[논문 리뷰] Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM

Jiacheng Wang, Weiheng Li|arXiv (Cornell University)|2020. 11. 12.

ECG Monitoring and Analysis참고 문헌 11인용 수 13

한 줄 요약

이 논문은 정상 및 기타 부정맥 유형에서 심房세동(aFib)을 감지하기 위한 자동화된 ECG 분류를 위한 CNN-BiLSTM 캐스케이드 모델을 제안한다. 1D-CNN를 통해 시간적 특징을 추출한 후 양방향 LSTM을 적용함으로써, 모델은 가중 F1 스코어 0.82를 달성하였으며, 독립적인 BiLSTM 및 CNN 전용 모델보다 뛰어난 성능을 보였다. 이는 높은 특이도(0.978)를 기록한 MIT-BIH 부정맥 데이터셋에서의 뛰어난 성능을 입증한다.

ABSTRACT

It is challenging to visually detect heart disease from the electrocardiographic (ECG) signals. Implementing an automated ECG signal detection system can help diagnosis arrhythmia in order to improve the accuracy of diagnosis. In this paper, we proposed, implemented, and compared an automated system using two different frameworks of the combination of convolutional neural network (CNN) and long-short term memory (LSTM) for classifying normal sinus signals, atrial fibrillation, and other noisy signals. The dataset we used is from the MIT-BIT Arrhythmia Physionet. Our approach demonstrated that the cascade of two deep learning network has higher performance than the concatenation of them, achieving a weighted f1 score of 0.82. The experimental results have successfully validated that the cascade of CNN and LSTM can achieve satisfactory performance on discriminating ECG signals.

연구 동기 및 목표

• 정상, 심방세동(aFib), 기타 부정맥 유형으로 ECG 신호를 분류하기 위한 자동화된 딥러닝 시스템을 개발하기 위해.
• 수작업 특징 추출 및 전통적 신호 처리의 한계를 극복하기 위해, ECG 분류를 위한 엔드 투 엔드 딥러닝을 활용하기 위해.
• 최적의 성능을 달성하기 위해 CNN과 BiLSTM의 다양한 융합 아키텍처(캐스케이드 대 연속)를 비교하기 위해.
• 임상적 관련성을 높이기 위해 진단 정확도와 특이도를 향상시키고, 특히 노이즈가 많거나 변동성이 큰 ECG 신호에서 aFib를 탐지하는 데 기여하기 위해.
• 미래 연구에서 합성 ECG 신호 생성을 위한 시퀀스 투 시퀀스 생성의 가능성 탐색을 위해.

제안 방법

• 모델은 고정된 길이의 ECG 세그먼트(4개의 R-R 간격)를 중심으로 R파이크에 기반하여 1D-CNN를 사용해 공간적 및 국소적 시간적 특징을 추출한다.
• CNN의 출력은 장기적 의존성과 ECG 신호 내 순차적 동역학을 포착하기 위해 양방향 장기 단기 기억망(BiLSTM)에 입력된다.
• 캐스케이드 아키텍처(CNN → BiLSTM)는 특징 통합 전략을 평가하기 위해 연속 기반 융합(CNN + BiLSTM)과 비교된다.
• 다중 클래스 분류(정상, aFib, 기타 부정맥)를 위해 완전 연결층과 소프트맥스 활성화 함수를 사용한다.
• 모델은 50 에포크 동안 배치 크기 2048, 기본 학습률 0.001로 Adam 옵timizer를 사용해 훈련되며, 훈련 세트 70%와 검증 세트 30%로 분할된다.
• 클래스 불균형 문제를 다루기 위해 F1 스코어와 특이도를 사용하여 성능을 평가하고, 오분류 패턴 분석을 위해 혼동 행렬을 활용한다.

실험 결과

연구 질문

• RQ1 CNN과 BiLSTM의 캐스케이드 아키텍처가 연속 기반 융합 또는 독립적인 BiLSTM보다 ECG 신호 분류 성능에서 뛰어나다고 할 수 있는가?
• RQ2 엔드 투 엔드 딥러닝 모델이 수작업 특징 없이 원시 ECG 신호에서 심방세동을 심장 전문의 수준의 성능으로 감지할 수 있는가?
• RQ3 다양하고 변동성이 큰 리듬을 포함하는 '기타' 부정맥 클래스에서 모델의 성능는 어떠한가?
• RQ4 데이터 전처리 및 세그먼트화(R-피크 정렬 기반)가 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ5 제안된 모델은 개인 간 변동성에 대해 일반화되어 있으며, 임상 진단에서 높은 특이도를 유지할 수 있는가?

주요 결과

• CNN-BiLSTM 캐스케이드 모델(Scheme B)이 가장 높은 F1 스코어 0.82를 기록하였으며, 독립적인 BiLSTM 및 CNN-연결-BiLSTM 모델보다 유의미하게 뛰어난 성능을 보였다.
• 최고 성능을 낸 모델(Scheme B)의 특이도는 0.978에 도달하여, 임상적 신뢰성에 매우 중요한 진짜 음성 분류 능력을 입증하였다.
• 수작업 특징 기반 또는 CNN 전용 모델에 기반한 이전 방법보다 뛰어난 성능을 보였으며, 이는 최대 F1 스코어 70%에 그쳤다.
• 정상 클래스는 표본 간 일관된 형태학적 패턴 덕분에 가장 정확하게 분류되었고, '기타' 클래스는 클래스 간 변동성으로 인해 가장 높은 오분류 비율을 보였다.
• 혼동 행렬 분석 결과, Scheme B는 Scheme A보다 정상과 aFib 신호 간의 분류 능력에서 뛰어난 성능을 보였으며, 캐스케이드 설계의 효과성을 확인하였다.
• 모델는 원시 ECG 신호로부터 강력한 특징 학습 능력을 보였으며, 수작업 특징 공학에 대한 의존도를 감소시켜 이식 가능성과 정확도를 향상시켰다.