[논문 리뷰] DeScoD-ECG: Deep Score-Based Diffusion Model for ECG Baseline Wander and Noise Removal

Huayu Li, Gregory Ditzler외 2명|arXiv (Cornell University)|2022. 07. 31.

ECG Monitoring and Analysis인용 수 6

한 줄 요약

이 논문은 노이즈가 있는 ECG 입력을 조건으로 하여 가우시안 노이즈에서 시작하는 마르코프 체인으로부터 샘플링하여 반복적으로 노이즈를 제거하는 조건부 스코어 기반 확산 모델 DeScoD-ECG를 제안한다. 이 모델은 네 가지 유사도 지표에서 기준 모델보다 최소 20% 이상 향상된 최신 기술 수준(SOTA) 성능을 달성하였으며, 극단적인 노이즈 오염 조건에서도 뛰어난 내성(로버스트니)을 보였다.

ABSTRACT

Objective: Electrocardiogram (ECG) signals commonly suffer noise interference, such as baseline wander. High-quality and high-fidelity reconstruction of the ECG signals is of great significance to diagnosing cardiovascular diseases. Therefore, this paper proposes a novel ECG baseline wander and noise removal technology. Methods: We extended the diffusion model in a conditional manner that was specific to the ECG signals, namely the Deep Score-Based Diffusion model for Electrocardiogram baseline wander and noise removal (DeScoD-ECG). Moreover, we deployed a multi-shots averaging strategy that improved signal reconstructions. We conducted the experiments on the QT Database and the MIT-BIH Noise Stress Test Database to verify the feasibility of the proposed method. Baseline methods are adopted for comparison, including traditional digital filter-based and deep learning-based methods. Results: The quantities evaluation results show that the proposed method obtained outstanding performance on four distance-based similarity metrics with at least 20\% overall improvement compared with the best baseline method. Conclusion: This paper demonstrates the state-of-the-art performance of the DeScoD-ECG for ECG baseline wander and noise removal, which has better approximations of the true data distribution and higher stability under extreme noise corruptions. Significance: This study is one of the first to extend the conditional diffusion-based generative model for ECG noise removal, and the DeScoD-ECG has the potential to be widely used in biomedical applications.

연구 동기 및 목표

• 운동 스트레스 테스트 중 운동 아티팩트와 베이스라인 왜곡이 신호 품질을 심각하게 떨어뜨이는 노이즈가 많은 임상 환경에서 고해상도 ECG 신호 재구성의 필수적인 필요성을 해결한다.
• 높은 진폭의 노이즈 또는 극단적인 오염 조건에서 종종 실패하는 전통적인 디지털 필터 및 딥러닝 기반 방법의 한계를 극복한다.
• 이전에 ECG 노이즈 제거에 적용되지 않았던 스코어 기반 확산 모델의 잠재력을 탐색하여, 노이즈가 있는 관측치를 조건으로 하여 깨끗한 ECG 신호의 복잡한 조건부 분포를 학습하는 데 목적이 있다.
• 진짜 데이터 분포를 더 잘 근사하고, 노이즈 수준이 극단적으로 높은 조건에서도 안정성을 유지할 수 있는 방법을 개발한다.
• 어려운 조건에서도 신호의 정밀도를 향상시켜 실제 임상 및 운동 환경에서 더 민첩하고 정확한 ECG 모니터링을 가능하게 한다.

제안 방법

• ECG 신호에 특화된 조건부 스코어 기반 확산 모델을 제안하여, 노이즈가 있는 데이터 분포의 마르코프 체인에서 스코어 매칭을 통해 역방향 노이즈 제거 과정을 학습한다.
• 각 단계에서 노이즈가 있는 ECG 입력을 조건으로 하여 확산 과정을 조절함으로써, 무작위 가우시안 노이즈에서 시작하여 깨끗한 ECG 재구성을 반복적으로 생성한다.
• 다중 샷 평균 전략을 구현하여, 독립적인 재구성 결과 여러 개를 생성하고 평균을 내어 신호 정밀도를 향상시키고 확률적 변동을 줄인다.
• 깨끗한 ECG 분포의 예측된 스코어 함수와 진짜 스코어 함수 간의 차이를 최소화하는 노이즈 제거 스코어 매칭 목적 함수를 사용하여 모델을 훈련시킨다.
• 장기적인 시간적 의존성을 모델링하기 위해 유니넷 유사 아키텍처를 사용하고, 잔차 블록과 어텐션 메커니즘을 통합하여 특징 추출 및 재구성 품질을 향상시킨다.
• 노이즈 입력을 조건으로 하여 깨끗한 ECG 분포의 스코어를 학습하도록 유도하는 노이즈 제거 스코어 기반 훈련 목적 함수를 최적화한다.

실험 결과

연구 질문

• RQ1 조건부 스코어 기반 확산 모델이 기존의 디지털 필터 및 딥러닝 기반 방법보다 뛰어난 ECG 노이즈 제거 성능을 달성할 수 있는가?
• RQ2 DeScoD-ECG 모델은 고진폭 오염 조건에서 어떻게 작동하는가? 특히 기준 모델이 고진폭 오염에서 실패하는 상황에서 비교했을 때 성능은 어떠한가?
• RQ3 다중 샷 평균 전략이 출력 신호의 재구성 정밀도를 향상시키고 분산을 줄이는 데 얼마나 기여하는가?
• RQ4 확산 기반 생성 접근 방식이 종단간 딥러닝 모델보다 깨끗한 ECG 신호의 진짜 데이터 분포를 더 잘 근사하는가?
• RQ5 DeScoD-ECG 모델은 표준 개인용 컴퓨팅 하드웨어에서 실생활 임상 용도로 효율적으로 구현될 수 있는가?

주요 결과

• DeScoD-ECG는 QT 및 MIT-BIH 노이즈 스트레스 테스트 데이터베이스에서 기준 모델 중 가장 우수한 성능을 보였으며, 네 가지 거리 기반 유사도 지표(NRMSE, SNR 등)에서 최소 20% 이상 향상된 성능을 기록했다.
• 모델는 극단적인 노이즈 오염 조건에서도 뛰어난 내성(로버스트니)을 보였으며, 기존의 전통적 및 딥러닝 기반 기준 모델이 실패하는 상황에서도 높은 재구성 정밀도를 유지했다.
• 다중 샷 평균 전략은 재구성 품질을 크게 향상시켜 노이즈 유도 아티팩트를 줄이고 신호 일관성을 향상시켰다.
• 확산 기반 접근 방식은 깨끗한 ECG 신호의 진짜 데이터 분포를 더 잘 근사하여 더 자연스럽고 생리학적으로 타당한 재구성을 이끌어냈다.
• 표준 랩탑(i7-10750H CPU, GTX 1660 Ti GPU)에서 20초 분량의 ECG 신호(7200점)에 대해 10회 샷 재구성에 7.136초가 소요되어, 실용적인 추론 속도를 확보했지만 향상 여지가 있다.
• 모델 성능은 다양한 ECG 유형과 노이즈 프로파일에서 검증되었으며, 임상 및 운동 모니터링 응용 분야에서의 일반화 가능성을 확인했다.