[논문 리뷰] Atrial Fibrillation Detection Using Deep Features and Convolutional Networks

Sara Ross-Howe, Hamid R. Tizhoosh|arXiv (Cornell University)|2019. 03. 28.

ECG Monitoring and Analysis참고 문헌 12인용 수 7

한 줄 요약

이 논문은 단기 푸리에 변환에서 유도된 스펙트로그램을 사용하여 심방세동(AFib)을 전기심장도(ECG) 신호에서 탐지하기 위한 딥러닝 접근법을 제안한다. 두 가지 방법—DenseNet를 사용한 특징 추출 후 SVM 분류, 그리고 스펙트로그램에 대한 엔드 투 엔드 컨볼루션 신경망(CNN) 분류—를 평가하여, 소음 필터링, 수작업으로 만든 특징, 심박동 검출을 요구하지 않고 MIT-BIH AFib 데이터셋에서 93.16%의 정확도를 달성한다.

ABSTRACT

Atrial fibrillation is a cardiac arrhythmia that affects an estimated 33.5 million people globally and is the potential cause of 1 in 3 strokes in people over the age of 60. Detection and diagnosis of atrial fibrillation (AFIB) is done noninvasively in the clinical environment through the evaluation of electrocardiograms (ECGs). Early research into automated methods for the detection of AFIB in ECG signals focused on traditional bio-medical signal analysis to extract important features for use in statistical classification models. Artificial intelligence models have more recently been used that employ convolutional and/or recurrent network architectures. In this work, significant time and frequency domain characteristics of the ECG signal are extracted by applying the short-time Fourier trans-form and then visually representing the information in a spectrogram. Two different classification approaches were investigated that utilized deep features in the spectrograms construct-ed from ECG segments. The first approach used a pretrained DenseNet model to extract features that were then classified using Support Vector Machines, and the second approach used the spectrograms as direct input into a convolutional network. Both approaches were evaluated against the MIT-BIH AFIB dataset, where the convolutional network approach achieved a classification accuracy of 93.16%. While these results do not surpass established automated atrial fibrillation detection methods, they are promising and warrant further investigation given they did not require any noise prefiltering, hand-crafted features, nor a reliance on beat detection.

연구 동기 및 목표

• 수동적인 전기심장도 특징 공학에 의존하지 않는 자동화된 AFib 탐지 시스템을 개발하는 것.
• 전기심장도 신호를 사용한 스펙트로그램 기반 딥러닝의 AFib 분류 효과성을 평가하는 것.
• 전이 학습을 사용한 DenseNet 기반 파ip라인과 엔드 투 엔드 CNN 파이프라인 간의 성능을 비교하는 것.
• 소음 필터링이나 R파일 검출과 같은 사전 처리 단계 없이 표준 MIT-BIH AFib 데이터셋에서 성능을 평가하는 것.
• 원시 스펙트로그램이 심 arrhythmia 탐지에서 딥 모델의 효과적인 입력으로 사용될 수 있는지 탐색하는 것.

제안 방법

• 시간-주파수 특성을 캡처하기 위해 전기심장도 신호를 단기 푸리에 변환(STFT)을 사용하여 스펙트로그램으로 변환하였다.
• 첫 번째 방법은 스펙트로그램에서 깊은 특징을 추출하기 위해 사전 훈련된 DenseNet-121 모델을 사용한 후, 서포트 벡터 머신(SVM)을 사용하여 분류하였다.
• 두 번째 방법은 스펙트로그램을 직접 컨볼루션 신경망(CNN)에 입력하여 엔드 투 엔드 분류를 수행하였다.
• 두 모델 모두 전기심장도 분류의 표준 벤치마크인 MIT-BIH AFib 데이터셋에서 훈련 및 평가되었다.
• CNN 접근법은 특징 학습을 위해 표준 컨볼루션 레이어, 배치 정규화, 그리고 ReLU 활성화 함수를 사용하였다.
• 모델 훈련은 교차 엔트로피 손실과 Adam 최적화를 사용하였으며, 과적합 방지를 위해 조기 정지 기법을 적용하였다.

실험 결과

연구 질문

• RQ1 수작업 특징 공학 없이도 전기심장도 신호의 스펙트로그램 표현이 AFib 관련 패턴을 효과적으로 포착할 수 있는가?
• RQ2 스펙트로그램 입력에 대해 전이 학습 기반 접근법(DenseNet + SVM)과 엔드 투 엔드 CNN 간의 성능은 어떻게 비교되는가?
• RQ3 딥 러닝 모델이 R파일 검출이나 소음 사전 필터링 없이 AFib 탐지에서 높은 정확도를 달성할 수 있는 정도는 어느 정도인가?
• RQ4 원시 스펙트로그램을 입력으로 사용함으로써 전기심장도 기반 심 arrhythmia 분류에서 복잡한 사전 처리 단계가 필요 없어지는가?
• RQ5 MIT-BIH AFib 데이터셋에서 스펙트로그램을 사용한 CNN 기반 접근법의 성능 상한선은 무엇인가?

주요 결과

• 엔드 투 엔드 컨볼루션 신경망은 MIT-BIH AFib 데이터셋에서 분류 정확도 93.16%를 달성하였다.
• CNN 기반 방법이 DenseNet + SVM 접근법을 능가하여, 직접 스펙트로그램 학습의 효과성을 입증하였다.
• 제안된 방법은 소음 사전 필터링, 수작업 특징, R파일 검출이 모두 필요 없었으며, 파이프라인을 단순화시켰다.
• 결과적으로 STFT에서 유도된 스펙트로그램은 딥러닝을 사용한 AFib 탐지에 충분한 구분 능력을 지닌 정보를 포함하고 있음을 보여주었다.
• 최신 기술을 초월하지는 않았지만, 아키텍처의 개선을 통해 향후 향상 가능성이 있음을 시사하며, 모델의 성능은 유망한 수준이었다.
• 심박동 검출 및 사전 처리 단계가 없는 것은, 실세계 적용을 위한 이 접근법의 강건성과 실용성을 강조한다.