[논문 리뷰] Detection of Paroxysmal Atrial Fibrillation using Attention-based Bidirectional Recurrent Neural Networks

Supreeth P. Shashikumar, Amit Shah외 2명|arXiv (Cornell University)|2018. 05. 07.

ECG Monitoring and Analysis참고 문헌 50인용 수 7

한 줄 요약

이 논문은 30초 ECG 창에서 심방세동(AF)을 탐지하기 위해 주목력 기반 이중방향 순환 신경망(BRNN)과 합성곱 신경망(CNN)을 조합한 모델을 제안한다. 10분 단위의 ECG 세그먼트에서 2,850명의 환자로 구성된 Holter ECG 데이터셋에서 AUC 0.94를 달성하였으며, 저노이즈 신호를 가진 광학체결맥도(PPG) 신호로의 다중 모odal리티 전이 학습을 통해 성능 향상을 보이며, 장기적인 웨어러블 모니터링에서 정확하고 낮은 거짓 경고율을 가진 AF 탐지가 가능하다.

ABSTRACT

Detection of atrial fibrillation (AF), a type of cardiac arrhythmia, is difficult since many cases of AF are usually clinically silent and undiagnosed. In particular paroxysmal AF is a form of AF that occurs occasionally, and has a higher probability of being undetected. In this work, we present an attention based deep learning framework for detection of paroxysmal AF episodes from a sequence of windows. Time-frequency representation of 30 seconds recording windows, over a 10 minute data segment, are fed sequentially into a deep convolutional neural network for image-based feature extraction, which are then presented to a bidirectional recurrent neural network with an attention layer for AF detection. To demonstrate the effectiveness of the proposed framework for transient AF detection, we use a database of 24 hour Holter Electrocardiogram (ECG) recordings acquired from 2850 patients at the University of Virginia heart station. The algorithm achieves an AUC of 0.94 on the testing set, which exceeds the performance of baseline models. We also demonstrate the cross-domain generalizablity of the approach by adapting the learned model parameters from one recording modality (ECG) to another (photoplethysmogram) with improved AF detection performance. The proposed high accuracy, low false alarm algorithm for detecting paroxysmal AF has potential applications in long-term monitoring using wearable sensors.

연구 동기 및 목표

• 간헐적이고 일시적인 심방세동(AF) 발작을 고려한 딥 러닝 기반의 장기 ECG 기록에서 발작성 심방세동(AF) 탐지를 향상시키기 위해.
• 10분 세그먼트 내에서 고확률 AF 창을 우선시하는 소프트 주목력 메커니즘을 사용하여 AF 탐지에서의 거짓 경고를 줄이기 위해.
• 스마트워치 기반의 웨어러블 기기에서 저SNR의 광학체결맥도(PPG) 신호에서의 AF 탐지를 위해 ECG 데이터로 학습된 모델을 PPG 데이터로 전이 학습할 수 있는 가능성을 평가하기 위해.
• 주목력 기반 시각화를 통해 전문의가 레이블을 정밀하게 다듬고 활성 학습을 지원하는 임상적으로 해석 가능한 프레임워크를 개발하기 위해.

제안 방법

• 30초 ECG 창의 시간-주파수 표현은 웨이블릿 분석을 사용하여 스펙트로그램 유사 입력을 생성한다.
• 합성곱 신경망(CNN)은 이러한 스펙트로그램을 처리하여 시간-주파수 도메인에서의 구분 능력 있는 특징을 추출한다.
• 추출된 특징은 10분 ECG 세그먼트 내의 순차적인 30초 창 간의 시간적 종속성을 모델링하기 위해 이중방향 순환 신경망(BRNN)에 입력된다.
• 소프트 주목력 메커니즘이 BRNN 위에 적용되어 정보가 많은 창을 동적으로 가중치를 두어, AF 가능성이 높은 세그먼트를 강조하고 노이즈 및 비-AF 리듬을 억제한다.
• 모델은 버지니아 대학교 심장센터에서 확보한 2,850명의 환자로부터의 대규모 Holter ECG 데이터셋에서 엔드 투 엔드로 훈련된다.
• 전이 학습은 스마트워치 기기에서 확보한 더 작은 PPG 데이터셋에서 ECG로 학습된 모델을 미세조정함으로써, 다양한 모odal리티 간의 학습된 특징을 활용한다.

실험 결과

연구 질문

• RQ1 CNN과 BRNN를 조합하고 주목력 메커니즘을 적용한 딥 러닝 프레임워크가 기존 표준 모델 대비 발작성 심방세동(AF) 탐지 성능을 향상시킬 수 있는가?
• RQ2 소프트 주목력 메커니즘이 장시간이고 노이즈가 많은 ECG 기록 내에서 일시적이고 고확률의 AF 창에 집중함으로써 성능 향상을 이끌 수 있는가?
• RQ3 ECG 데이터로 학습된 모델이 웨어러블 센서에서의 저신호대비노이즈(PPG) 기록에서 AF를 효과적으로 탐지할 수 있는 정도는 어느 정도인가?
• RQ4 모델의 성능가 다양한 AF 빈도 기준에 따라 어떻게 변화하는가? 이는 임상적 레이블링과 평가에 어떤 함의를 갖는가?

주요 결과

• 제안된 모델은 Holter ECG 테스트 세트에서 수신기운용특성곡선 아래 면적(AUC)이 0.94로, 기준 모델보다 뛰어난 성능을 보였다.
• 주목력 메커니즘이 장기간 대부분 정상적인 ECG 세그먼트 내에서 짧고 고확률의 AF 발작을 식별하고 우선순위를 정함으로써 거짓 경고를 줄였다.
• ECG에서 PPG 데이터로의 전이 학습은 PPG 데이터 세트에서의 AF 탐지 성능 향상에 기여하여, 다양한 모달리티 간의 일반화 능력을 입증하였다.
• 모델의 주목력 가중치는 10분 창 동안의 AF 빈도를 정량화하는 측도로 기능하여 임상적 해석에 기여하였다.
• AF 빈도 기준에 따라 데이터셋을 재레이블링하면 성능에 상당한 영향을 미쳤으며, AF 빈도가 75% 이상인 세그먼트를 고려할 경우 AUC가 0.97로 상승하였다.
• 주목력 가중치를 시각화함으로써 활성 학습을 지원하는 프레임워크를 제공하여 전문의가 반복적으로 레이블을 다듬고 모델 정확도를 향상시킬 수 있었다.