[논문 리뷰] Deep learning neural nets for detecting heart activity

J.M. Horvath, Lu Shien외 4명|arXiv (Cornell University)|2019. 01. 16.

ECG Monitoring and Analysis참고 문헌 8인용 수 4

한 줄 요약

이 연구는 전방향 및 시간 지연 신경망을 사용한 딥러닝 접근법을 제안하여 체 surface potential (BSP) 측정값으로부터 심장 표면 전위 (HSP)를 재구성하고, 심전도의 정의되지 않은 역문제를 해결한다. 메타휴리스틱 방법을 통해 최적의 BSP 전극 조합을 식별함으로써, 108개의 HSP 중 80개에 대해 0.8 이상의 높은 상관관계를 달성하여 비침습적 심장 진단의 실용성을 입증한다.

ABSTRACT

The prediction of heart surface potentials using measurements from the body's surface is known as the inverse problem of electrocardiography. It is an ill-posed problem due to the multiple factors that affect the heart signal as it propagates through the body. This report details research performed into a machine learning solution to signal reconstruction as well as an analysis of optimal torso electrode positioning for prediction involving different areas of the heart. The dataset contains simultaneous measurements from a large number of body surface potential (BSP) and heart surface potential (HSP) electrodes, as well as their geometric locations, recorded from an experiment using a human model. Initially, Time Delayed Neural Nets were trained and tested across all BSP to HSP relationships resulting in a slight trend of increased reconstruction correlation with decreased separation of electrodes. However, the TDNNs had overfitted to the data and failed to predict alternate heartbeat pacings. Feed Forward Neural Nets (FFNNs) were tested in a many BSP to many HSP prediction method. Again overfitting occurred. To reduce overfitting, the number of training signals was reduced by analysing the optimal training BSPs for each HSP when using basic perceptrons. This analysis involved repeat sampling and ranking of different BSP combinations, initially, using a Monte Carlo approximation, until being replaced with a meta-heuristic which increased the yield of successful BSP combinations. Successful reconstructions across heartbeat pacings were produced using these optimal BSP combinations for 80 of the 108 HSPs, and future work exists for the testing of this method of prediction using real patient data.

연구 동기 및 목표

• 체 surface potential (BSP) 측정값으로부터 심장 표면 전위 (HSP)를 재구성하여 심전도의 정의되지 않은 역문제를 해결한다.
• 특히 BSP와 HSP 사이의 공간 국소성에 따른 전극 위치가 재구성 정확도에 미치는 영향을 조사한다.
• 학습에 사용할 BSP 전극의 최적 부분집합을 선택하여 신경망 모델의 과적합을 줄인다.
• 다른 심장 박동 간 일반화 능력을 향상시키기 위해 고수익 BSP 조합을 식별하는 메타휴리스틱 방법을 개발한다.
• 인간 모델 데이터셋을 기반으로 한 접근법의 유효성을 검증하고, 향후 실제 환자 데이터에 대한 테스트를 준비한다.

제안 방법

• BSP를 HSP로 매핑하기 위해 전방향 신경망(FFNN)과 시간 지연 신경망(TDNN)을 훈련하고, 레벤버그 알고리즘을 사용하여 평균 제곱오차를 최소화한다.
• 시그모이드 활성화 함수를 적용하고, TDNN의 은닉층 뉴런 수와 지연 윈도우 크기(0–20)를 최적화하기 위해 교차검증을 사용한다.
• 최적의 BSP 조합을 순위 매기고 선택하기 위해 몬테카를로 근사 후 메타휴리스틱 알고리즘을 구현한다.
• CT 스캔 데이터와 환자별 토러스 치수를 사용하여 몸통의 2차원 전극 위치를 3차원 해부학적 좌표로 변환하는 기하학적 투영 맵핑을 구현한다.
• 투영 과정을 역행시켜 환자의 몸통에 최적의 HSP 재구성에 적합한 실질적인 전극 위치를 제안한다.
• 기하학적 및 신호 기반 방법을 사용하여 전극 데이터를 정규화하여 해부학적 변형에 대한 모델의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 체 surface 전극과 심장 표면 전위 사이의 공간 국소성이 심전도의 역문제에서 재구성 정확도를 향상시키는가?
• RQ2 메타휴리스틱 접근법이 과적합을 줄이고 다양한 심장 박동 간 일반화 능력을 향상시키는 데 효과적으로 최적의 BSP 전극 부분집합을 식별할 수 있는가?
• RQ3 특히 최적화된 전극 집합으로 훈련된 경우, 딥 신경망이 BSP 데이터로부터 HSP 신호를 얼마나 높은 상관관계로 재구성할 수 있는가?
• RQ4 예를 들어 앞면, 뒷면, 측면과 같은 다양한 전극 구성은 특정 HSP를 재구성하는 데 어떤 정도의 능력을 가지는가?
• RQ5 식별된 최적의 전극 조합은 실제 환자 데이터를 사용하여 임상 환경에서 실질적으로 적용 가능한가?

주요 결과

• BSP와 HSP 사이의 공간 국소성이 재구성 상관관계를 크게 향상시키며, 가까운 전극일수록 더 좋은 결과를 얻는다.
• 메타휴리스틱 방법을 통해 최적의 BSP 조합을 선택함으로써 과적합이 감소하고, 다양한 심장 박동 간 HSP 신호의 성공적인 재구성이 가능해졌다.
• 108개의 HSP 중 80개에 대해 최적화된 BSP 조합을 사용하여 재구성 상관관계가 0.8 이상을 달성했다.
• 최적의 전극 조합은 2~24개의 전극로 구성되었으며, 기존 12 leads ECG와 비교해 임상적으로 실현 가능했다.
• 심장 심박수의 변화가 있을 경우에도 신호 재구성이 성공적으로 이루어져, 박동 간 변화에 대한 강건성을 입증했다.
• 기하학적 투영 및 정규화 기법을 통해 전극 제안 사항을 환자별 토러스 구조에 실질적으로 적용할 수 있었다.