[논문 리뷰] Combining Support Vector Machine and Elephant Herding Optimization for Cardiac Arrhythmias

Aboul Ella Hassanien, Moataz Kilany외 1명|arXiv (Cornell University)|2018. 06. 20.

ECG Monitoring and Analysis참고 문헌 16인용 수 7

한 줄 요약

이 논문은 소음 감소를 위해 수정된 팬-톰킨스 알고리즘을 사용하고, 19개의 심전도 특징을 위한 확장된 특징 추출을 수행하며, 코끼리 무리 최적화를 통해 최적의 특징을 선택하고 SVM 파라미터를 튜닝하는 하이브리드 EHO-SVM 모델을 제안한다. 이 방법은 MIT-BIH 부정맥 데이터베이스에서 93.31%의 정확도를 달성하여 이전의 방법들을 능가한다.

ABSTRACT

Many people are currently suffering from heart diseases that can lead to untimely death. The most common heart abnormality is arrhythmia, which is simply irregular beating of the heart. A prediction system for the early intervention and prevention of heart diseases, including cardiovascular diseases (CDVs) and arrhythmia, is important. This paper introduces the classification of electrocardiogram (ECG) heartbeats into normal or abnormal. The approach is based on the combination of swarm optimization algorithms with a modified PannTompkins algorithm (MPTA) and support vector machines (SVMs). The MPTA was implemented to remove ECG noise, followed by the application of the extended features extraction algorithm (EFEA) for ECG feature extraction. Then, elephant herding optimization (EHO) was used to find a subset of ECG features from a larger feature pool that provided better classification performance than that achieved using the whole set. Finally, SVMs were used for classification. The results show that the EHOSVM approach achieved good classification results in terms of five statistical indices: accuracy, 93.31%; sensitivity, 45.49%; precision, 46.45%; F-measure, 45.48%; and specificity, 45.48%. Furthermore, the results demonstrate a clear improvement in accuracy compared to that of other methods when applied to the MITBIH arrhythmia database.

연구 동기 및 목표

• 하이브리드 최적화와 기계 학습을 활용하여 심전도 기반 심장 부정맥 분류의 정확도를 향상시키기.
• 고차원의 심전도 특징 공간에 도전하기 위해 가장 구분력 있는 특징을 선택하기.
• 특징 선택과 SVM 파라미터 튜닝의 단계적 최적화를 통해 분류 성능 향상시키기.
• 강력한 교차 검증을 사용하여 MIT-BIH 부정맥 데이터베이스의 크고 다양한 데이터셋에서 모델을 검증하기.
• 임상 의사결정을 지원하기 위한 신뢰할 수 있고 자동화된 이상 심박수 조기 탐지 시스템 제공하기.

제안 방법

• 심전도 신호를 전처리하고 소음을 감소시키기 위해 수정된 팬-톰킨스 알고리즘(MPTA)을 적용한다.
• QRS 복합파, P파, T파에서 19개의 형태학적 및 시간적 특징을 추출하기 위해 확장된 특징 추출 알고리즘(EFEA)을 사용한다.
• 분류 정확도를 최대화하는 최적의 특징 조합을 찾기 위해 코끼리 무리 최적화(EHO)를 사용한다.
• 선택된 특징에 기반하여 서포트 벡터 머신(SVM)을 훈련시키며, EHO는 SVM의 페널티 파라미터도 최적화한다.
• 일반화된 성능 평가를 보장하기 위해 3중 교차 검증 전략을 사용한다.
• 단계적 최적화를 적용한다: 상관관계가 있는 변수 간 간섭을 방지하기 위해 특징 선택과 파라미터 튜닝을 별도로 수행한다.

실험 결과

연구 질문

• RQ1 코끼리 무리 최적화가 최적의 특징 조합을 선택하여 심전도 심박수 분류 정확도를 효과적으로 향상시킬 수 있는가?
• RQ2 특징 선택과 SVM 파라미터 튜닝을 단계적으로 최적화하는 것이 동시에 최적화하는 것보다 심전도 분류에서 성능이 뛰어나게 되는가?
• RQ3 MIT-BIH 부정맥 데이터베이스에서 기존 방법들과 비교해 EHO-SVM 모델의 정확도와 강건성은 어떻게 되는가?
• RQ4 기본 특징 세트에 비해 확장된 특징 추출을 사용할 경우 분류 성능 향상 정도는 어느 정도인가?
• RQ5 제안된 하이브리드 모델은 실시간 임상 응용에서 높은 정확도를 유지하면서도 계산 효율성을 확보할 수 있는가?

주요 결과

• EHO-SVM 모델은 MIT-BIH 부정맥 데이터베이스에서 93.31%의 분류 정확도를 달성하여 이전의 방법들인 BFPSO-SVM(76.74%) 및 헤르미트 함수 기반 접근법(90%)을 능가한다.
• 민감도, 정밀도, F-측정치, 특이도가 모두 약 45.48%로 나타나 긍정 및 부정성 예측에서 균형 잡힌 성능을 보였다.
• 수렴 곡선을 통해 EHO가 상대적으로 적은 반복 횟수 내에 최적의 정확도에 도달함을 확인하여 빠르고 안정적인 수렴을 보였다.
• 단계적 최적화 접근법은 특징과 SVM 파라미터를 동시에 튜닝할 경우 발생할 수 있는 성능 저하를 방지하여 일반화 능력을 향상시켰다.
• 모델은 10명의 환자, 16종의 부정맥 유형, 총 24,474건의 심전도 기록을 통해 강건성을 입증하였으며, 확장성과 신뢰성도 검증되었다.
• 결과적으로 EHO는 심전도 분류에서 특징 선택을 위한 타당하고 효과적인 메타휴리스틱임을 확인하였으며, PSO 및 GA 기반 방법들과의 경쟁적 대안을 제공한다.