[논문 리뷰] Deep Convolutional Neural Networks for Noise Detection in ECGs

Jennifer N John, Conner Galloway외 1명|arXiv (Cornell University)|2018. 10. 05.

ECG Monitoring and Analysis참고 문헌 4인용 수 9

한 줄 요약

이 논문은 10,463개의 ECG로 구성된 새로운 인간 레이블이 부여된 데이터셋을 사용하여 모바일-ECG 신호의 노이즈를 탐지하기 위한 딥 컨volution 신경망(CNN)을 제안한다. 16층의 VGG16를 모티프로 한 CNN은 10초 입력 세그먼트에서 AUC 0.977를 달성하여 노이즈 국소화 성능을 크게 향상시키고, 노이즈가 포함된 간격을 제외함으로써 후속 부정맥 탐지 성능을 향상시킨다.

ABSTRACT

Mobile electrocardiogram (ECG) recording technologies represent a promising tool to fight the ongoing epidemic of cardiovascular diseases, which are responsible for more deaths globally than any other cause. While the ability to monitor one's heart activity at any time in any place is a crucial advantage of such technologies, it is also the cause of a drawback: signal noise due to environmental factors can render the ECGs illegible. In this work, we develop convolutional neural networks (CNNs) to automatically label ECGs for noise, training them on a novel noise-annotated dataset. By reducing distraction from noisy intervals of signals, such networks have the potential to increase the accuracy of models for the detection of atrial fibrillation, long QT syndrome, and other cardiovascular conditions. Comparing several architectures, we find that a 16-layer CNN adapted from the VGG16 network which generates one prediction per second on a 10-second input performs exceptionally well on this task, with an AUC of 0.977.

연구 동기 및 목표

• 환자의 움직임, RF 간섭 또는 접촉 불량으로 인해 자주 발생하는 아티팩트로 인해 손상된 모바일-ECG 기록에서 노이즈를 자동으로 탐지하는 방법을 개발하기 위해.
• 절대 임계값이 아닌 상대적 신호 품질 기반으로 노이즈를 레이블링한 새로운 인간 레이블이 부여된 ECG 데이터셋을 구축하기 위해.
• 입력 길이와 네트워크 깊이를 최적화하기 위해 노이즈 탐지에 적합한 다양한 CNN 아키텍처를 평가하기 위해.
• 노이즈가 포함된 간격을 제외함으로써 후속 ECG 분석 모델의 정확도를 향상시키고, P파와 같은 미세한 특징 탐지 능력을 향상시키기 위해.
• 기존 방법이 제한적인 단일 리드, 액티브 ECG에서 딥 러닝을 사용한 노이즈 탐지의 가능성을 탐색하기 위해.

제안 방법

• AliveCor KardiaMobile 기기에서 확보한 10,463개의 모바일 ECG로 구성된 맞춤형 데이터셋을 제작하였으며, 노이즈 레이블은 상대적 신호 품질 기반으로 부여되었으며, 신호의 나머지 부분보다 현저히 더 노이즈가 심한 경우에만 해당 간격을 노이즈로 표기하였다.
• 입력 신호는 1초 또는 2.6초 간격으로 분할되었으며, 각 세그먼트에 대한 이진 노이즈 레이블은 다수결의 원칙을 사용하여 할당되었다.
• 다양한 CNN 아키텍처를 학습시켰으며, 이는 4층, 6층, 16층 및 리서스 네트워크를 포함하며, 입력 길이는 10초(3000개 샘플)와 30초(9000개 샘플)로 설정되었다.
• 16층 모델는 VGG16에서 영감을 얻어, 3x3 컨볼루션과 맥스 풀링 레이어를 사용하여 ECG 신호의 계층적 시간 특징을 추출하였다.
• 소프트맥스 출력 레이어는 각 1초 세그먼트에 대해 노이즈 발생 가능성을 나타내는 확률 점수를 생성하였으며, 클래스 확률은 색상 그라디언트로 시각화되었다.
• 모델 성능 평가에는 수신기 작동 특성 곡선 아래 면적(AUC)을 사용하였으며, 16층 10초 입력 모델이 가장 높은 AUC 0.977를 기록하였다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망이 기존 통계적 또는 규칙 기반 방법보다 뛰어난 정확도로 모바일-ECG 신호의 노이즈를 효과적으로 탐지할 수 있는가?
• RQ2 입력 길이를 2.6초에서 10초로 늘임으로써 더 나은 문맥 모델링이 가능해져 노이즈 탐지 성능이 향상되는가?
• RQ3 16층 VGG16 변형과 같은 깊은 CNN 아키텍처가 더 浅층 모델보다 노이즈가 포함된 ECG 세그먼트를 더 효과적으로 식별하는가?
• RQ4 신호의 나머지 부분과의 비교를 통해 정의되는 상대적 노이즈 레이블링 전략이 노이즈 탐지의 강건성과 임상적 관련성을 향상시키는가?
• RQ5 예측된 노이즈 확률이 실제 노이즈 심각도와 상관이 있는가? 이는 향후 다중 클래스 또는 회귀 기반의 노이즈 심각도 평가로의 확장 가능성을 시사한다.

주요 결과

• 10초 입력 길이를 사용하는 16층 CNN이 가장 높은 성능을 보였으며, AUC 0.977를 기록하여 테스트된 모든 다른 아키텍처를 압도했다.
• 10초 입력 길이는 2.6초 입력 대비 더 나은 문맥 인식 능력과 더 정밀한 노이즈 국소화를 가능하게 하여 노이즈 간격을 보다 정확히 식별하는 데 기여했다.
• 30초 입력을 사용한 6층 CNN은 성능이 열악했으며(AUC = 0.956), 스트라이딩 적용 능력이 제한되고 시간 해상도가 낮아서일 가능성이 있다.
• 모델이 예측한 노이즈 확률은 실제 노이즈 수준과 잘 상관관계를 보였으며, 이는 향후 다중 클래스 또는 회귀 기반의 노이즈 심각도 추정으로의 확장 가능성을 시사한다.
• 신호의 나머지 부분과의 비교를 통해 정의되는 상대적 노이즈 레이블링 전략은 효과적이었으며, 균일하게 노이즈가 심한 ECG에서의 잘못된 양성 결과를 방지하고 혼합 품질의 신호에서 깨끗한 특징을 유지하는 데 기여했다.
• 결과는 딥 러닝 기반 접근이 ECG 노이즈 탐지에서 인간 수준의 정확도에 도달할 수 있으며, 자동 부정맥 탐지 시스템의 신뢰도를 크게 향상시킬 수 있음을 시사한다.