[논문 리뷰] Complex Deep Learning Models for Denoising of Human Heart ECG Signals

Corneliu Arsene|arXiv (Cornell University)|2019. 08. 27.

ECG Monitoring and Analysis참고 문헌 24인용 수 5

한 줄 요약

이 논문은 심전도(EEG) 신호의 딥러닝 기반 노이즈 제거 프레임워크를 제안하며, 여기서는 컨volutional 신경망(CNN), LSTM, RBM 및 전통적 방법을 사용한다. 연구는 실시간 적용이 가능하도록 사전 훈련된 모델을 통해, 실제 휴식 상태 심전도 데이터에서 유도된 합성 노이즈가 첨부된 1초 심전도 세그먼트를 기반으로 훈련된 CNN이 오프라인 노이즈 제거에서 뛰어난 성능을 보임을 보여준다.

ABSTRACT

Effective and powerful methods for denoising real electrocardiogram (ECG) signals are important for wearable sensors and devices. Deep Learning (DL) models have been used extensively in image processing and other domains with great success but only very recently have been used in processing ECG signals. This paper presents several DL models namely Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM), Restricted Boltzmann Machine (RBM) together with the more conventional filtering methods (low pass filtering, high pass filtering, Notch filtering) and the standard wavelet-based technique for denoising EEG signals. These methods are trained, tested and evaluated on different synthetic and real ECG datasets taken from the MIT PhysioNet database and for different simulation conditions (i.e. various lengths of the ECG signals, single or multiple records). The results show the CNN model is a performant model that can be used for off-line denoising ECG applications where it is satisfactory to train on a clean part of an ECG signal from an ECG record, and then to test on the same ECG signal, which would have some high level of noise added to it. However, for real-time applications or near-real time applications, this task becomes more cumbersome, as the clean part of an ECG signal is very probable to be very limited in size. Therefore the solution put forth in this work is to train a CNN model on 1 second ECG noisy artificial multiple heartbeat data (i.e. ECG at effort), which was generated in a first instance based on few sequences of real signal heartbeat ECG data (i.e. ECG at rest). Afterwards it would be possible to use the trained CNN model in real life situations to denoise the ECG signal. This corresponds also to reality, where usually the human is put at rest and the ECG is recorded and then the same human is asked to do some physical exercises and the ECG is recorded at effort. The quality of results is assessed visually but also by using the Root Mean Squared (RMS) and the Signal to Noise Ratio (SNR) measures. All CNN models used an NVIDIA TITAN V Graphical Processing Unit (GPU) with 12 GB RAM, which reduces drastically the computational times. Finally, as an element of novelty, the paper presents also a Design of Experiment (DoE) study which intends to determine the optimal structure of a CNN model, which type of study has not been seen in the literature before.

연구 동기 및 목표

• 웨어러블 및 실시간 모니터링 시스템에서 인간 심전도 신호의 노이즈 제거를 위한 강력한 딥러닝 모델 개발.
• 실시간 응용에서의 청소년 심전도 데이터 부족 문제를 해결하기 위해 실제 휴식 상태 심전도 세그먼트에서 합성 훈련 데이터를 생성함.
• 다양한 심전도 데이터셋에서 딥러닝 모델(CNN, LSTM, RBM)과 전통적 필터링 및 웨이블릿 기반 방법 간의 성능 비교.
• MIT PhysioNet 데이터베이스에서의 실제 및 합성 심전도 데이터를 사용하여 다양한 신호 길이와 노이즈 조건에서의 모델 일반화 평가.

제안 방법

• 실제 휴식 상태 심전도 세그먼트에서 유도된 1초 심전도 세그먼트를 기반으로, 노이즈를 첨가하여 합성 노이즈가 첨부된 심전도 신호를 생성함.
• 실제 휴식 상태 심전도 데이터에서 유도된 합성 노이즈가 첨부된 1초 심전도 시퀀스를 기반으로 컨volutional 신경망(CNN)을 훈련하여 노이즈 제거 표현을 학습함.
• 훈련된 CNN 모델을 실제 고노이즈 심전도 신호에 대해 평가함. 오프라인 설정에서 훈련 및 추론에 동일한 신호를 사용함.
• 전통적 방법(저역통과, 고역통과, 노치 필터링, 웨이블릿 기반 노이즈 제거)과 CNN의 성능을 비교함.
• 실제 심전도 데이터의 주요 원천으로 MIT PhysioNet 데이터베이스를 사용하여, 다양한 레코드와 신호 길이에서의 훈련 및 평가를 수행함.
• 소량의 청소년 심전도 데이터를 활용하여 모델을 최적화함으로써 전이 학습 원리를 적용하여 실제 환경에의 구현을 가능하게 함.

실험 결과

연구 질문

• RQ1 합성 노이즈가 첨부된 심전도 데이터로 훈련된 CNN 모델이 오프라인 설정에서 실제 고노이즈 심전도 신호를 효과적으로 노이즈 제거할 수 있는가?
• RQ2 딥러닝 모델(CNN, LSTM, RBM)의 성능이 전통적 필터링 및 웨이블릿 기반 방법과 비교하여 심전도 노이즈 제거에서 어떻게 다른가?
• RQ3 짧은 청소년 심전도 세그먼트로 훈련된 모델이 실시간 응용에서 긴 노이즈가 첨부된 심전도 신호로 일반화되는 정도는 어느 정도인가?
• RQ4 청소년 심전도 데이터가 제한적으로 제공될 경우, 딥러닝 모델 훈련을 위한 최적의 데이터 증강 전략은 무엇인가?
• RQ5 휴식 상태 심전도 세그먼트에서 유도된 합성 심전도 데이터를 사용하여 실제 노이즈 제거 작업을 위한 모델을 효과적으로 훈련시킬 수 있는가?

주요 결과

• CNN 모델은 특히 고노이즈 조건에서 전통적 필터링 및 웨이블릿 기반 방법보다 심전도 노이즈 제거 성능이 뛰어남.
• 실제 휴식 상태 심전도 데이터에서 유도된 합성 노이즈가 첨부된 1초 심전도 세그먼트로 훈련된 CNN은 오프라인 노이즈 제거에서 뛰어난 성능을 보임.
• 모델은 일반화 능력을 보이며, 합성 데이터로 사전 훈련한 후 실시간 또는 거의 실시간 노이즈 제거에 효과적으로 활용 가능함.
• 합성 데이터의 사용은 대량의 청소년 심전도 데이터에 대한 의존도를 크게 감소시켜, 웨어러블 장치에 대한 확장 가능한 접근법을 제공함.
• 시험된 딥러닝 모델들 중에서 CNN은 다양한 신호 길이와 노이즈 조건에서 가장 일관되고 뛰어난 성능을 보임.
• 제안된 방법은 실시간 처리가 필수적인 자원 제약이 있는 웨어러블 시스템에서 강력한 심전도 노이즈 제거 기능의 구현을 가능하게 함.