위한 클라우드 기반 분석 및 임상의 접근을 가능하게 한다.

제안 방법

• 250 Hz 샘플링과 24비트 ADC를 갖춘 13 g 규모의 소형 단일 리드 ECG 패치를 설계한다.
• 데이터 정규화, 슬라이딩 윈도우 데이터 증강, 웨이블릿 기반 잡음 제거(DWT) 등을 포함한 데이터 전처리.
• ECG 분류를 위한 여섯 개 잔차_block의 ResNet 기반 백본 채택.
• 불완전한 라벨에서 깨끗한 데이터를 선택하기 위한 신뢰도 수준 기반 학습 도입.
• 퍼포먼스 향상을 보여주기 위해 표준 CNN/LSTM/AlexNet/VGG16/WBCNN 분류기와의 비교.
• 학습은 AAMI EC57에 매핑된 5 리듬 클래스로, 80/20 학습/테스트 분할, 227,680개 박동의 학습 데이터 세트를 사용한다.

실험 결과

연구 질문

• RQ1 현실 조건에서 딥러닝 분류에 적합한 장기 ECG 데이터를 신뢰성 있게 수집하기 위해 웨어러블 단일 리드 ECG 패치가 작동할 수 있는가?
• RQ2 신뢰도 수준 기반의 반지도 학습이 노이즈가 많고 불완전하게 라벨링된 IoT ECG 데이터의 리듬 분류 정확도를 향상시키는가?
• RQ3 신뢰도 기반 학습을 갖춘 ResNet 기반 모델이 ECG 리듬 분류를 위한 기존 심층 학습 모델과 어떻게 비교되는가?
• RQ4 제안된 시스템의 IoT/클라우드 생태계에서 달성 가능한 실시간 분류 정확도와 강건성은 어느 정도인가?

주요 결과

• 제안된 Confident-ResNet은 테스트 세트에서 90.2%의 평균 정확도를 달성했으며, CNN, LSTM, AlexNet, VGG16 및 기타 기준보다 3~10퍼센트 포인트 향상시켰다.
• 80% 임계값의 신뢰도 수준 기반 학습이 최고의 검증 정확도(89.9%)를 보였으며, 불완전한 라벨의 효과적인 처리를 입증했다.
• 시스템은 62명의 환자, 300 Hz 샘플링, 1초 구간을 AAMI EC57에 따라 5 리듬 클래스(N, V, S, A, Q)로 매핑했으며, 227,680박동의 대규모 학습 데이터를 사용했다.
• 이산 웨이블릿 변환에 의한 잡음 제거와 슬라이딩 윈도우를 통한 데이터 증강은 노이즈가 많은 IoT 패치 데이터를 다루는 데 도움이 되었다.
• 전통적인 ECG 분류 방법과 비교할 때, 구현된 데이터세트에서 Confident-ResNet 방법의 정확도가 향상되었다.