[논문 리뷰] Classification of 12-Lead ECG Signals with Bi-directional LSTM Network

Ahmed Mostayed, Junye Luo외 2명|arXiv (Cornell University)|2018. 11. 05.

ECG Monitoring and AnalysisMedicine참고 문헌 14인용 수 17

한 줄 요약

이 논문은 심장 이상을 탐지하기 위해 12 leads ECG 신호를 분류하기 위한 양방향 Long Short-Term Memory (Bi-LSTM) 네트워크를 제안한다. 중국 생리신호 경연 대회 데이터셋을 기반으로 훈련된 모델은 검증 세트에서 평균 F1 스코어 74.15%를 기록하여, 임의의 길이의 입력 신호를 처리하는 데 효과적인 시퀀스 모델링을 보여준다.

ABSTRACT

We propose a recurrent neural network classifier to detect pathologies in 12-lead ECG signals and train and validate the classifier with the Chinese physiological signal challenge dataset (http://www.icbeb.org/Challenge.html). The recurrent neural network consists of two bi-directional LSTM layers and can train on arbitrary-length ECG signals. Our best trained model achieved an average F1 score of 74.15% on the validation set. Keywords: ECG classification, Deep learning, RNN, Bi-directional LSTM, QRS detection.

연구 동기 및 목표

• 12-lead ECG 신호에서 다수의 심장 이상을 분류할 수 있는 딥 러닝 모델을 개발하기 위해.
• 변동 길이의 ECG 신호 문제를 해결하기 위해 임의의 입력 길이를 처리할 수 있는 순환 아키텍처를 설계하기 위해.
• 양방향 RNN을 활용해 ECG 시퀀스의 시간적 종속성을 활용함으로써 기존 방법보다 분류 성능을 향상시키기 위해.
• 표준화된 벤치마크 데이터셋을 기반으로 모델을 검증하여 재현 가능성과 성능 비교를 보장하기 위해.
• 딥 러닝을 활용한 자동 ECG 진단을 위한 훈련 가능하고 엔드 투 엔드 솔루션을 기여하기 위해.

제안 방법

• 모델은 ECG 신호의 장기적 시간적 종속성을 포착하기 위해 두 개의 스택된 양방향 LSTM 레이어를 사용한다.
• 양방향 아키텍처는 네트워크가 ECG 시퀀스를 정방향과 역방향 모두에서 처리할 수 있도록 하여 맥락 인식 능력을 향상시킨다.
• 수동적인 특징 추출이 필요 없이 원시 12-lead ECG 신호에서 엔드 투 엔드로 훈련된다.
• 모델은 변동 길이의 ECG 신호를 수용하도록 설계되어 입력 지속 시간에 대한 유연성을 제공한다.
• 훈련은 표준화된 벤치마크로 사용되는 중국 생리신호 경연 대회 데이터셋을 사용한다.
• 손실 함수는 표준적인 역전파를 통한 시간 최적화를 통해 최적화되며, 다중 클래스 이상 분류를 위한 소프트맥스 출력을 사용한다.

실험 결과

연구 질문

• RQ1 양방향 LSTM 아키텍처는 12-lead ECG 신호에서 다수의 심장 이상을 효과적으로 분류할 수 있는가?
• RQ2 고정 길이 시퀀스 모델과 비교해 모델은 변동 길이의 ECG 신호에서 어떻게 성능을 발휘하는가?
• RQ3 ECG 분석에서 양방향 시퀀스 모델링이 분류 정확도에 어떤 영향을 미치는가?
• RQ4 모델은 중국 생리신호 경연 대회와 같은 표준화된 벤치마크 데이터셋에서 잘 일반화되는가?
• RQ5 F1 스코어와 강건성 측면에서 12-lead ECG 신호 분류에 최적의 Bi-LSTM 레이어 구성은 무엇인가?

주요 결과

• 제안된 Bi-LSTM 모델은 검증 세트에서 평균 F1 스코어 74.15%를 기록하여 자동 ECG 분류에 있어 뛰어난 성능을 보였다.
• 모델은 임의의 길이의 ECG 신호를 효과적으로 처리하여 실제 임상 데이터에서 기록 지속 시간이 다양할 경우에도 적합한 것으로 나타났다.
• 양방향 설계 덕분에 ECG 시퀀스의 과거와 미래 맥락을 모두 포착함으로써 분류 성능이 향상되었다.
• 수작업 특징 추출 없이도 다수의 심장 이상을 강건하게 탐지하는 데 성공했다.
• 딥 러닝을 활용한 순환 아키텍처가 자동 ECG 해석에 실현 가능한 접근법임을 시사한다.
• 모델의 표준 벤치마크 데이터셋에서의 성능은 향후 순차 모델을 활용한 ECG 분류 연구를 위한 강력한 기준을 설정한다.