[논문 리뷰] Inferior Myocardial Infarction Detection from lead II of ECG: A Gramian Angular Field-based 2D-CNN Approach

Asim Yousuf, Rehan Hafiz외 4명|arXiv (Cornell University)|2023. 02. 25.

ECG Monitoring and Analysis인용 수 4

한 줄 요약

이 논문은 2D-CNN 기반의 접근 방식을 제안하며, GASF(Gramian Angular Summation Field)와 GADF(Gramian Angular Difference Field)를 사용하여 리드 II 심전도 신호를 2D 회색조 이미지로 변환하여 자동으로 심장마비(MI)를 진단한다. 이 방법은 노이즈와 베이스라인 왜곡이 있는 심전도 데이터에서도 최대 99.84%의 정확도를 달성하여 실시간 웨어러블 기기에서 사용 가능한 강건한 단일 리드 MI 진단을 가능하게 한다. 수작업으로 설계된 특징이 필요하지 않다.

ABSTRACT

This paper presents a novel method for inferior myocardial infarction (MI) detection using lead II of electrocardiogram (ECG). We evaluate our proposed method on a public dataset, namely, Physikalisch Technische Bundesanstalt (PTB) ECG dataset from Physionet. Under our proposed method, we first clean the noisy ECG signals using db4 wavelet, followed by an R-peak detection algorithm to segment the ECG signals into beats. We then translate the ECG timeseries dataset to an equivalent dataset of gray-scale images using Gramian Angular Summation Field (GASF) and Gramian Angular Difference Field (GADF) operations. Subsequently, the gray-scale images are fed into a custom two-dimensional convolutional neural network (2D-CNN) which efficiently differentiates between a healthy subject and a subject with MI. Our proposed approach achieves an average classification accuracy of 99.68%, 99.80%, 99.82%, and 99.84% under GASF dataset with noise and baseline wander, GADF dataset with noise and baseline wander, GASF dataset with noise and baseline wander removed, and GADF dataset with noise and baseline wander removed, respectively. Most importantly, this work opens the floor for innovation in wearable devices to measure lead II ECG (e.g., by a smart watch worn on right wrist, along with a smart patch on left leg), in order to do accurate, real-time and early detection of inferior wall MI.

연구 동기 및 목표

• 단일 리드 II 심전도를 사용하여 심장마비(MI)를 자동으로 진단할 수 있는 딥러닝 기반의 방법을 개발함으로써, 다중 리드나 전문가가 설계한 특징에 의존하지 않도록 하는 것.
• 실생활 심전도 신호에서 발생하는 노이즈와 베이스라인 왜곡 문제를 해결하기 위해 웨이블릿 노이즈 제거와 강력한 신호 전처리 기법을 통합하는 것.
• 시간적 동역학을 공간 패턴으로 인코딩하는 GASF 및 GADF를 활용하여 1D 심전도 시계열을 2D 이미지 표현으로 변환할 수 있는 가능성을 탐색하는 것.
• 웨어러블 건강 기기에서 구동 가능한 경량의 단일 리드 심전도 프레임워크를 활용하여 높은 성능의 MI 분류를 실현하는 것.
• 도메인 전문 지식 기반의 특징 설계에 의존하지 않으면서도 최신 기술 수준의 정확도를 달성하고, 계산 복잡도를 최소화하는 것.

제안 방법

• 리드 II의 심전도 신호는 db4 웨이블릿 변환을 사용하여 노이즈와 베이스라인 왜곡을 제거하기 위해 전처리되었다.
• 심장 박동을 개별적으로 분할하기 위해 R-피크 검출 기법이 적용되었다.
• 각 심장 박동은 시간적 동역학을 공간 패턴으로 인코딩하는 GASF(Gramian Angular Summation Field) 및 GADF(Gramian Angular Difference Field) 방법을 사용하여 2D 회색조 이미지로 변환되었다.
• 결과적으로 생성된 2D 이미지는 6개의 은닉층을 가진 맞춤형 2D-합성곱 신경망(CNN)에 입력되어 엔드 투 엔드 특징 학습 및 분류가 수행되었다.
• 모델은 Adam 옵timizer를 사용하여 학습되었으며, 학습률은 0.001, 손실 함수는 다중 분류 교차 엔트로피이며, 배치 크기는 8, 학습-테스트 분할 비율은 80-20이었다.
• 일반화 능력을 확보하고 과적합을 방지하기 위해 K=10의 K-폴드 교차 검증이 적용되었으며, 모든 폴드의 성능을 평균화하여 분석하였다.

Figure 1: The proposed method for MI detection.

실험 결과

연구 질문

• RQ1 리드 II의 1D 심전도 박동을 GASF 및 GADF 변환하여 2D 이미지로 변환한 2D-CNN 모델이 심장마비와 건강한 케이스를 높은 정확도로 구분할 수 있는가?
• RQ2 추가 노이즈와 베이스라인 왜곡이 제안된 방법의 분류 성능에 미치는 영향은 어떠한가?
• RQ3 수작업으로 설계된 심전도 특징이나 다중 리드 입력 없이도 제안된 방법이 얼마나 잘 일반화되는가?
• RQ4 GASF/GADF 변환은 단일 리드 심전도 환경에서 심장마비 진단을 위한 분류 가능한 시간적 패턴을 효과적으로 유지하는가?
• RQ5 이 프레임워크는 실시간, 지속적이고 조기 심장마비 진단을 위한 웨어러블 기기에서 실질적으로 구현 가능한가?

주요 결과

• 노이즈와 베이스라인 왜곡이 있는 심전도 데이터에서 GASF 변환을 사용한 제안된 방법은 평균 분류 정확도 99.68%를 달성하였다.
• GADF 기반 접근 방식은 동일한 노이즈 조건에서 99.80%의 정확도를 기록하여 신호 열화에 대한 강건성을 입증하였다.
• 노이즈와 베이스라인 왜곡을 제거한 후, GASF 방법은 99.82%의 정확도를, GADF 방법은 99.84%의 정확도를 기록하여 청소된 데이터에서 높은 성능을 보였다.
• 모든 데이터셋에서 민감도는 99.7% 이상, 특이도는 99.2% 이상을 초과하여 강력한 진단 성능를 확인하였다.
• 정확도 곡선은 50 에포크 내에 안정화되었고, 손실 곡선은 수렴하는 경향을 보여, 효과적인 학습과 최소한의 과적합을 의미한다.
• 특히 단일 심전도 리드를 사용하는 경우 기존 최신 기술 수준의 접근 방식을 초월하며, 악성 신호 조건에서도 높은 정확도를 유지한다.

Figure 2: Lead-II ECG signal with noise and baseline wander (healthy class).