[논문 리뷰] Data Augmentation for Electrocardiogram Classification with Deep Neural Network

Naoki Nonaka, Jun Seita|arXiv (Cornell University)|2020. 09. 05.

ECG Monitoring and AnalysisMedicine참고 문헌 20인용 수 21

한 줄 요약

이 논문은 단일 리드 ECG의 딥 네ural 네트워크(DNN) 분류 성능을 향상시키기 위한 데이터 증강 프레임워크인 ECG Augment을 제안한다. 특히 심방세동 검출에 초점을 맞추고 있다. 스케일링, 뒤집기, 노이즈 주입, 필터링과 같은 다양한 신호 변환을 무작위로 조합함으로써 ECG Augment은 DNN 아키텍처를 수정하지 않고도 훈련 데이터의 다양성을 높인다. CinC/Challenge 2017 데이터셋에서 기준 모델 대비 F1 스코어가 3.17% 절대적으로 향상되었다.

ABSTRACT

Electrocardiogram (ECG) is the most crucial monitoring modality to diagnose cardiovascular events. Precise and automatic detection of abnormal ECG patterns is beneficial to both physicians and patients. In the automatic detection of abnormal ECG patterns, deep neural networks (DNNs) have shown significant achievements. However, DNNs require large amount of labeled data, which are often expensive to obtain. On the other hand, recent research have shown by randomly combining data augmentations can improve image classification accuracy. Thus, in this work we explore data augmentation suitable for ECG data and propose ECG Augment. We show by introducing ECG Augment, we can improve classification of atrial fibrillation with single lead ECG data, without changing an architecture of DNN.

연구 동기 및 목표

• 자동 부정맥 검출을 위한 딥 네럴 네트워크 훈련에서 레이블이 부여된 ECG 데이터의 한계를 해결하기 위해.
• ECG 신호 특성에 맞는 데이터 증강 전략을 개발하여 모델의 일반화 능력과 내성 향상시키기 위해.
• 신호 수준의 증강 기법을 무작위 조합함으로써 아키텍처 수정 없이도 단일 리드 ECG의 분류 성능 향상 여부를 평가하기 위해.
• 실제 세계의 ECG 벤치마크 데이터셋에서 ECG에 특화된 증강 기법의 효과를 입증하기 위해.

제안 방법

• 훈련 중 ECG 데이터에 13개의 신호 수준 변환을 무작위 조합하여 적용하는 데이터 증강 프레임워크인 ECG Augment를 제안한다.
• 신호 스케일링, 뒤집기, 랜덤 에러리지, 컷아웃, 시프트, 그리고 무작위 간격 동안 사인 파동, 사각형 펄스, 화이트 노이즈 주입을 포함한 변환을 적용한다.
• 유한 임펄스 응답(FIR) 필터를 사용하여 저통과 및 고통과 필터링을 수행하여 신호의 열화 또는 노이즈를 시뮬레이션한다.
• 두 가지 하이퍼파라미터를 도입한다: 각 증강의 강도를 제어하는 강도(M)와 각 샘플에 적용되는 증강 수(N).
• 배치 정규화, ReLU 활성화 함수, 드롭아웃을 포함한 잔차 컨볼루션 신경망(CNN)을 사용하여 ECG 시퀀스 분류를 수행한다.
• 원시 ECG 신호를 50 Hz로 재샘플링하고, 시퀀스 길이를 맞추기 위해 0 패딩을 적용(3050점), 그리고 진폭을 ±5 mV로 정규화한다.

실험 결과

연구 질문

• RQ1 무작위로 조합된 데이터 증강 기법이 단일 리드 ECG 분류에서 DNN 성능 향상에 기여하는가?
• RQ2 어떤 특정한 신호 수준의 증강 기법이 ECG 분류의 내성 향상에 가장 효과적인가?
• RQ3 ECG Augment는 DNN 아키텍처를 수정하지 않고도 분류 성능을 기준 모델을 초월하는가?
• RQ4 증강 강도(M)와 증강 수(N)와 같은 하이퍼파라미터가 모델 성능에 어떤 영향을 미치는가?

주요 결과

• M=12 및 N=5 설정에서 기준 모델 대비 세 클래스(정상, 심방세동, 기타 리듬) 평균 F1 스코어가 3.17% 향상되었다.
• 최고 성능을 보인 설정(M=12, N=5)은 F1 스코어 0.8427을 기록하여 기준 스코어 0.8168를 초월했다.
• 중간 수준의 증강 강도(M=4)와 다섯 개의 증강을 적용한 경우에도 2.13% 향상되었으며, 이는 다양한 설정에서 일관된 성과 향상을 보여주었다.
• 높은 강도 값(M=20)을 사용할 경우 다섯 개의 증강과 조합했을 때 성능 저하가 발생하여 극단적인 설정에서 과적합 또는 불안정성이 발생할 수 있음을 시사했다.
• 모든 테스트된 증강 설정(M=4, 12, 20, N=1에서 5까지)이 기준 모델을 초월하는 일관된 향상을 보였으며, 이는 이 접근법의 강건성을 확인시켰다.
• 결과는 ECG Augment가 데이터 다양성을 효과적으로 증가시키고, 특히 단일 리드 ECG에서 심방세동 검출에 있어 모델의 일반화 능력을 향상시킨다는 것을 시사한다.