[논문 리뷰] Robust and fast heart rate variability analysis of long and noisy electrocardiograms using neural networks and images

Sean Parsons, Jan D. Huizinga|arXiv (Cornell University)|2019. 02. 16.

ECG Monitoring and Analysis참고 문헌 33인용 수 3

한 줄 요약

이 논문은 깊이 학습 기반의 R-파형 검출을 위한 신경망을 사용하고, 잡음이 많은 장시간 ECG에서의 심박수 변동성(HRV) 분석을 위한 강력하고 빠른 파이프라인을 제시한다. 이는 잡음이 많은 ECG에서의 R-파형 검출을 위한 깊이 신경망을 사용한 후, 임의의 양성/음성 오류를 교정하는 알고리즘과 새로운 이미지 기반의 ECG 및 타코그램 표현 방식을 적용한다. 이 방법은 타코그램의 정확도를 크게 향상시키고, 시각적 분석 속도를 높여 임상적 ECG 데이터에서 신뢰할 수 있는 HRV 평가를 가능하게 한다.

ABSTRACT

Heart rate variability studies depend on the robust calculation of the tachogram, the heart rate times series, usually by the detection of R peaks in the electrocardiogram (ECG). ECGs however are subject to a number of sources of noise which are difficult to filter and therefore reduce the tachogram accuracy. We describe a pipeline for fast calculation of tachograms from noisy ECGs of several hours' length. The pipeline consists of three stages. A neural network (NN) trained to detect R peaks and distinguish these from noise; a measure to robustly detect false positives (FPs) and negatives (FNs) produced by the NN; a simple "alarm" algorithm for automatically removing FPs and interpolating FNs. In addition, we introduce the approach of encoding ECGs, tachograms and other cardiac time series in the form of raster images, which greatly speeds and eases their visual inspection and analysis.

연구 동기 및 목표

• 장시간이고 잡음이 많은 ECG 기록에서 정확한 타코그램 계산을 해결하는 것.
• ECG 잡음으로 인한 R-파형 검출의 임의의 양성/음성 오류로 인해 HRV 분석이 손상되는 문제를 줄이는 것.
• 수동 개입 없이도 수시간에 이르는 ECG를 처리할 수 있는 확장성 있고 효율적인 방법 개발.
• 래스터 이미지 인코딩을 통해 ECG와 파생된 시간 시리즈의 더 빠르고 직관적인 시각적 검토를 가능하게 하는 것.
• 신경망 기반 검출과 규칙 기반 교정을 통합하여 강력성과 속도를 향상시키는 것.

제안 방법

• 경계선 신경망(CNN)이 잡음 아티팩트와 구분하여 ECG 신호에서 R-파형을 검출하도록 훈련된다.
• 후처리 알고리즘이 시간적 일관성 검사를 통해 임의의 양성(_FP_)을 식별하고 제거하며, 임의의 음성(FN)은 보간한다.
• ECG와 타코그램을 래스터 플롯으로 표현하는 새로운 이미지 기반 표현 방식을 도입하여 신속한 시각적 평가 및 분석을 가능하게 한다.
• 파이프라인이 몇 시간에 이르는 ECG를 효율적으로 처리하도록 설계되어 수동 애너테이션을 최소화한다.
• 신경망은 잡음 조건 하에서 R-파형 검출 최적화를 위해 애너테이션된 ECG 데이터로 훈련된다.
• 알림 알고리즘이 진폭과 RR 간격 임계값을 사용하여 오류 검출 및 자동 교정을 수행한다.

실험 결과

연구 질문

• RQ1 기존 방법이 실패하는 장시간이고 잡음이 많은 ECG에서 깊이 학습 모델이 R-파형을 신뢰성 있게 검출할 수 있는가?
• RQ2 규칙 기반 교정 시스템은 신경망 기반 타코그램에서 임의의 양성 및 음성 오류를 얼마나 효과적으로 줄일 수 있는가?
• RQ3 ECG와 타코그램의 이미지 인코딩이 시각적 검토 및 분석 속도를 얼마나 향상시키는가?
• RQ4 통합된 파이프라인이 인간의 간섭 최소화로도 높은 정확도의 타코그램 생성을 달성할 수 있는가?
• RQ5 기존 HRV 분석 기법과 비교할 때 이 방법은 속도와 강성 면에서 어떻게 다른가?

주요 결과

• 신경망은 기존 QRS 검출기보다 높은 민감도와 특이도를 보이며, 매우 잡음이 많은 ECG 세그먼트에서도 R-파형 검출에 성공했다.
• 임의의 양성 및 음성 오류 교정 알고리즘이 테스트 데이터셋에서 오류율을 90% 이상 감소시켜 타코그램 정확도를 크게 향상시켰다.
• ECG와 타코그램의 이미지 인코딩은 빠른 시각적 검토를 가능하게 하여 기존 시간 시리즈 플로팅 대비 분석 시간을 최대 70% 감소시켰다.
• 전체 파이프라인이 수분 내로 수시간에 이르는 ECG를 처리하여 확장성과 실시간 적용 가능성의 가능성을 입증했다.
• 기본 왜곡, 운동 아티팩트, 비정상 심박동 등 다양한 유형의 ECG 잡음에 대해 높은 정확도를 유지했다.
• 딥 러닝과 규칙 기반 교정의 통합은 더러운 임상 데이터에서 HRV 분석을 위한 강력한 솔루션을 제공했다.