[논문 리뷰] ECG arrhythmia classification using a 2-D convolutional neural network

Tae Joon Jun, Hoang M. Nguyen외 4명|arXiv (Cornell University)|2018. 04. 18.

ECG Monitoring and Analysis참고 문헌 33인용 수 205

한 줄 요약

저자들은 ECG 박동을 128×128 그레이스케일 이미지로 변환하고 2-D CNN을 사용해 8가지 박동 유형을 분류하며 MIT-BIH 데이터에 대해 10-폴드 교차 검증으로 높은 정확도를 달성했습니다. 그들은 AlexNet 및 VGGNet과 비교하며 데이터 증강 및 최신 학습 기법을 활용합니다.

ABSTRACT

In this paper, we propose an effective electrocardiogram (ECG) arrhythmia classification method using a deep two-dimensional convolutional neural network (CNN) which recently shows outstanding performance in the field of pattern recognition. Every ECG beat was transformed into a two-dimensional grayscale image as an input data for the CNN classifier. Optimization of the proposed CNN classifier includes various deep learning techniques such as batch normalization, data augmentation, Xavier initialization, and dropout. In addition, we compared our proposed classifier with two well-known CNN models; AlexNet and VGGNet. ECG recordings from the MIT-BIH arrhythmia database were used for the evaluation of the classifier. As a result, our classifier achieved 99.05% average accuracy with 97.85% average sensitivity. To precisely validate our CNN classifier, 10-fold cross-validation was performed at the evaluation which involves every ECG recording as a test data. Our experimental results have successfully validated that the proposed CNN classifier with the transformed ECG images can achieve excellent classification accuracy without any manual pre-processing of the ECG signals such as noise filtering, feature extraction, and feature reduction.

연구 동기 및 목표

• 자동 ECG 부정맥 탐지를 통해 진단 일관성을 개선하고 다양한 기기에 걸친 견고한 모니터링을 가능하게 한다.
• 수동 특징 추출과 노이즈 필터링을 피하기 위해 ECG 이미지를 통해 작동하는 2-D CNN을 제안한다.
• 표준 CNN 구조에 대해 성능을 평가하고 강력한 교차 검증 결과를 확립한다.

제안 방법

• 각 ECG 박동을 Q파 피크를 중심으로 128×128 그레이스케일 이미지로 변환한다.
• 3×3 커널과 배치 정규화, 드롭아웃, Xavier 초기화를 갖춘 VGGNet에서 영감을 받은 2-D CNN을 설계하고 최적화한다.
• 클래스 불균형과 민감도 향상을 위해 매 박동당 9개 변형으로 자르기를 통해 데이터 확장을 적용한다.
• 초기 학습률 0.001과 지수적 감소를 갖는 Adam 옵티마이저를 사용하고 평균 민감도로 검증하며 안정화 후 중지한다.
• MIT-BIH 데이터와 10-fold stratified cross-validation을 사용해 AlexNet과 VGGNet과 비교한다.

실험 결과

연구 질문

• RQ1 1-D ECG 신호를 2-D 이미지로 변환하는 것이 수동 전처리 없이 CNN으로 효과적인 부정맥 분류를 가능하게 하는가?
• RQ2 데이터 증강이 과소 표현된 부정맥 클래스의 민감도와 전체 정확도를 향상시키는가?
• RQ3 제안된 2-D CNN이 MIT-BIH 데이터에서 기존 CNN 아키텍처(AlexNet, VGGNet)와 어떻게 비교되는가?
• RQ4 훈련 전략의 영향(배치 정규화 배치, 활성화 선택, 초기화)이 ECG 이미지 입력의 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 2-D CNN은 10-fold 교차 검증에서 99.05% 평균 정확도와 97.85% 평균 민감도를 달성한다.
• 데이터 확장을 통해 모델은 0.989 AUC, 99.05% 정확도, 97.85% 평균 민감도, 98.55% PPV를 달성한다.
• AlexNet 및 VGGNet과 비교하면 확장 사용 시 제안 모델이 전체 정확도와 AUC에서 최상이며, AlexNet은 확장 시 특이도와 PPV에서 최고를 보인다.
• 증강으로 인한 민감도 개선은 APC, VFW, VEB 클래스에서 특히 두드러지며 각각 2.89%, 2.75%, 4.72%의 이득을 얻는다.
• 이미지에서 직접 노이즈 필터링이나 특징 추출을 피하고 10-fold cross-validation으로 레코딩 간 강건한 평가를 보장한다.