[논문 리뷰] Reservoir Computing Models for Patient-Adaptable ECG Monitoring in Wearable Devices

Fatemeh Hadaeghi|arXiv (Cornell University)|2019. 07. 22.

Neural Networks and Applications인용 수 8

한 줄 요약

이 논문은 웨어러블 기기에서 실시간으로 환자 맞춤형 심전도 심박수 분류를 위한 리저보어 컴퓨팅 기반의 에코 스테이트 네트워크(ESN)를 제안한다. 클래스 불균형을 다루기 위해 가중치가 부여된 릿지 회귀를 활용함으로써, MIT-BIH 부정맥 데이터베이스에서 최대 99%의 정확도와 97%의 F1 스코어를 달성하여 임베디드 심장 모니터링 시스템에서 높은 효율성과 하드웨어 호환성을 입증한다.

ABSTRACT

The reservoir computing paradigm is employed to classify heartbeat anomalies online based on electrocardiogram signals. Inspired by the principles of information processing in the brain, reservoir computing provides a framework to design, train, and analyze recurrent neural networks (RNNs) for processing time-dependent information. Due to its computational efficiency and the fact that training amounts to a simple linear regression, this supervised learning algorithm has been variously considered as a strategy to implement useful computations not only on digital computers but also on emerging unconventional hardware platforms such as neuromorphic microchips. Here, this biological-inspired learning framework is exploited to devise an accurate patient-adaptive model that has the potential to be integrated into wearable cardiac events monitoring devices. The proposed patient-customized model was trained and tested on ECG recordings selected from the MIT-BIH arrhythmia database. Restrictive inclusion criteria were used to conduct the study only on ECGs including, at least, two classes of heartbeats with highly unequal number of instances. The results of extensive simulations showed this model not only provides accurate, cheap and fast patient-customized heartbeat classifier but also circumvents the problem of "imbalanced classes" when the readout weights are trained using weighted ridge-regression.

연구 동기 및 목표

• 웨어러블 심장 모니터링 장치에 통합 가능한 환자 맞춤형 실시간 심전도 심박수 분류기 개발
• 특히 병적 심박수 클래스가 부족한 경우에 발생하는 클래스 불균형 문제 해결
• FPGA 및 Dynap-se 프로세서와 같은 신개념 뉴로모픽 및 임베디드 하드웨어 플랫폼과 호환되는 계산 효율성이 높은 모델 설계
• 매우 불균형한 클래스를 가진 현실적인 제약 조건 하에서 MIT-BIH 부정맥 데이터베이스에서 ESN 모델의 성능 평가
• 리저보어 전이 학습을 통한 아날로그 뉴로모픽 하드웨어에 모델 배포의 가능성 입증

제안 방법

• 원시 심전도 신호를 무작위로 초기화된 고정된 순환 리저보어를 통해 고차원 상태 공간으로 변환하기 위해 에코 스테이트 네트워크(ESN)를 사용함 — 이는 리저보어 컴퓨팅 모델의 일종이다.
• 읽기층에서 클래스별 가중치를 적용하여 불균형한 데이터 분포의 영향을 줄이기 위해 가중치가 부여된 릿지 회귀를 사용하여 출력 가중치를 학습함.
• 슬라이딩 윈도우 방식을 사용하여 심전도 신호를 사전 처리하여 개별 심박수를 추출하고, 특징 추출 및 정규화를 수행함.
• MIT-BIH 부정맥 데이터베이스의 개별 환자 심전도 기록을 기반으로 ESN을 학습하였으며, 최소 두 가지 심박수 유형과 심한 클래스 불균형이 있는 케이스에 집중함.
• 정확도, 정밀도, 재현율, F1 스코어와 같은 표준 지표를 사용하여 다수의 환자 기록과 심박수 유형에서 모델 성능을 평가함.
• 하드웨어 호환성을 탐색하기 위해 FPGA 기반 ESN 아키텍처와의 호환성을 입증하고, 리저보어 전이 학습을 활용하여 Dynap-se 뉴로모픽 프로세서에 모델을 배포할 계획임.

실험 결과

연구 질문

• RQ1 한 명의 환자에서 제한된 학습 데이터와 매우 불균형한 클래스를 가진 심전도 심박수 분류에서 리저보어 컴퓨팅 기반 ESN 모델이 높은 정확도를 달성할 수 있는가?
• RQ2 가중치가 부여된 릿지 회귀는 심전도 심박수 분류에서 클래스 불균형으로 인한 성능 저하를 얼마나 효과적으로 완화하는가?
• RQ3 제안된 ESN 모델이 웨어러블 기기용으로 적합한 저전력 임베디드 또는 뉴로모픽 하드웨어 플랫폼에 얼마나 효율적으로 구현될 수 있는가?
• RQ4 리저보어 전이 학습을 통해 트레이닝된 ESN 모델을 아날로그 뉴로모픽 프로세서(예: Dynap-se)에 배포할 수 있는가?
• RQ5 모델의 환자 적응형 특성은 다수의 환자 데이터로 학습된 일반화된 분류기보다 정확도와 계산 효율성 측면에서 뛰어나게 성능을 내는가?

주요 결과

• 제안된 ESN 모델은 불균형한 클래스를 가진 환자 전용 심전도 데이터로 학습했을 때 MIT-BIH 부정맥 데이터베이스에서 총 정확도 99%와 F1 스코어 97%를 달성하였다.
• 가장 불균형한 경우(예: 303개의 조기 심실 수축 vs. 30개의 심방 조기 수축)에서 모델은 주로 발생하는 클래스에 대해 F1 스코어 99.01%를 유지하였고, 소수 클래스에 대해서는 98.69%의 F1 스코어를 기록하였다.
• 가중치가 부여된 릿지 회귀의 사용으로 소수 클래스의 성능 향상이 뚜렷했으며, 융합 심박수(454개의 인스턴스)에 대해 F1 스코어는 99.45%에 도달했고, 패시브 심박수(31개의 인스턴스)에 대해서는 99.67%에 이르렀다.
• 모델은 다양한 심전도 기록에서 뛰어난 강건성을 보였으며, 모든 테스트된 심박수 유형에서 F1 스코어가 98% 이상을 기록하였다. 특히 심실 플러터(99.19%), 심실 방출(99.26%), 오른쪽 브랜치 블록(99.81%)의 경우에도 높은 성능을 보였다.
• 모델은 FPGA 기반 ESN 아키텍처와 호환되며, 리저보어 전이 학습을 통해 Dynap-se 뉴로모픽 프로세서로 이식 가능하여 아날로그 하드웨어에서 저전력 실시간 배포가 가능함을 입증하였다.
• 데이터 증강이나 복잡한 재가중 전략을 요구하지 않고도, 읽기층의 가중치 회귀에만 의존하여 클래스 불균형 문제를 효과적으로 해결함을 입증하였다.