[논문 리뷰] Regularized HessELM and Inclined Entropy Measurement for Congestive Heart Failure Prediction

Apdullah Yayık, Yakup Kutlu외 1명|arXiv (Cornell University)|2019. 07. 12.

Machine Learning and ELM참고 문헌 32인용 수 25

한 줄 요약

이 연구는 정규화된 헤센버그 분해 기반의 극단적 학습 기계(정규화된-헤센버그극단학습기, R-HessELM)와 심전도(EKG) 신호에서 유도된 이차 차분도 그래프(SODP)의 기울은 엔트로피 측정(IEM)을 융합한 새로운 기계학습 프레임워크를 제안한다. 이는 심부전성 심부전(CHF)을 예측하기 위한 것이다. 이 방법은 98.49%의 정확도를 달성하였으며, IEM이 R-파형의 특징적인 동역학을 효과적으로 포착하고, 정규화가 ELM의 일반화 능력을 향상시켜 단지 EKG 데이터만으로도 높은 성능의 CHF 진단이 가능하다는 것을 입증한다.

ABSTRACT

Our study concerns with automated predicting of congestive heart failure (CHF) through the analysis of electrocardiography (ECG) signals. A novel machine learning approach, regularized hessenberg decomposition based extreme learning machine (R-HessELM), and feature models; squared, circled, inclined and grid entropy measurement were introduced and used for prediction of CHF. This study proved that inclined entropy measurements features well represent characteristics of ECG signals and together with R-HessELM approach overall accuracy of 98.49% was achieved.

연구 동기 및 목표

• 단지 EKG 신호만을 사용하여 조기 심부전성 심부전(CHF) 예측을 위한 고정확도 자동화 시스템을 개발하는 것.
• 극단적 학습 기계(ELM)에서의 과적합 및 일반화 능력 부족 문제를 헤센버그 분해 기반 ELM에 정규화를 도입하여 해결하는 것.
• ECG 시계열 신호의 시간적 및 진폭 변화를 보다 효과적으로 포착하기 위해 새로운 엔트로피 기반 특징 추출 방법—특히 기울은 엔트로피 측정(IEM)—을 도입하는 것.
• R-HessELM의 다양한 엔트로피 특징을 평가하고, CHF 분류에 가장 유의미한 특징 조합을 규명하는 것.

제안 방법

• 가상역행렬 계산에 정규화 항을 통합하여 평균 제곱오차(MSE)를 최소화함으로써 일반화 능력을 향상시킨 정규화된 헤센버그 분해 기반 극단적 학습 기계(R-HessELM)를 제안함.
• 이차 차분도 그래프(SODP)의 특징 추출을 위해 제곱, 원형, 기울은, 격자 엔트로피의 네 가지 엔트로피 측정 모델을 도입함.
• EKG 신호에 SODP 변환을 적용하여 연속적인 R-R 간격 차이의 분산을 2차원 Descartes 좌표계에서 시각화하고 정량화함.
• 기울은 엔트로피 측정(IEM)을 사용하여 SODP의 기울기 의존적 분할을 수행함으로써 ECG 동역학의 특징적인 타원형 분포를 세밀하게 정량화함.
• 과적합을 방지하고 R-HessELM 성능을 최적화하기 위해 정규화 파라미터(λ = e⁻¹⁶)를 사용한 5중 교차검증을 시행함.
• SODP 및 엔트로피 특징 추출 이전에 EKG 데이터를 중앙값 필터와 노치 필터를 사용하여 보정함으로써 기저선 왜곡과 전원선 간섭을 제거함.

실험 결과

연구 질문

• RQ1 표준 ELM 대비 정규화된 헤센버그 분해를 적용한 ELM이 CHF 분류의 일반화 능력과 예측 정확도를 유의미하게 향상시키는가?
• RQ2 SODP 특징에 대한 기울은 엔트로피 측정(IEM)이 제곱, 원형, 격자 엔트로피 모델보다 ECG 신호의 특징적인 패턴을 더 잘 포착하여 CHF 예측에 유리한가?
• RQ3 ECG 기반 CHF 분류에 적용했을 때 R-HessELM의 최적 정규화 파라미터 범위는 무엇인가?
• RQ4 SODP에서 유도된 엔트로피 기반 특징이 R-파형의 진폭 및 간격 변동성을 효과적으로 표현할 수 있는가? 이는 임상적으로 중요한 특징이다.
• RQ5 제안된 R-HessELM에 IEM 특징을 융합한 모델이 단지 EKG 데이터만으로도 높은 정확도, 정밀도 및 민감도를 달성할 수 있는가?

주요 결과

• 제안된 R-HessELM에 기울은 엔트로피 측정(IEM)을 적용한 모델이 EKG 신호에서 CHF와 정상 심방세동을 분류하는 데 총 정확도 98.49%를 기록하여 가장 높은 성능을 보였다.
• 기울은 엔트로피 측정(IEM)은 제곱, 원형, 격자 엔트로피 모델보다 뛰어난 성능을 보였으며, ECG 데이터의 SODP 점들의 타원형 분포를 효과적으로 포착하였다.
• 정밀도 98.05%와 민감도 98.30%를 달성하여 CHF 및 정상 케이스를 모두 신뢰성 있게 식별하는 데 성공하였다.
• 헤센버그 기반 ELM 프레임워크에 정규화를 도입함으로써 일반화 능력이 유의미하게 향상되었으며, 정규화 파라미터가 e⁻¹⁰에서 e⁻¹⁸ 범위일 때 최적 성능을 보였다.
• SODP 변환과 IEM 특징의 조합이 R-파형의 동역학을 효과적으로 정량화하였으며, 이는 임상적으로 중요한 CHF 진단 특징이다.
• 이 연구는 이러한 고성능 모델을 임베디드 시스템에 구현하여 실시간 자동 CHF 예측이 가능하다는 가능성을 입증하였다.