[논문 리뷰] Method of diagnosing heart disease based on deep learning ECG signal

Jie Zhang, Bohao Li외 2명|arXiv (Cornell University)|2019. 06. 25.

ECG Monitoring and Analysis참고 문헌 13인용 수 8

한 줄 요약

이 논문은 심장 질환 진단을 위한 딥러닝 기반 방법을 제안하며, 파형 변환을 통해 시간-주파수 표현을 생성하고, 심장 박동수, 심방세동(AF), 기타 리듬, 노이즈로 분류하는 딥 네트워크(DNN)를 사용한다. 이 방법은 검증 세트에서 94%의 정확도를 기록했고, PhysioNet/CinC 2017 도전 대회에서 F1 스코어 0.957를 달성하여 2017년 대회 우승자보다 뛰어난 성능을 보였다.

ABSTRACT

The traditional method of diagnosing heart disease on ECG signal is artificial observation. Some have tried to combine expertise and signal processing to classify ECG signal by heart disease type. However, the currency is not so sufficient that it can be used in medical applications. We develop an algorithm that combines signal processing and deep learning to classify ECG signals into Normal AF other rhythm and noise, which help us solve this problem. It is demonstrated that we can obtain the time-frequency diagram of ECG signal by wavelet transform, and use DNN to classify the time-frequency diagram to find out the heart disease that the signal collector may have. Overall, an accuracy of 94 percent is achieved on the validation set. According to the evaluation criteria of PhysioNet/Computing in Cardiology (CinC) in 2017, the F1 score of this method is 0.957, which is higher than the first place in the competition in 2017.

연구 동기 및 목표

• 기존 수동 심전도 해석의 한계를 극복하기 위해 신호 처리와 딥러닝을 활용한 자동 심장 질환 진단 방법을 개발한다.
• 정상 심전도, 심방세동(AF), 기타 부정맥, 노이즈를 구분할 수 있는 견고한 분류 시스템을 개발한다.
• 시간-주파수 표현을 기반으로 엔드 투 엔드 딥러닝을 적용하여 임상 심전도 분석의 정확도와 신뢰도를 향상시킨다.
• 심전도 기반 심장 질환 분류에 있어 PhysioNet/CinC 2017 도전 대회 데이터셋에서 최신 기술 수준의 성능을 달성한다.

제안 방법

• 방법은 원시 심전도 신호를 시간-주파수 표현으로 변환하기 위해 연속 웨이블릿 변환(CWT)을 적용하여 기능 추출을 향상시킨다.
• 수득한 시간-주파수 다이어그램은 다중 분류를 위한 딥 네트워크(DNN)에 입력된다.
• DNN은 심전도를 네 가지 카테고리로 분류하도록 훈련된다: 정상, 심방세동(AF), 기타 리듬, 노이즈.
• 모델은 표준 평가 지표인 정확도와 F1 스코어를 사용하여 PhysioNet/CinC 2017 데이터셋에서 평가된다.
• 변환된 신호 특징에서 딥러닝의 분류 능력을 활용하여 진단 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 웨이블릿 변환을 통해 생성된 시간-주파수 표현은 심전도 기반 심장 질환 분류에서 딥러닝 모델의 성능을 향상시키는가?
• RQ2 제안된 DNN 기반 방법은 PhysioNet/CinC 2017 벤치마크에서 기존 방법과 비교해 정확도와 F1 스코어 측면에서 어떻게 성능을 내는가?
• RQ3 자동화된 딥러닝 시스템은 최소한의 수동 간섭으로 원시 심전도 신호에서 심방세동 및 기타 부정맥을 얼마나 잘 탐지할 수 있는가?
• RQ4 신호 처리와 딥러닝의 통합은 심전도 분석에서 노이즈와 비정상 리듬의 오분류를 줄이는 데 얼마나 기여하는가?

주요 결과

• 제안된 방법은 심전도 분류 작업에서 검증 세트에서 94%의 정확도를 달성했다.
• 모델은 PhysioNet/CinC 2017 도전 대회 데이터셋에서 F1 스코어 0.957를 기록하여 2017년 대회 1등 성과를 초월했다.
• 웨이블릿 변환의 사용은 심전도 신호의 분류 능력을 향상시키는 특징을 강화하여 DNN이 리듬 유형을 더 잘 구분할 수 있도록 했다.
• 시스템은 심전도 신호를 네 가지 카테고리로 성공적으로 분류하여 노이즈 등 신호 아티팩트에 대한 강건성을 입증했다.