[논문 리뷰] Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks

Bartosz Grabowski, Przemysław Głomb외 5명|arXiv (Cornell University)|2022. 10. 25.

ECG Monitoring and Analysis인용 수 6

한 줄 요약

이 논문은 MIT-BIH Arrhythmia 데이터베이스를 사용하여 부정맥 ECG 신호의 동시 분류 및 자기지도 회귀를 위한 통합된 딥 컨volution 신경망(CNet 및 RCNet)을 제안한다. 레이블이 없는 데이터에 대한 자기지도 회귀를 통해 모델을 사전 훈련한 후 분류 작업을 위한 미세조정을 수행함으로써, 이 방법은 총 정확도 87.78%와 균형 정확도 80.54%를 달성하며, 레이블이 적은 데이터로도 불균형한 ECG 데이터에서 향상된 성능을 보여준다.

ABSTRACT

Interpretation of electrocardiography (ECG) signals is required for diagnosing cardiac arrhythmia. Recently, machine learning techniques have been applied for automated computer-aided diagnosis. Machine learning tasks can be divided into regression and classification. Regression can be used for noise and artifacts removal as well as resolve issues of missing data from low sampling frequency. Classification task concerns the prediction of output diagnostic classes according to expert-labeled input classes. In this work, we propose a deep neural network model capable of solving regression and classification tasks. Moreover, we combined the two approaches, using unlabeled and labeled data, to train the model. We tested the model on the MIT-BIH Arrhythmia database. Our method showed high effectiveness in detecting cardiac arrhythmia based on modified Lead II ECG records, as well as achieved high quality of ECG signal approximation. For the former, our method attained overall accuracy of 87:33% and balanced accuracy of 80:54%, on par with reference approaches. For the latter, application of self-supervised learning allowed for training without the need for expert labels. The regression model yielded satisfactory performance with fairly accurate prediction of QRS complexes. Transferring knowledge from regression to the classification task, our method attained higher overall accuracy of 87:78%.

연구 동기 및 목표

• ECG 신호 분류 및 자기지도 회귀 작업을 동시에 수행할 수 있는 딥 러닝 모델을 개발하는 것.
• 자기지도 사전 훈련을 통해 불균형한 ECG 데이터셋에서의 부정맥 탐지 성능을 향상시키는 것.
• ECG 신호 분석에서 회귀에서 분류로의 지식 전이의 영향을 평가하는 것.
• 레이블이 없는 데이터를 활용한 사전 훈련을 통해 전문가가 레이블링한 ECG 데이터에 대한 의존도를 줄이는 것.
• 단일 신경망 아키텍처를 사용하여 동시에 회귀 및 분류 작업을 수행할 때의 성능를 평가하는 것.

제안 방법

• 회귀 및 분류 작업 모두에 동일한 깊이 있는 1D-CNN 아키텍처를 사용하며, 공유된 인코더 레이어와 작업별 전용 헤드를 갖춘다.
• 모델은 원시 ECG 신호에 대해 마스크된 자동에코드를 사용하여 자기지도 회귀를 수행하며, 마스크된 ECG 파형 세그먼트를 예측한다.
• MIT-BIH Arrhythmia 데이터베이스에서의 레이블이 부여된 ECG 베이트 데이터를 사용하여 사전 훈련된 회귀 모델을 분류 작업을 위해 미세조정한다.
• 모델은 다중 작업 목적함수를 사용하여 엔드 투 엔드로 훈련되며, 훈련은 순차적으로 수행된다: 먼저 회귀, 그 후 분류.
• 다양한 ECG 베이트 패턴에 대한 강건성과 일반화 능력을 향상시키기 위해 데이터 증강 및 정규화를 적용한다.
• 시간적 컨볼루션을 사용하여 R-파동과 QRS 복합체의 동적 특성을 캡처하는 수정된 제2 leads ECG 신호 표현을 사용한다.

실험 결과

연구 질문

• RQ1 단일 딥 신경망 아키텍처가 ECG 신호 회귀 및 부정맥 분류 작업을 효과적으로 수행할 수 있는가?
• RQ2 레이블이 없는 ECG 데이터에 대한 자기지도 사전 훈련이 불균형 데이터셋에서의 후속 분류 성능을 향상시키는가?
• RQ3 회귀에서 분류로의 지식 전이가 ECG 분석에서 총 정확도 및 균형 정확도에 어떤 영향을 미치는가?
• RQ4 기존 최첨단 모델들과 비교했을 때 제안된 방법의 ECG 분류 및 신호 근사 성능는 어떠한가?
• RQ5 희귀 부정맥 클래스에 대해 훈련 샘플이 적은 경우 모델의 일반화 능력은 어느 정도인가?

주요 결과

• 제안된 CNet 모델은 부정맥 분류에서 총 정확도 87.33%와 균형 정확도 80.54%를 달성하였으며, SVM을 능가하고 일부 지표에서 1D-CNN와 동등한 성능을 보였다.
• 자기지도 회귀를 사전 훈련에 사용한 RCNet 모델은 총 정확도 87.78%를 기록하여 분류 작업으로의 효과적인 지식 전이를 입증하였다.
• 균형 정확도 80.54%는 희귀 부정맥 클래스에서의 강력한 성능를 나타내며, 이는 불균형 데이터셋에서 임상 적용성에 매우 중요하다.
• 자기지도 회귀 작업은 높은 품질의 QRS 복합체 예측을 달성하여 전문가의 주석 없이도 정확한 ECG 신호 근사가 가능하게 하였다.
• 모델의 성능는 24회의 훈련 전반에서 안정적이었으며, 정확도 및 카파 점수의 표준편차가 낮아 강건성을 보였다.
• 혼동 행렬을 통해 주요 클래스들(예: 클래스 1: 774/774 정확히 예측됨)의 높은 참 양성률을 확인하였고, 희귀 클래스들(예: 1개의 샘플만 있는 클래스 16)도 테스트 세트에서 정확히 식별되었다.