[논문 리뷰] Fully Automated Myocardial Infarction Classification using Ordinary Differential Equations

Getie Zewdie, Momiao Xiong|arXiv (Cornell University)|2014. 10. 26.

ECG Monitoring and Analysis참고 문헌 30인용 수 7

한 줄 요약

이 논문은 심장막경색(MI) 분류를 위한 완전 자동화된 방법을 제안한다. 이 방법은 시간에 따라 변화하는 계수를 가진 두 번째 차수의 상미분방정식(ODE)을 사용하여 심전도(ECG) 신호의 동적 및 형태적 특징을 모델링한다. ODE의 매개변수를 추정하여 분류에 유용한 특징을 추출하고, 이를 지지벡터기계(SVM)에 입력하여 PTB 데이터베이스의 12-lead ECG에서 98.7% 민감도, 96.4% 특이도, 98.3% 정확도를 달성하였다. 단일 리드를 사용할 경우에도 97%의 정확도를 기록하였다.

ABSTRACT

Portable, Wearable and Wireless electrocardiogram (ECG) Systems have the potential to be used as point-of-care for cardiovascular disease diagnostic systems. Such wearable and wireless ECG systems require automatic detection of cardiovascular disease. Even in the primary care, automation of ECG diagnostic systems will improve efficiency of ECG diagnosis and reduce the minimal training requirement of local healthcare workers. However, few fully automatic myocardial infarction (MI) disease detection algorithms have well been developed. This paper presents a novel automatic MI classification algorithm using second order ordinary differential equation (ODE) with time varying coefficients, which simultaneously captures morphological and dynamic feature of highly correlated ECG signals. By effectively estimating the unobserved state variables and the parameters of the second order ODE, the accuracy of the classification was significantly improved. The estimated time varying coefficients of the second order ODE were used as an input to the support vector machine (SVM) for the MI classification. The proposed method was applied to the PTB diagnostic ECG database within Physionet. The overall sensitivity, specificity, and classification accuracy of 12 lead ECGs for MI binary classifications were 98.7%, 96.4% and 98.3%, respectively. We also found that even using one lead ECG signals, we can reach accuracy as high as 97%. Multiclass MI classification is a challenging task but the developed ODE approach for 12 lead ECGs coupled with multiclass SVM reached 96.4% accuracy for classifying 5 subgroups of MI and healthy controls.

연구 동기 및 목표

• 심전도 신호를 이용한 심장막경색(MI) 검출을 위한 완전 자동화된 시스템 개발.
• 임상 및 현장 진단 환경에서 신뢰할 수 있고 완전히 자동화된 MI 분류 알고리즘이 부족한 문제 해결.
• ODE를 사용하여 ECG 신호의 동적 및 형태적 특징을 모델링함으로써 진단 정확도 향상.
• 최소한의 ECG 리드 입력으로도 높은 정확도의 MI 분류를 가능하게 하여 웨어러블 및 무선 ECG 시스템 지원.
• 다양한 MI 아형과 건강한 대조군을 구분할 수 있는 다중 클래스 MI 분류로 방법 확장.

제안 방법

• 시간에 따라 변화하는 계수를 가진 두 번째 차수의 상미분방정식(ODE)을 사용하여 ECG 신호의 동적 특징 모델링.
• 상태공간 접근법을 사용하여 관측되지 않은 상태 변수와 시간에 따라 변화하는 매개변수 추정.
• 추정된 시간에 따라 변화하는 계수를 ECG 형태 및 동적 특징의 특징 표현으로 추출.
• ODE에서 유도된 특징을 지지벡터기계(SVM)에 입력하여 이진 및 다중 클래스 MI 분류 수행.
• 12-lead 및 단일 리드 ECG 데이터를 사용하여 PTB 진단 심전도 데이터베이스에서 모델 학습 및 검증.
• ODE 기반 특징을 사용하여 다중 클래스 SVM를 적용해 다섯 종류의 MI 아형과 건강한 대조군을 분류.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 계수를 가진 두 번째 차수의 ODE가 MI 검출을 위한 ECG 신호의 형태적 및 동적 특징을 효과적으로 모델링할 수 있는가?
• RQ2 12-lead ECG에서 이진 MI 대비 비-MI 분류에 대해 ODE-SVM 프레임워크의 분류 정확도는 얼마인가?
• RQ3 단일 리드 ECG만을 사용할 경우 이 방법이 얼마나 높은 정확도를 유지할 수 있는가?
• RQ4 ODE 기반 특징 추출 방법이 다섯 종류의 MI 아형과 건강한 대조군을 포함한 다중 클래스 MI 분류에 일반화될 수 있는가?
• RQ5 제안된 완전 자동화된 방법은 민감도, 특이도 및 정확도 측면에서 기존의 ECG 진단 시스템과 비교해 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 ODE-SVM 방법은 12-lead ECG에서 이진 MI 분류에 대해 98.7% 민감도, 96.4% 특이도, 98.3% 분류 정확도를 달성하였다.
• 단일 리드를 사용할 경우에도 97%의 분류 정확도를 기록하여 최소한의 입력으로도 뛰어난 성능을 보였다.
• 다섯 종류의 MI 아형과 건강한 대조군을 포함한 다중 클래스 분류에서 12-lead ECG를 사용할 경우 96.4%의 정확도를 달성하였다.
• 두 번째 차수의 ODE의 시간에 따라 변화하는 계수는 MI 검출에 핵심적인 동적 및 형태적 ECG 특징을 효과적으로 포착하였다.
• 완전 자동화된 파이프라인은 전문가의 해석 필요성을 크게 줄였으며, 현장 진단 및 웨어러블 ECG 시스템에의 구현을 지원한다.
• 결과적으로 ODE 기반 모델링은 기존 방법을 초월하여 ECG 기반 MI 분류를 위한 특징 표현을 향상시켰다.