[논문 리뷰] Icentia11K: An Unsupervised Representation Learning Dataset for Arrhythmia Subtype Discovery

Shawn Tan, Guillaume Androz외 5명|arXiv (Cornell University)|2019. 10. 21.

ECG Monitoring and Analysis참고 문헌 28인용 수 28

한 줄 요약

이 논문은 11,000명의 환자와 20억 개의 레이블이 부여된 심전도 신호를 포함하는, 비지도 표현 학습을 위한 가장 큰 공개 심전도 데이터셋인 Icentia11K를 소개한다. 주어진 데이터셋을 바탕으로 PCA, 오토에인코더 및 기타 특징 추출기들을 활용한 준지도 학습 표현 학습 프레임워크를 제안하며, 학습된 임베딩이 알려진 부정맥 유형, 특히 다형성 PVCs의 의미 있는 군집을 드러내어 새로운 부정맥 유형을 발견할 잠재력이 높음을 입증한다.

ABSTRACT

We release the largest public ECG dataset of continuous raw signals for representation learning containing 11 thousand patients and 2 billion labelled beats. Our goal is to enable semi-supervised ECG models to be made as well as to discover unknown subtypes of arrhythmia and anomalous ECG signal events. To this end, we propose an unsupervised representation learning task, evaluated in a semi-supervised fashion. We provide a set of baselines for different feature extractors that can be built upon. Additionally, we perform qualitative evaluations on results from PCA embeddings, where we identify some clustering of known subtypes indicating the potential for representation learning in arrhythmia sub-type discovery.

연구 동기 및 목표

• 대규모 원시 심전도 신호에서 비지도 및 준지도 표현 학습을 가능하게 하여 알려지지 않은 부정맥 유형을 발견하는 것.
• 연속적인 원시 신호로 구성된 가장 큰 공개 심전도 데이터셋(11,000명의 환자, 20억 개의 심박동)을 제공하여 표현 학습을 위한 기반을 마련하는 것.
• 기존의 부정맥 유형을 기반으로 표현 품질의 질적 평가를 위한 벤치마크를 개발하는 것.
• 학습된 표현이 PVCs의 형태학적 차이와 같은 생물학적으로 의미 있는 구조를 포착할 수 있는지 탐색하는 것.
• 향후 이상 탐지, 계층적 시퀀스 모델링 및 심전도 데이터에서 임상적 패턴 탐지 연구를 지원하는 것.

제안 방법

• 데이터셋은 250Hz의 샘플링 주파수와 16비트 해상도를 갖춘 CartioSTAT™ 단일 리드 심전도 모니터를 사용하여 수집되었으며, 11,000명의 환자로부터 연속적인 기록을 확보하였다.
• 논문은 알려진 부정맥 레이블(PVC, PAC 등)을 활용하여 표현 학습의 품질을 평가하는 준지도 학습 평가 프로토콜을 제안한다.
• 다양한 프레임 단위 특징 추출기(PCA, 빠른 푸리에 변환(FFT), BioSPPy, 오토에인코더, 원시 파형)을 평가하였다.
• t-SNE 시각화를 통해 학습된 임베딩 공간에서 군집 패턴을 분석하였으며, 특히 PVCs의 형태학적 변형에 초점을 맞추었다.
• 계층적 모델링 및 맥락 인식 표현 학습을 고려하여, 심박동, 세그먼트, 환자 수준의 3단계 데이터 계층을 유지하였다.
• 재구성 품질 평가를 위해 오토에인코더와 PCA를 활용하였으며, 입력 신호와 재구성된 신호 간의 시각적 비교를 수행하였다.

실험 결과

연구 질문

• RQ1 대규모 원시 심전도 데이터에서 비지도 표현 학습이 알려진 부정맥 유형의 의미 있는 군집을 드러낼 수 있는가?
• RQ2 PCA 및 오토에인코더와 같은 방법으로 학습된 임베딩이 PVCs의 형태학적 차이와 같은 생물학적으로 관련된 구조를 유지하는가?
• RQ3 FFT, BioSPPy, AE 등의 다양한 특징 추출기들이 임베딩 공간에서 부정맥 유형을 얼마나 잘 분리하는가?
• RQ4 원시 심전도 신호에서의 표현 학습이 수동 분석로는 식별하기 어려운 새로운 유형이나 패턴을 드러낼 수 있는가?
• RQ5 기존 레이블을 활용한 준지도 평가 프로토콜이 알려지지 않은 부정맥을 발견하는 데 있어 표현의 진정한 유용성을 얼마나 잘 반영하는가?

주요 결과

• PCA 임베딩의 t-SNE 시각화에서 단형성과 다형성 PVCs에 해당하는 두 개의 명확한 군집이 확인되어, 표현 학습이 알려진 형태학적 유형을 포착할 수 있음을 시사한다.
• 오토에인코더와 PCA는 높은 품질의 신호 재구성을 제공하여 효과적인 특징 학습과 차원 압축을 나타낸다.
• FFT 및 BioSPPy 기반 임베딩는 PVCs를 형태학적 군집으로 명확히 분리하지 못하여 형태학적 변형을 포착하는 데 한계가 있음을 시사한다.
• 표현 공간에서는 리듬에 따라 약간의 군집화가 관찰되었지만, 정량적 평가에서는 통계적으로 유의미하지 않았다.
• PVCs가 두 가지 형태학적으로 구별되는 군집으로 분리된 것은 표현 학습이 심전도 데이터에서 생물학적으로 의미 있는 하위 기반을 드러낼 수 있음을 뒷받침하는 증거이다.
• 제공된 데이터셋과 평가 프레임워크는 새로운 부정맥 유형의 탐색 및 심전도 분석에서 저샷 학습의 향상에 기여할 기반을 제공한다.