[논문 리뷰] Densely Connected Convolutional Networks and Signal Quality Analysis to Detect Atrial Fibrillation Using Short Single-Lead ECG Recordings

Jonathan Rubin, Saman Parvaneh외 3명|arXiv (Cornell University)|2017. 10. 10.

ECG Monitoring and Analysis인용 수 5

한 줄 요약

이 논문은 밀집 연결 컨volution 네트워크(DenseNet)와 신호 품질 지수(SQI)를 활용한 하이브리드 딥러닝 및 신호 품질 분석 기반 접근법을 제안하여 단일 리드의 짧은 심 electrocardiogram(ECG) 기록에서 심房세동(AF)을 탐지한다. 이 방법은 ECG 세그먼트를 정상 심방 세동(정상 심박리듬, NSR), AF, 기타 리듬(O), 또는 노이즈로 분류하며, PhysioNet/CinC 챌린지 테스트 세트에서 F1-스코어 0.80을 기록했으며, 각각 NSR, AF, O에 대해 F1-스코어 0.90, 0.80, 0.70을 기록했다.

ABSTRACT

The development of new technology such as wearables that record high-quality single channel ECG, provides an opportunity for ECG screening in a larger population, especially for atrial fibrillation screening. The main goal of this study is to develop an automatic classification algorithm for normal sinus rhythm (NSR), atrial fibrillation (AF), other rhythms (O), and noise from a single channel short ECG segment (9-60 seconds). For this purpose, signal quality index (SQI) along with dense convolutional neural networks was used. Two convolutional neural network (CNN) models (main model that accepts 15 seconds ECG and secondary model that processes 9 seconds shorter ECG) were trained using the training data set. If the recording is determined to be of low quality by SQI, it is immediately classified as noisy. Otherwise, it is transformed to a time-frequency representation and classified with the CNN as NSR, AF, O, or noise. At the final step, a feature-based post-processing algorithm classifies the rhythm as either NSR or O in case the CNN model's discrimination between the two is indeterminate. The best result achieved at the official phase of the PhysioNet/CinC challenge on the blind test set was 0.80 (F1 for NSR, AF, and O were 0.90, 0.80, and 0.70, respectively).

연구 동기 및 목표

• 짧은 단일 리드 ECG 기록에서 심방세동(AF)을 자동으로, 강력하게 분류하는 시스템을 개발하는 것.
• 실제 웨어러블 기기 데이터에서 낮은 품질의 ECG 신호 문제를 해결하는 것.
• 단일 리드를 사용하여 짧은(9~60초) ECG 세그먼트에서 정확한 AF 탐지를 가능하게 하여 스크리닝 접근성을 향상시키는 것.
• 딥러닝과의 통합을 통해 신뢰성 향상 및 오진 감소를 위한 신호 품질 평가를 통합하는 것.

제안 방법

• 분류 이전에 ECG 기록 품질을 평가하기 위해 신호 품질 지수(SQI)를 계산한다.
• 15초 ECG 세그먼트를 위한 하나, 짧은 9초 세그먼트를 위한 또 다른 하나의 두 개의 DenseNet 기반 컨volution 신경망(CNN) 모델을 훈련시킨다.
• SQI로 판단된 낮은 품질의 기록은 추가 처리 없이 바로 노이즈로 분류된다.
• 유효한 기록은 분류를 위해 CNN에 입력되기 전에 시간-주파수 표현(예: 스펙트로그램)으로 변환된다.
• CNN 출력이 모호한 경우, NSR과 O 간의 모호한 분류를 해결하기 위한 특징 기반 후처리 알고리즘을 사용한다.
• 최종 분류 결과는 SQI 결과, CNN 예측 결과, 후처리 논리의 조합을 통해 결정된다.

실험 결과

연구 질문

• RQ1 신호 품질 지수(SQI)가 딥러닝 분류 이전에 낮은 품질의 ECG 기록을 효과적으로 걸러낼 수 있는가?
• RQ2 DenseNet 기반 모델이 짧은 단일 리드 ECG를 NSR, AF, O, 또는 노이즈로 얼마나 정확하게 분류할 수 있는가?
• RQ3 신호 품질 분석과 딥러닝을 융합한 하이브리드 접근법이 실생활 웨어러블 ECG 데이터에서 분류의 강건성을 향상시킬 수 있는가?
• RQ4 이러한 시스템이 표준화된 벤치마크인 PhysioNet/CinC 챌린지에서의 성능은 어떠한가?

주요 결과

• 제안된 방법은 공식적인 PhysioNet/CinC 챌린지 블라인드 테스트 세트에서 총합 F1-스코어 0.80을 달성했다.
• 정상 심방 세동(NSR)의 F1-스코어는 0.90이었으며, 이는 NSR 탐지에서 높은 민감도와 정밀도를 의미한다.
• 심방세동(AF)의 F1-스코어는 0.80이었으며, AF 발작 탐지에서 강력한 성능을 보였다.
• 기타 리듬(O)의 F1-스코어는 0.70이었으며, 중간 정도이지만 수용 가능한 분류 정확도를 반영한다.
• SQI의 통합은 파이프라인 초기 단계에서 노이즈 기록을 걸러내어 시스템의 신뢰성을 크게 향상시켰다.
• 15초 및 9초 모델 두 개를 사용한 것 덕분에 다양한 기록 지속 시간에 걸쳐 강건성이 향상되었다.