[논문 리뷰] Robust Peak Detection for Holter ECGs by Self-Organized Operational Neural Networks

Moncef Gabbouj, Serkan Kıranyaz외 6명|arXiv (Cornell University)|2021. 09. 30.

ECG Monitoring and Analysis참고 문헌 49인용 수 14

한 줄 요약

이 논문은 저품질의 홀터 심전도 신호에서 강건한 R-파형 검출을 위해 생성성 뉴런을 갖춘 1차원 자기조직화 운영 신경망(Self-ONNs)을 제안한다. 학습 중 각 뉴런이 최적의 연산자를 자가조직화하도록 함으로써, 깊이 있는 1차원 컨볼루션 신경망(1-D CNNs)보다 훨씬 낮은 계산 복잡도로 CPSC-2020 데이터셋에서 최신 기술 수준의 성능—F1 점수 99.10%, 민감도 99.79%, 양성 예측도 98.42%—을 달성한다.

ABSTRACT

Although numerous R-peak detectors have been proposed in the literature, their robustness and performance levels may significantly deteriorate in low-quality and noisy signals acquired from mobile electrocardiogram (ECG) sensors, such as Holter monitors. Recently, this issue has been addressed by deep 1-D convolutional neural networks (CNNs) that have achieved state-of-the-art performance levels in Holter monitors; however, they pose a high complexity level that requires special parallelized hardware setup for real-time processing. On the other hand, their performance deteriorates when a compact network configuration is used instead. This is an expected outcome as recent studies have demonstrated that the learning performance of CNNs is limited due to their strictly homogenous configuration with the sole linear neuron model. In this study, to further boost the peak detection performance along with an elegant computational efficiency, we propose 1-D Self-Organized ONNs (Self-ONNs) with generative neurons. The most crucial advantage of 1-D Self-ONNs over the ONNs is their self-organization capability that voids the need to search for the best operator set per neuron since each generative neuron has the ability to create the optimal operator during training. The experimental results over the China Physiological Signal Challenge-2020 (CPSC) dataset with more than one million ECG beats show that the proposed 1-D Self-ONNs can significantly surpass the state-of-the-art deep CNN with less computational complexity. Results demonstrate that the proposed solution achieves a 99.10% F1-score, 99.79% sensitivity, and 98.42% positive predictivity in the CPSC dataset, which is the best R-peak detection performance ever achieved.

연구 동기 및 목표

• 기존 R-파형 검출기의 노이즈가 많고 저품질인 홀터 심전도 신호에서 낮은 강인성 문제를 해결하기 위해.
• 심전도 파형 검출에 사용되는 최신 기술 수준의 깊이 있는 1차원 컨볼루션 신경망(1-D CNNs)의 높은 계산 복잡도 문제를 해결하기 위해.
• 동일한 1차원 컨볼루션 신경망을 넘어서 이질적이고 자기조직화되는 뉴런을 도입하여 학습 성능을 향상시키기 위해.
• 실시간 심전도 분석을 위한 컴act하고 효율적이며 매우 정확한 신경망 아키텍처를 개발하기 위해.
• 최소한의 모델 복잡도로 CPSC-2020 데이터셋에서 뛰어난 검출 성능을 달성하기 위해.

제안 방법

• 제안된 방법은 학습 중 최적의 연산자를 자가조직화하는 생성성 뉴런을 갖춘 1차원 자기조직화 운영 신경망(Self-ONNs)을 사용한다.
• 각 생성성 뉴런은 입력 신호에 가장 적합한 연산(예: 컨볼루션, 풀링 유사 연산)을 동적으로 선택하고 조합하여 수동적인 연산자 탐색이 필요 없도록 한다.
• 신경망은 백프로파게이션을 사용하여 엔드 투 엔드로 학습되며, 자가조직화 메커니즘이 비균일한 뉴런 행동을 가능하게 한다.
• 아키텍처는 계산 효율성을 위해 설계되어 깊이 있는 1차원 컨볼루션 신경망이 요구하는 병렬 하드웨어 요구 조건을 피한다.
• 모델은 100만 개 이상의 심전도 파형을 포함한 중국 생리신호 챌린지-2020(CPSC) 데이터셋에서 평가된다.
• 성능는 표준 지표인 F1 점수, 민감도, 양성 예측도를 사용하여 측정된다.

실험 결과

연구 질문

• RQ1 자기조직화 신경망 아키텍처가 노이즈가 많은 홀터 심전도에서 깊이 있는 1차원 컨볼루션 신경망보다 R-파형 검출 성능을 뛰어나게 할 수 있는가?
• RQ2 자신이 최적의 연산자를 자동으로 선택하는 생성성 뉴런의 사용이 검출 강인성과 정확도를 향상시키는가?
• RQ3 병렬 하드웨어 전용 장비가 필요 없는 컴act한 신경망 아키텍처가 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ4 제안된 Self-ONN 방법은 F1 점수, 민감도, 양성 예측도 측면에서 기존 딥러닝 모델과 어떻게 비교되는가?
• RQ5 자기조직화 메커니즘이 뉴런 별 연산자 세트의 하이퍼파rameter 튜닝 필요성을 얼마나 줄이는가?

주요 결과

• 제안된 1차원 Self-ONNs는 CPSC-2020 데이터셋에서 F1 점수 99.10%를 달성하여 R-파형 검출 분야에서 새로운 최신 기술 수준을 수립한다.
• 이 방법은 진단의 정확도가 매우 높은 99.79%의 민감도를 확보하여 심전도 신호 내 진짜 R-파형을 거의 완전히 탐지함을 의미한다.
• 양성 예측도는 98.42%에 도달하여 피크 위치 결정의 높은 정밀도를 보여준다.
• 깊이 있는 1차원 컨볼루션 신경망보다 훨씬 낮은 계산 복잡도로 뛰어난 성능을 달성한다.
• 자기조직화 메커니즘이 뉴런 별로 연산자 세트를 수동으로 튜닝할 필요를 제거하여 적응성과 강인성을 향상시킨다.
• 결과적으로 이질적이고 생성성 뉴런을 갖춘 네트워크가 심전도 피크 검출 작업에서 동일한 구조를 가진 고정형 네트워크보다 뛰어난 성능을 내는 것으로 확인되었다.