[논문 리뷰] ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks

Guillermo Jiménez-Pérez, Alejandro Alcaine외 1명|arXiv (Cornell University)|2020. 05. 11.

ECG Monitoring and Analysis인용 수 4

한 줄 요약

ECG-DelNet는 혼합 품질 레이블을 사용하여 액티브 ECG에서 P, QRS, T 파형을 분할하기 위한 U-Net 기반 딥러닝 프레임워크를 제안한다. 데이터 증강과 정규화를 적용하여 PhysioNet QT 데이터베이스에서 훈련한 결과, QRS 파형에 대해 98.73%의 재현율과 99.14%의 정밀도를 기록하였으며, 제한된 데이터에도 불구하고 최신의 디지털 신호 처리(DSP) 방법과 동등한 성능을 달성하였다.

ABSTRACT

Electrocardiogram (ECG) detection and delineation are key steps for numerous tasks in clinical practice, as ECG is the most performed non-invasive test for assessing cardiac condition. State-of-the-art algorithms employ digital signal processing (DSP), which require laborious rule adaptation to new morphologies. In contrast, deep learning (DL) algorithms, especially for classification, are gaining weight in academic and industrial settings. However, the lack of model explainability and small databases hinder their applicability. We demonstrate DL can be successfully applied to low interpretative tasks by embedding ECG detection and delineation onto a segmentation framework. For this purpose, we adapted and validated the most used neural network architecture for image segmentation, the U-Net, to one-dimensional data. The model was trained using PhysioNet's QT database, comprised of 105 ambulatory ECG recordings, for single- and multi-lead scenarios. To alleviate data scarcity, data regularization techniques such as pre-training with low-quality data labels, performing ECG-based data augmentation and applying strong model regularizers to the architecture were attempted. Other variations in the model's capacity (U-Net's depth and width), alongside the application of state-of-the-art additions, were evaluated. These variations were exhaustively validated in a 5-fold cross-validation manner. The best performing configuration reached precisions of 90.12%, 99.14% and 98.25% and recalls of 98.73%, 99.94% and 99.88% for the P, QRS and T waves, respectively, on par with DSP-based approaches. Despite being a data-hungry technique trained on a small dataset, DL-based approaches demonstrate to be a viable alternative to traditional DSP-based ECG processing techniques.

연구 동기 및 목표

• 다양한 형태와 데이터 품질 수준에 일반화 가능한 딥러닝 기반 ECG 파형 분할 방법을 개발하는 것.
• 데이터 정규화 및 증강 기법을 활용하여 ECG 레이블링의 자료 부족 문제를 해결하는 것.
• 2D U-Net 아키텍처를 1D ECG 신호에 적응시켜 P, QRS, T 파형의 엔드 투 엔드 세그먼테이션을 가능하게 하는 것.
• 단일 리드 및 다중 리드 환경에서의 성능을 평가하여 입력 구성 간의 일반화 능력을 분석하는 것.
• 작은 데이터셋에도 불구하고 딥러닝 기반 분할이 전통적인 DSP 기반 방법과 동등하거나 이를 초월할 수 있음을 입증하는 것.

제안 방법

• 시퀀스에서 시퀀스로의 세그먼테이션을 위해 1D 컨볼루션과 역전치 컨볼루션을 적용하여 1D ECG 신호에 맞게 U-Net 아키텍처를 변형하였다.
• 소규모 QT 데이터베이스(105개 기록)에서 과적합을 방지하기 위해 강력한 L2 및 드롭아웃 정규화를 적용하였다.
• 모델의 일반화 능력 향상과 초기 특징 학습을 위해 저품질 레이블에서의 사전 훈련을 수행하였다.
• 심박수 변화, SNR 조정, 파형 형상 조절을 포함한 ECG 기반 데이터 증강 기법을 구현하였다.
• 모델 용량 영향을 평가하기 위해 깊이(3–7 레벨)와 너비(레벨당 1–4 블록)를 다양하게 조합한 모델 변종을 평가하였다.
• 표준 세그먼테이션 지표(정밀도, 재현율, F1 점수)를 사용하여 5겹 교차검증을 통해 모델을 훈련 및 검증하였다.

실험 결과

연구 질문

• RQ1 U-Net 기반 딥러닝 모델은 소규모이자 품질이 혼합된 ECG 데이터베이스에서 고정밀도 ECG 파형 분할을 달성할 수 있는가?
• RQ2 제한된 레이블링 데이터에서 훈련할 경우 데이터 증강 및 정규화 전략은 모델 성능에 어떤 영향을 미치는가?
• RQ3 입력 차원이 증가하는 것을 감안할 때, 다중 리드 입력은 단일 리드 입력보다 분할 성능을 향상시키는가?
• RQ4 모델의 아키텍처 용량(깊이 및 너비)은 소규모 데이터셋에서의 일반화 능력에 얼마나 영향을 미치는가?
• RQ5 정밀도와 재현율 측면에서 딥러닝 기반 분할은 전통적인 DSP 기반 방법과 동등하거나 이를 초월할 수 있는가?

주요 결과

• 최고 성능을 보인 모델은 P 파형에 대해 90.12% 정밀도와 98.73% 재현율, QRS 파형에 대해 99.14% 정밀도와 99.94% 재현율, T 파형에 대해 98.25% 정밀도와 99.88% 재현율을 기록하였다.
• 모델은 단일 리드 및 다중 리드 환경 모두에서 최신의 DSP 기반 방법을 뛰어나거나 동등하게 성능을 내었다.
• 정규화를 적용하지 않은 경우 모델 용량이 증가할수록 성능이著명하게 악화되어, 정규화의 중요성은 아키텍처 확장보다 더 중요함을 시사하였다.
• 저품질 레이블에서의 사전 훈련과 데이터 증강이 일반화 능력을 크게 향상시켰으며, 특히 자료가 부족한 환경에서 두드러졌다.
• 강력한 정규화(L2, 드롭아웃)와 아키텍처 사전 지식(SDo)의 조합이 모델 깊이나 너비를 늘리는 것보다 더 효과적이었다.
• 다중 리드 입력이 단일 리드 입력보다 높은 성능을 내지 못했으며, 이는 리드 융합 전략이 잠재적인 오류를 가림 또는 노이즈를 유도할 수 있음을 시사한다.