[논문 리뷰] Kalman-based Spectro-Temporal ECG Analysis using Deep Convolutional Networks for Atrial Fibrillation Detection

Zheng Zhao, Simo Särkkä외 1명|arXiv (Cornell University)|2018. 12. 12.

ECG Monitoring and Analysis참고 문헌 1인용 수 3

한 줄 요약

이 논문은 흐름성분 분석 기반의 깊이 학습 기반 컨volution 신경망을 사용한 심房세동(AF) 검출을 위한 칼만 기반의 스펙트로-시간 ECG 분석 프레임워크를 제안한다. 시간에 따라 변화하는 푸리에 계수를 칼만 필터링을 통해 모델링하고, 계산 효율성을 높이기 위해 확률적 오실레이터 모델을 도입함으로써, PhysioNet/CinC 2017 데이터셋에서 F1 스코어 80.2%를 달성하였으며, 전통적인 스펙트럼 방법을 능가하고, 시간적 특징 유지와 장시간 신호에 대한 확장성 향상으로 최신 기술 수준의 성능을 입증하였다.

ABSTRACT

In this article, we propose a novel ECG classification framework for atrial fibrillation (AF) detection using spectro-temporal representation (i.e., time varying spectrum) and deep convolutional networks. In the first step we use a Bayesian spectro-temporal representation based on the estimation of time-varying coefficients of Fourier series using Kalman filter and smoother. Next, we derive an alternative model based on a stochastic oscillator differential equation to accelerate the estimation of the spectro-temporal representation in lengthy signals. Finally, after comparative evaluations of different convolutional architectures, we propose an efficient deep convolutional neural network to classify the 2D spectro-temporal ECG data. The ECG spectro-temporal data are classified into four different classes: AF, non-AF normal rhythm (Normal), non-AF abnormal rhythm (Other), and noisy segments (Noisy). The performance of the proposed methods is evaluated and scored with the PhysioNet/Computing in Cardiology (CinC) 2017 dataset. The experimental results show that the proposed method achieves the overall F1 score of 80.2%, which is in line with the state-of-the-art algorithms.

연구 동기 및 목표

• 기존의 STFT 및 CWT와 같은 전통적 방법보다 시간 동역학을 더 잘 유지하는 강력한 스펙트로-시간 ECG 신호 표현 방식을 개발하는 것.
• 장시간 ECG 신호에서 칼만 기반 스펙트로-시간 추정의 계산 비효율성을 해결하기 위해 정적 칼만 필터를 사용하는 확률적 오실레이터 모델을 도입하는 것.
• AF 검출을 위한 스펙트로-시간 ECG 데이터에 대해 다양한 딥 러닝 아키텍처(예: DenseNet, ResNet, RF)를 평가하고 비교하는 것.
• 베이지안 상태공간 모델링에서 유도된 스펙트로-시간 특징을 기반으로 엔드 투 엔드 딥 러닝을 통해 AF 검출에서 최신 기술 수준의 성능을 달성하는 것.
• 최적화된 특징 표현과 분류 방식을 통해 실제 ECG 데이터에서 단기 또는 노이즈가 많은 기록에 대해 AF 검출의 확장성과 정확도를 향상시키는 것.

제안 방법

• 시간에 따라 변화하는 푸리에 급수 계수를 상태공간 프레임워크 내에서 모델링하여 계수들이 시간에 따라 확률적으로 변화하도록 설정한다.
• 칼만 필터링과 스무딩을 적용하여 시간에 따라 변화하는 스펙트럼을 추정하고, 푸리에 계수에 고정된 가우시안 프로세스 사전분포를 도입하여 베이지안 추론을 수행한다.
• 표준 푸리에 기반 상태 모델을 대체하기 위해 확률적 오실레이터 미분방정식 모델을 도입하여 정적 칼만 필터를 활용해 더 빠른 계산과 더 나은 스무딩 성능을 확보한다.
• 정적 공분산 행렬(P∞)에 대한 닫힌 해를 유도하여, 여러 ECG 세그먼트에 걸쳐 반복적인 스펙트로-시간 추정 시 계산 비용을 크게 감소시킨다.
• 추정된 스펙트로-시간 표현을 2차원 특징 맵으로 변환하고, 이를 딥 컨volution 신경망(예: DenseNet-18, ResNet-18)에 입력하여 엔드 투 엔드 분류를 수행한다.
• 여러 ECG 세그먼트에 걸쳐 평균화 전략을 적용하여 강건성과 일반화 성능을 향상시키며, 특히 단기 기록에서 유의미한 성능 향상을 이룬다.

실험 결과

연구 질문

• RQ1 칼만 기반 스펙트로-시간 추정이 STFT, CWT 및 자기회귀 모델링과 같은 기존 방법보다 동적 ECG 특징을 더 잘 포착하여 AF 검출에 유리한가?
• RQ2 정적 칼만 필터를 사용하는 제안된 확률적 오실레이터 모델이 정확도를 손상시키지 않은 채 계산 시간을 크게 줄이는가?
• RQ3 스펙트로-시간 ECG 표현을 AF, 정상, 기타 비정상, 노이즈 클래스로 분류할 때 어떤 딥 러닝 아키텍처가 가장 우수한 성능를 보이는가?
• RQ4 다양한 스펙트로-시간 표현 방식이 딥 네트워크의 컨볼루션 레이어에서 활성화 패턴과 특징 학습에 어떤 영향을 미치는가?
• RQ5 스펙트로-시간 특징의 평균화가 단기 또는 노이즈가 많은 ECG 기록에서 분류 강건성에 얼마나 기여하는가?

주요 결과

• 제안된 푸리에KS 및 오실레이터KS 스펙트로-시간 추정 방법이 모든 테스트 분류기에서 가장 높은 F1 스코어를 기록하였으며, STFT, CWT 및 버그AR 방법을 모두 능가하였다.
• 오실레이터KS 방법은 정적 공분산 행렬(P∞)을 사전 계산하여 계산 비용을 크게 감소시켰으며, 정확도 손실 없이 더 빠른 추정을 가능하게 하였다.
• DenseNet-18(Dense18+)가 모든 스펙트로-시간 표현에서 가장 뛰어난 성능를 보였으며, PhysioNet/CinC 2017 데이터셋에서 F1 스코어 80.2%를 달성하였다.
• 특징 맵 시각화 결과, 푸리에KS와 CWT는 특히 고에너지 영역 및 구조적 영역에서 첫 번째 컨볼루션 레이어에서 더 활성화되고 다양한 반응을 보였다.
• AF 검출 성능는 AF 클래스에서 가장 높았고(F1 > 80%), 노이즈 클래스에서 가장 낮았으며(F1 < 60%), 기타 클래스는 클래스 불균형과 다양성으로 인해 중간 정도의 성능를 보였다.
• 평균화 전략을 통합함으로써 단기 ECG 세그먼트에 대해서도 강건성을 확보하였지만, 일부 기록에서 데이터 길이가 부족하여 성능에 한계가 있었다.