[논문 리뷰] ECG Heartbeat classification using deep transfer learning with Convolutional Neural Network and STFT technique

Minh Cao, Tianqi Zhao외 4명|arXiv (Cornell University)|2022. 06. 28.

ECG Monitoring and Analysis인용 수 5

한 줄 요약

이 논문은 ResNet-18과 STFT 기반 ECG 표현을 사용한 딥 트랜스퍼 러닝 프레임워크를 제안하여 소규모 데이터셋에서 심박수를 분류하며, MIT-BIH arrhythmia 데이터셋에서 높은 정확도를 달성한다. 데이터 유출을 방지하고 ECG 분류에서 신뢰할 수 있는 모델 평가를 보장하기 위해 데이터 분할에 AAMI EC57 기준을 따르는 것이 필수적임을 입증한다.

ABSTRACT

Electrocardiogram (ECG) is a simple non-invasive measure to identify heart-related issues such as irregular heartbeats known as arrhythmias. While artificial intelligence and machine learning is being utilized in a wide range of healthcare related applications and datasets, many arrhythmia classifiers using deep learning methods have been proposed in recent years. However, sizes of the available datasets from which to build and assess machine learning models is often very small and the lack of well-annotated public ECG datasets is evident. In this paper, we propose a deep transfer learning framework that is aimed to perform classification on a small size training dataset. The proposed method is to fine-tune a general-purpose image classifier ResNet-18 with MIT-BIH arrhythmia dataset in accordance with the AAMI EC57 standard. This paper further investigates many existing deep learning models that have failed to avoid data leakage against AAMI recommendations. We compare how different data split methods impact the model performance. This comparison study implies that future work in arrhythmia classification should follow the AAMI EC57 standard when using any including MIT-BIH arrhythmia dataset.

연구 동기 및 목표

• 심부전된 양질의 공개 ECG 데이터셋으로 인한 심 arrhythmia 분류 과제를 해결하기 위해.
• 소규모 학습 데이터셋에서 잘 작동하는 딥 트랜스퍼 러닝 프레임워크를 개발하기 위해.
• 다양한 데이터 분할 방법이 모델 성능에 미치는 영향을 평가하기 위해.
• ECG 분류 연구에서 데이터 유출을 방지하기 위해 AAMI EC57 기준을 준수하는 것이 필수적임을 입증하기 위해.

제안 방법

• CNN에 적합한 이미지 유사 표현을 만들기 위해 원시 ECG 신호를 단기 푸리에 변환(STFT)을 사용해 스펙트로그램으로 변환한다.
• 트랜스퍼 러닝을 통해 미리 훈련된 ResNet-18 모델을 MIT-BIH arrhythmia 데이터셋에 맞추기 위해 미세조정한다.
• 데이터 유출을 방지하기 위해 AAMI EC57 표준을 준수하는 데이터 분할 전략을 적용한다.
• 모델 성능을 비교 분석하여 다양한 데이터 분할 방법의 안정성과 일반화 능력을 평가한다.
• 정확도, 민감도, 특이도와 같은 표준 평가 지표를 사용해 분류 성능를 평가한다.
• 모델의 일반화 능력을 보장하기 위해 보류된 테스트 세트에서 모델을 검증한다.

실험 결과

연구 질문

• RQ1 STFT 처리된 ECG 데이터를 사용한 트랜스퍼 러닝은 소규모 데이터셋에서 분류 성능를 어떻게 향상시키는가?
• RQ2 다양한 데이터 분할 방법이 ECG 심부전 분류에서 모델 평가 및 일반화에 어떤 영향을 미치는가?
• RQ3 기존의 딥 러닝 모델들이 부적절한 분할으로 인해 얼마나 심각하게 데이터 유출 문제를 겪는가?
• RQ4 AAMI EC57 기준을 준수하는 것이 ECG 분류에서 모델 평가의 신뢰성을 어떻게 크게 향상시키는가?
• RQ5 STFT 표현을 사용해 소규모 ECG 데이터셋에서 미리 훈련된 ResNet-18 모델을 미세조정했을 때 높은 성능를 달성할 수 있는가?

주요 결과

• STFT와 ResNet-18를 사용한 제안된 트랜스퍼 러닝 프레임워크는 높은 분류 정확도를 달성하여 소규모 데이터셋에서 강력한 성능를 입증하였다.
• AAMI EC57 기준에 따라 데이터 분할을 준수함으로써 모델의 신뢰성이 크게 향상되고 데이터 유출 위험이 감소하였다.
• 기존의 MIT-BIH 데이터셋 기반 딥 러닝 모델들 중 많은 수가 부적절한 훈련/검증/테스트 분할로 인해 데이터 유출 문제를 겪고 있음을 발견하였다.
• STFT 기반 스펙트로그램 표현은 ECG 신호의 시간적 및 주파수적 특징을 효과적으로 포착하여 모델 학습을 향상시켰다.
• 다양한 데이터 분할 방법 비교 결과, 부적절한 분할은 과도하게 낙관적인 성능 추정을 초래하며 모델의 타당성을 떨어뜨림을 확인하였다.
• 미리 훈련된 ResNet-18 모델을 ECG 스펙트로그램에 대해 미세조정하면, 특히 제한된 데이터에서 초기 학습보다 훨씬 뛰어난 성능를 기록하였다.