[논문 리뷰] Deep Time-Frequency Representation and Progressive Decision Fusion for ECG Classification

Jing Zhang, Jing Tian외 3명|arXiv (Cornell University)|2019. 01. 19.

ECG Monitoring and Analysis참고 문헌 38인용 수 4

한 줄 요약

이 논문은 짧은 시간 푸리에 변환을 통해 시간-주파수 표현을 학습하고, 다양한 척도의 컨volution 신경망에서의 결정을 점진적 온라인 융합 방식으로 융합하는 딥러닝 프레임워크를 제안한다. 이 방법은 PhysioNet 심방세동 분류 챌린지 데이터셋에서 99.44%의 정확도와 99.21%의 F1 스코어를 기록하여 대회에서 상위 성능를 기록한 기존 기법들을 능가한다.

ABSTRACT

Early recognition of abnormal rhythms in ECG signals is crucial for monitoring and diagnosing patients' cardiac conditions, increasing the success rate of the treatment. Classifying abnormal rhythms into exact categories is very challenging due to the broad taxonomy of rhythms, noises and lack of large-scale real-world annotated data. Different from previous methods that utilize hand-crafted features or learn features from the original signal domain, we propose a novel ECG classification method by learning deep time-frequency representation and progressive decision fusion at different temporal scales in an end-to-end manner. First, the ECG wave signal is transformed into the time-frequency domain by using the Short-Time Fourier Transform. Next, several scale-specific deep convolutional neural networks are trained on ECG samples of a specific length. Finally, a progressive online decision fusion method is proposed to fuse decisions from the scale-specific models into a more accurate and stable one. Extensive experiments on both synthetic and real-world ECG datasets demonstrate the effectiveness and efficiency of the proposed method.

연구 동기 및 목표

• 노이즈, 다양한 부정맥 유형, 제한된 레이블이 부여된 데이터가 존재하는 환경에서 정확한 ECG 리듬 분류 문제를 해결하기 위해.
• 수작업으로 설계된 특징과 단일 척도 모델의 한계를 극복하기 위해 다양한 시간 척도에서 분류 가능한 표현을 학습하기 위해.
• 시간-주파수 특징의 엔드 투 엔드 학습과 점진적 결정 융합을 통해 분류의 강인성과 정확도를 향상시키기 위해.
• 이식 가능한 또는 자원이 제한된 ECG 모니터링 시스템에 적합한 계산 효율성이 뛰어난 방법을 개발하기 위해.

제안 방법

• 원시 ECG 신호를 짧은 시간 푸리에 변환(STFT)을 사용하여 시간-주파수 도메인으로 변환하여 다중 척도 분석을 가능하게 한다.
• 고정 길이의 ECG 샘플을 기반으로 다양한 척도 전용 깊이 컨volution 신경망(CNN)을 훈련시어 다양한 시간 해상도에서 계층적 특징을 학습한다.
• 스케일 전용 모델의 예측을 동적으로 융합하여 정확도와 안정성을 향상시키는 점진적 온라인 결정 융합 전략을 적용한다.
• 컨볼루션 및 풀링 레이어의 특징 맵을 사용하여 주파수 도메인과 시간 도메인에서의 분류 가능한 패턴 탐지 능력을 시각화하고 검증한다.
• 수작업으로 설계된 특징에 의존하지 않고 특징 학습과 결정 융합을 동시에 최적화하기 위해 엔드 투 엔드 훈련을 적용한다.
• 합성 20개 클래스 ECG 데이터와 실제 PhysioNet 심방세동 분류 데이터를 모두 대상으로 방법을 검증한다.

실험 결과

연구 질문

• RQ1 기존의 수작업 특징에 비해 깊이 있는 시간-주파수 표현이 ECG 분류 성능 향상에 기여하는가?
• RQ2 다양한 시간 척도에서 특징을 학습함으로써 모델의 강인성과 정확도가 향상되는가?
• RQ3 점진적 온라인 결정 융합 전략이 스케일 전용 모델의 예측을 효과적으로 융합하여 우수한 성능을 낼 수 있는가?
• RQ4 실제 ECG 데이터셋인 PhysioNet에서 제안된 방법이 최신 기술 수준의 기법들과 비교해 어떻게 성능를 내는가?
• RQ5 이식 가능한 장치에 배포하기에 적합한 계산 효율성을 유지하면서도 높은 성능를 유지를 할 수 있는가?

주요 결과

• 제안된 방법은 PhysioNet 검증 세트에서 99.44% ± 0.57%의 정확도와 99.21% ± 0.81%의 F1 스코어를 기록하여 2017 Computing in Cardiology 챌린지의 상위 기준을 초월하였다.
• 스케일 전용 모델의 결정 융합(레벨 4)은 테스트 세트에서 100%의 정확도와 100%의 F1 스코어를 기록하여 거의 완벽한 일반화 능력을 보였다.
• 특징 시각화 결과, 모델이 특히 두 번째 컨볼루션 레이어에서 특정 주파수 대역과 시간 영역에서 강력한 분류 가능한 반응을 학습하는 것으로 나타났다.
• 모델의 예측 결과는 리듬 유형 별로 잘 군집되어 있었으며, '정상'과 '노이즈' 리듬의 경계 근처에서 소수의 잘못 분류된 샘플만 관찰되어, 레이블 노이즈 또는 어려운 케이스일 가능성이 제기되었다.
• 합성 및 실제 데이터셋 양쪽 모두에서 뛰어난 성능를 보이며, 이는 모델의 강인성과 일반화 능력을 확인시켰다.
• 결과적으로 시간-주파수 표현과 점진적 융합의 조합이 ECG 분류에 매우 효과적이며, 수작업 특징과 딥러닝 특징을 융합하는 앙상블 방법을 뛰어넘는 성능를 기록하는 것으로 나타났다.