[논문 리뷰] Feature Extraction and Automated Classification of Heartbeats by Machine Learning

Choudur Lakshminarayan, Tony Basil|arXiv (Cornell University)|2016. 07. 13.

ECG Monitoring and Analysis참고 문헌 5인용 수 4

한 줄 요약

이 논문은 단계적 특성 선택을 통해 선별된 최소한의 임상적으로 해석 가능한 특성 세트를 사용하여, 저속도 ECG 샘플링(~115 Hz)과 준모수적 분류기(LDA, QDA, ANN 앙상블)를 활용한 자동 ECG 기반 부정맥 검출을 위한 기계학습 프레임워크를 제안한다. 이는 고감도(87.17%)와 함께 상당히 감소된 가짜 양성 반응을 통해 상실성 빈맥 비정상성 비트(SVEBs)를 초월하여 이전 방법들을 능가하는 양성 예측값과 안정성을 확보한다.

ABSTRACT

We present algorithms for the detection of a class of heart arrhythmias with the goal of eventual adoption by practicing cardiologists. In clinical practice, detection is based on a small number of meaningful features extracted from the heartbeat cycle. However, techniques proposed in the literature use high dimensional vectors consisting of morphological, and time based features for detection. Using electrocardiogram (ECG) signals, we found smaller subsets of features sufficient to detect arrhythmias with high accuracy. The features were found by an iterative step-wise feature selection method. We depart from common literature in the following aspects: 1. As opposed to a high dimensional feature vectors, we use a small set of features with meaningful clinical interpretation, 2. we eliminate the necessity of short-duration patient-specific ECG data to append to the global training data for classification 3. We apply semi-parametric classification procedures (in an ensemble framework) for arrhythmia detection, and 4. our approach is based on a reduced sampling rate of ~ 115 Hz as opposed to 360 Hz in standard literature.

연구 동기 및 목표

• 웨어러블 및 IoT 기반 헬스케어 기기에서 실생활 적용이 가능한 임상적으로 해석 가능한 저복잡도의 ECG 부정맥 검출 시스템을 개발하는 것.
• 임상적으로 중요한 상실성 빈맥 비정상성 비트(SVEBs)에 대한 부정확한 분류가 자주 발생하는 기존의 고차원 특성 기반 모델에서 벗어나, 부정성 비율을 감소시키는 것.
• 환자별 맞춤 학습 데이터가 필요 없도록 전역적이고 일반화된 특성 세트와 분류기 프레임워크를 사용하는 것.
• 저속도 ECG 신호(115 Hz)에 준모수적 분류기(LDA, QDA, ANN)를 적용하여 계산 및 대역폭 요구량을 줄이되, 진단 정확도를 손상시키지 않는 것의 효과를 검증하는 것.
• 특성 선택과 앙상블 모델링을 통해 자동 ECG 분석의 안정성과 신뢰성을 향상시켜 다양한 ECG 데이터에서 일관된 성능을 보장하는 것.

제안 방법

• 시간 도메인, 주파수 도메인, 형태학적 ECG 특성의 최소한의 임상적 의미를 갖는 조합을 도출하기 위해 누적 웨이퍼 기반 특성 선택 방법을 사용하였다.
• 표준 360 Hz 대신 약 115 Hz의 감소된 ECG 샘플링 속도를 적용하여 데이터 볼륨과 계산 부담을 줄였지만, 진단 정보는 유지하였다.
• 선형 판별 분석(LDA), 이차 판별 분석(QDA), 인공 신경망(ANN)과 같은 준모수적 분류기를 단독 및 앙상블 구성 모두에서 적용하였다.
• 입력 데이터 특성에 따라 전문가를 선택하는 게이팅 네트워크를 갖춘 전문가의 혼합(Mixture of Experts, MOE) 모델을 통해 LDA와 QDA를 통합한 앙상블 프레임워크를 구현하였다.
• 교차검증을 통해 성능 지표의 강건성과 안정성을 확보하기 위해 표준화된 ECG 데이터셋에서 모델을 학습하고 테스트하였다.
• 정확도, 정밀도, 신뢰성을 평가하기 위해 민감도(Se), 양성 예측값(PPV), F-측정치 및 표준 오차를 사용하여 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 고차원 특성 벡터에 의존하지 않고도, 최소한의 임상적으로 해석 가능한 ECG 특성 세트로도 심실 빈맥 비정상성 비트(VEBs)와 상실성 빈맥 비정상성 비트(SVEBs)를 높은 정확도로 검출할 수 있는가?
• RQ2 ECG 신호를 약 ~115 Hz로 다운샘플링하면, 임상적으로 중요한 SVEBs에 대해 정확도가 저하되는가? 특히 SVEBs는 자주 잘못 분류되는 경향이 있다.
• RQ3 LDA와 QDA와 같은 준모수적 분류기가, 낮은 속도, 최소한의 특성 기반 ECG 데이터에 적용되었을 때, 딥러닝 모델(예: ANN)에 비해 양성 예측값과 안정성 측면에서 뛰어나거나 보완할 수 있는가?
• RQ4 환자별 레이블링 데이터가 필요 없어지는 것이 자동 ECG 분석 시스템의 확장성과 일반화 능력을 얼마나 향상시키는가?
• RQ5 다양한 결정 기준을 갖는 분류기들을 융합하는 Mixture of Experts(MOE) 프레임워크는 어떻게 분류 성능을 향상시키는가?

주요 결과

• 제안된 방법은 SVEB 검출에서 87.17%의 민감도를 기록하여, 유사한 샘플링 속도를 사용한 최신 기술인 Alvarado 등(86.19%)과 유사한 성능을 보였다.
• SVEB 검출의 양성 예측값(PPV)은 특히 ANN 앙상블을 통해 크게 향상되어 이전 방법들에 비해 가짜 양성 비율이 감소함을 입증하였다.
• 모든 성능 지표의 표준 오차는 극도로 낮아, 반복 평가 시 모델의 높은 안정성과 신뢰성을 나타내었다.
• LDA와 QDA는 모든 지표에서 뛰어난 성능를 보였으며, 특히 LDA는 강건성이 뛰어나 특성 선택이 철저히 이루어진 상황에서는 선형 모델이 매우 효과적일 수 있음을 시사했다.
• 감소된 샘플링 속도(~115 Hz)는 데이터의 분산을 낮추어 소음을 유발하는 오분류를 줄였고, 특히 SVEBs에 대해 PPV 향상에 기여한 것으로 보인다.
• LDA와 QDA를 융합한 Mixture of Experts(MOE) 프레임워크는 유망한 성능를 보였지만, 비확률적 모델(예: ANN)과의 통합은 분류 기준의 차이로 인해 여전히 도전 과제로 남아 있다.