[논문 리뷰] Advancing the State-of-the-Art for ECG Analysis through Structured State Space Models

Temesgen Mehari, Nils Strodthoff|arXiv (Cornell University)|2022. 11. 14.

ECG Monitoring and Analysis인용 수 5

한 줄 요약

이 논문은 심전도(ECG) 분석을 위한 구조적 상태공간 모델(SSMs)을 소개하며, PTB-XL 및 Chapman 데이터셋에서 컨volutional 신경망(CNNs)보다 뛰어난 성능을 보임을 입증한다. SSMs는 장기적인 시간적 종속성을 포착하여 최신 기술 수준의 분류 정확도를 달성하지만, 500Hz 샘플링이나 3초를 초과하는 입력 윈도우에서의 유의미한 이점은 발견되지 않았다.

ABSTRACT

The field of deep-learning-based ECG analysis has been largely dominated by convolutional architectures. This work explores the prospects of applying the recently introduced structured state space models (SSMs) as a particularly promising approach due to its ability to capture long-term dependencies in time series. We demonstrate that this approach leads to significant improvements over the current state-of-the-art for ECG classification, which we trace back to individual pathologies. Furthermore, the model's ability to capture long-term dependencies allows to shed light on long-standing questions in the literature such as the optimal sampling rate or window size to train classification models. Interestingly, we find no evidence for using data sampled at 500Hz as opposed to 100Hz and no advantages from extending the model's input size beyond 3s. Based on this very promising first assessment, SSMs could develop into a new modeling paradigm for ECG analysis.

연구 동기 및 목표

• 딥러닝 기반 ECG 분석에서 컨volutional 신경망의 지배적 위치를 도전하기 위해 구조적 상태공간 모델(SSMs)을 도입하는 것.
• 표준 ECG 기준 데이터셋(PTB-XL 및 Chapman)에서 SSMs의 분류 성능을 평가하는 것.
• 장기적인 열린 질문들, 즉 최적의 샘플링 주파수와 입력 윈도우 크기 등을 조사하는 것.
• 모델이 다양한 샘플링 주파수와 입력 길이에 걸쳐 일반화할 수 있는 능력을 평가하는 것.

제안 방법

• 저자들은 원시 ECG 신호의 장기적 시간적 종속성을 모델링하기 위해 구조적 상태공간 레이어를 사용하는 4S4+1FC SSM 아키텍처를 구현한다.
• 각 SSM 레이어는 연속 시간 상태공간 공식을 이산 시간으로 매핑하여, 학습된 커널 파rameter를 통해 효율적인 컨volutional 스타일 계산을 가능하게 한다.
• 표준 교차 엔트로피 손실과 조기 정지 기법을 사용하여 12단계 ECG 데이터에서 엔드 투 엔드로 모델을 훈련시킨다.
• 테스트 시 계산의 안정성과 일반화 능력을 향상시키기 위해 중복되는 여러 입력 윈도우에서의 예측 평균을 적용하는 테스트 시 증강 기법을 사용한다.
• PTB-XL 및 Chapman 테스트 세트에서 매크로 AUC를 사용하여 모델 성능을 평가하고, 이전 최신 기술 모델들과의 비교를 수행한다.
• 입력 크기(1.5초에서 5초까지)와 샘플링 주파수(100Hz 대비 500Hz)에 대한 추론 실험을 통해 민감도와 성능을 평가한다.

실험 결과

연구 질문

• RQ1 SSM 아키텍처는 표준 기준 데이터셋에서 기존 컨볼루션 모델보다 ECG 분류 작업에서 뛰어난 성능을 보일까?
• RQ2 100Hz 대비 500Hz로 샘플링한 ECG 데이터를 사용할 경우 분류 성능에 유의미한 이점이 있을까?
• RQ3 ECG 분류에 최적의 입력 윈도우 크기는 무엇이며, 특정 길이를 초과하면 성능이 정점에 도달할까?
• RQ4 SSMs는 미세조정 없이도 다양한 샘플링 주파수에 일반화할 수 있을까?
• RQ5 ECG 데이터의 장기적 종속성은 3초를 초과하여 지속되며, 이를 모델링하는 것이 분류에 유익한가?

주요 결과

• SSM 기반 모델은 PTB-XL 및 Chapman ECG 분류 기준 데이터셋에서 최신 기술 수준의 성능을 달성하며, 이전의 컨볼루션 모델들을 능가한다.
• 100Hz와 500Hz 샘플링 주파수 간에 성능에 통계적으로 유의미한 차이가 없었으며, 더 높은 샘플링 주파수의 이점이 없음을 시사한다.
• 모델 성능은 입력 윈도우 크기가 2~3초일 때 정점에 도달하며, 3초를 초과해도 향상되지 않았다.
• 다양한 샘플링 주파수에서도 일관된 성능을 유지함으로써 강력한 일반화 능력을 보였다.
• SSM이 장기적 종속성을 모델링할 수 있는 능력 덕분에 입력 크기와 샘플링 주파수에 대한 체계적인 평가가 가능해졌으며, 문헌에서 오랫동안 애매하게 여겨졌던 문제를 해결했다.
• 심장 주기의 반복성 때문에 중복되는 3초 윈도우의 예측 평균이 입력 길이를 연장하는 것보다 더 효과적임을 시사한다.