[논문 리뷰] Inter-Patient ECG Classification with Convolutional and Recurrent Neural Networks

Li Guo, Gavin Sim외 1명|arXiv (Cornell University)|2018. 09. 27.

ECG Monitoring and Analysis참고 문헌 35인용 수 5

한 줄 요약

이 논문은 환자나 기기별로 특화되지 않은 데이터 없이도 심실성(VEB) 및 심방성(SVEB) 부정맥을 분류할 수 있는 일반화된, 환자 간 ECG 분류 프레임워크를 제안한다. 모델은 검증되지 않은 테스트 데이터에서 VEB에 대해 89.75%의 F1 스코어, SVEB에 대해 61.25%의 F1 스코어를 기록하며, 복잡한 전처리나 특징 공학 없이도 이전의 방법들보다 뛰어난 성능을 보였다.

ABSTRACT

The recent advances in ECG sensor devices provide opportunities for user self-managed auto-diagnosis and monitoring services over the internet. This imposes the requirements for generic ECG classification methods that are inter-patient and device independent. In this paper, we present our work on using the densely connected convolutional neural network (DenseNet) and gated recurrent unit network (GRU) for addressing the inter-patient ECG classification problem. A deep learning model architecture is proposed and is evaluated using the MIT-BIH Arrhythmia and Supraventricular Databases. The results obtained show that without applying any complicated data pre-processing or feature engineering methods, both of our models have considerably outperformed the state-of-the-art performance for supraventricular (SVEB) and ventricular (VEB) arrhythmia classifications on the unseen testing dataset (with the F1 score improved from 51.08 to 61.25 for SVEB detection and from 88.59 to 89.75 for VEB detection respectively). As no patient-specific or device-specific information is used at the training stage in this work, it can be considered as a more generic approach for dealing with scenarios in which varieties of ECG signals are collected from different patients using different types of sensor devices.

연구 동기 및 목표

• 환자 신원이나 ECG 기기 유형에 영향을 받지 않는 일반화된, 환자 간 ECG 분류 방법을 개발하는 것.
• 딥러닝을 활용해 다양한 환자와 기기 간 부정맥을 분류하는 과제를 해결하는 것.
• 복잡한 데이터 전처리나 수작업 특징 공학에 의존하지 않도록 하는 것.
• 표준 ECG 데이터베이스를 사용하여 검증되지 않은 환자에 대한 모델 성능을 평가하는 것.
• VEB 및 SVEB 부정맥에 대해 환자 간 ECG 분류에서 최신 기술 수준의 성능을 입증하는 것.

제안 방법

• 원시 ECG 신호에서 계층적인 시공간적 특징을 추출하기 위해 밀집 연결 컨volution 신경망(DenseNet)을 사용한다.
• ECG 시퀀스의 장거리 시간적 의존성을 모델링하기 위해 DenseNet 위에 게이트드 순환 단위(GRU) 네트워크를 구축한다.
• 모델은 환자별 또는 기기별 데이터 없이 원시 ECG 데이터에서 끝에서 끝까지(end-to-end) 훈련된다.
• 표준 훈련-테스트 분할을 사용하여 MIT-BIH 부정맥 및 심방성 부정맥 데이터베이스에서 모델을 평가한다.
• 복잡한 전처리나 특징 공학을 적용하지 않으며, 모델은 직접 원시 ECG 리드를 처리한다.
• 표준 교차 엔트로피 손실과 Adam 최적화를 사용하며, 조기 정지 기법을 적용하여 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 환자별 또는 기기별 훈련 데이터 없이도 높은 환자 간 ECG 분류 성능을 달성할 수 있는가?
• RQ2 DenseNet과 GRU의 조합이 이전 방법들과 비교해 VEB 및 SVEB 부정맥 분류에 어떻게 향상되는가?
• RQ3 수작업 특징 없이도 깊이 있는 신경망만으로 원시 ECG 데이터를 얼마나 효과적으로 분류할 수 있는가?
• RQ4 제안된 모델은 검증되지 않은 환자와 ECG 기기로도 잘 일반화되는가?
• RQ5 기존 최신 기술 수준의 접근법에 비해 제안된 방법이 환자 간 ECG 분류에서 얼마나 높은 성능 향상을 보이는가?

주요 결과

• 제안된 모델은 심방성 비정상 심박수(SVEB)에 대해 61.25%의 F1 스코어를 기록하여 이전 최신 기술 수준의 51.08%에서 크게 향상되었다.
• 심실성 비정상 심박수(VEB)의 경우, 이전 최신 기술 수준의 88.59%에서 89.75%로 향상된 F1 스코어를 달성하였다.
• 모델는 어떤 복잡한 데이터 전처리나 특징 공학도 필요로 하지 않으며, 기존 방법들을 초월하는 성능을 보였다.
• 훈련 중에 환자별 데이터를 사용하지 않아도 되므로, 다양한 환자와 ECG 기기 간에 강력한 일반화 성능을 보였다.
• DenseNet과 GRU의 조합은 ECG 신호의 국소적 형태 패턴과 장기적 시간적 동역학을 효과적으로 포착하였다.
• 결과는 원격 및 자가 관리 건강 모니터링에 적합한 일반화된, 기기 종속적이지 않은 ECG 분류 시스템의 실현 가능성을 확인한다.