[논문 리뷰] Electrocardiogram Classification and Visual Diagnosis of Atrial Fibrillation with DenseECG

Dacheng Chen, Dan Li외 3명|arXiv (Cornell University)|2021. 01. 19.

ECG Monitoring and Analysis참고 문헌 59인용 수 6

한 줄 요약

이 논문은 복잡한 사전 처리나 수작업으로 만든 특징 없이, 심방세동(AF)을 탐지하기 위한 엔드 투 엔드 전기심장도(ECG) 분류를 위한 1차원 밀집 연결 컨볼루션 신경망인 DenseECG를 제안한다. 이 모델은 2017년 PhysioNet CinC 챌린지 데이터셋과 불균형적인 MIT-BIH 데이터셋에서 최신 기술 수준(SOTA)의 성능을 달성하였으며, 분류 결정에 영향을 주는 ECG 영역를 시각화하고 설명하기 위해 클래스 활성화 맵(CAM)을 사용하여 임상적 활용을 위한 모델의 해석 가능성을 향상시켰다.

ABSTRACT

Atrial Fibrillation (AF) is a common cardiac arrhythmia affecting a large number of people around the world. If left undetected, it will develop into chronic disability or even early mortality. However, patients who have this problem can barely feel its presence, especially in its early stage. A non-invasive, automatic, and effective detection method is therefore needed to help early detection so that medical intervention can be implemented in time to prevent its progression. Electrocardiogram (ECG), which records the electrical activities of the heart, has been widely used for detecting the presence of AF. However, due to the subtle patterns of AF, the performance of detection models have largely depended on complicated data pre-processing and expertly engineered features. In our work, we developed DenseECG, an end-to-end model based on 5 layers 1D densely connected convolutional neural network. We trained our model using the publicly available dataset from 2017 PhysioNet Computing in Cardiology(CinC) Challenge containing 8528 single-lead ECG recordings of short-term heart rhythms (9-61s). Our trained model was able to outperform the other state-of-the-art AF detection models on this dataset without complicated data pre-processing and expert-supervised feature engineering.

연구 동기 및 목표

• 복잡한 데이터 사전 처리나 전문가가 설계한 특징에 의존하지 않고도, 원시 ECG 신호에서 자동으로 심방세동(AF)을 탐지할 수 있는 엔드 투 엔드 딥 러닝 모델을 개발하는 것.
• 의료 AI에서 해석 가능성을 향상시키기 위해 클래스 활성화 맵(CAM)을 사용하여 모델의 결정에 기여하는 ECG 세그먼트를 시각화함으로써, 모델 결정의 추적 가능성을 확보하는 것.
• 균형 잡힌 데이터셋과 극도로 불균형한 ECG 데이터셋(2017년 PhysioNet CinC 챌린지 데이터셋 및 MIT-BIH 심 arrhythmia 데이터셋 포함)에서 모델의 성능을 평가하는 것.
• 단기 ECG 세그먼트(예: 1분 윈도우)에 모델을 구현할 수 있는 가능성을 입증하여 웨어러블 기기 및 임상 모니터링 시스템에의 통합을 지원하는 것.

제안 방법

• 제안된 모델인 DenseECG는 원시 ECG 신호에서 직접 계층적인 특징을 학습하는 5층의 1차원 밀집 연결 컨볼루션 신경망이다.
• 아키텍처는 커널 크기 3, 성장률 12, 드롭아웃 비율 0.1을 가지며, 블록 간에 복잡도를 조절하기 위해 감소 비율 0.25를 사용한다.
• 모델의 해석 가능성을 확보하기 위해, 클래스 활성화 맵(CAM)을 생성하여 모델의 AF 분류 결정에 가장 영향을 주는 ECG 시간 세그먼트를 강조한다.
• MIT-BIH 데이터셋에서는 3개의 밀집 블록과 블록당 3개의 레이어를 가진 더 작은 DenseECG 버전을 사용하며, L2 정규화(λ=0.0001)와 Adam 옵timizer를 적용한다.
• 데이터 불균형 문제를 해결하기 위해 훈련 중에 클래스 가중치를 적용하였으며, 포칼 손실과 데이터 증강 기법과의 비교도 수행하였다.
• 학습은 50 에포크 동안 수행되었으며, 초기 학습률 0.001을 50% 및 75% 훈련 시점에서 각각 0.1 배수로 감소시키는 코스인 감쇠 스케줄을 사용하였다.

실험 결과

연구 질문

• RQ1 전문가가 설계한 사전 처리나 특징 공학 없이도 엔드 투 엔드 딥 러닝 모델이 AF 탐지에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ2 클래스 활성화 맵(CAM)이 AF 분류에 기여하는 임상적으로 관련 있는 ECG 패atters를 효과적으로 국소화할 수 있는가? 이는 모델의 해석 가능성을 향상시키는가?
• RQ3 DenseECG 모델은 MIT-BIH와 같이 극도로 불균형한 ECG 데이터셋에서 기존 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?
• RQ4 클래스 가중치의 사용이 불균형 데이터셋에서 소수의 심배동성 질환 클래스에서의 성능 향상에 기여하는가? 포칼 손실이나 데이터 증강과의 비교는 어떻게 되는가?

주요 결과

• DenseECG는 MIT-BIH 심배동성 데이터셋에서 최신 기술 수준의 평균 정확도 94.70%를 달성하여, 데이터 증강을 적용한 ResNet(93.40%)를 능가하였다.
• 클래스 가중치를 적용한 모델은 MIT-BIH에서 94.70%의 정확도를 기록하였으며, 클래스 가중치 없이 학습한 모델(90.93%)과 포칼 손실을 사용한 모델(91.32%)보다 유의미하게 높은 성능을 보였다.
• 2017년 PhysioNet CinC 챌린지 데이터셋에서 DenseECG는 복잡한 사전 처리나 수작업 특징 없이도 다른 최신 기술 수준의 모델들을 능가하였다.
• CAM 시각화는 P파의 부재나 F파의 존재와 같은 임상적으로 관련 있는 ECG 세그먼트를 성공적으로 강조하였으며, 이는 모델이 알려진 AF 지표에 초점을 맞추고 있음을 확인하였다.
• 단기 ECG 세그먼트(예: 약 1.5초)에서도 모델이 강건성을 보였으며, 이는 웨어러블 기기 및 실시간 모니터링 시스템에의 구현 가능성을 시사하였다.
• 다양한 심배동성 유형에 걸쳐 일반화 가능성을 보여주기 위해 '기타' 클래스에서도 CAM은 인간의 진단 이해와 일치하는 비정상 영역을 정확히 식별하였다.