[논문 리뷰] Topological Data Analysis for Arrhythmia Detection through Modular Neural Networks

Meryll Dindin, Yuhei Umeda외 1명|arXiv (Cornell University)|2019. 06. 13.

Topological and Geometric Data Analysis참고 문헌 35인용 수 46

한 줄 요약

본 논문은 미지의 환자에서의 일반화 향상을 위해 토폴로지 데이터 분석(TDA)을 도입한 모듈형 다채널 신경망을 이용한 ECG 기반 부정맥 탐지 및 분류를 제안하며, 최첨단 방법과 경쟁력 있는 성능을 달성한다.

ABSTRACT

This paper presents an innovative and generic deep learning approach to monitor heart conditions from ECG signals.We focus our attention on both the detection and classification of abnormal heartbeats, known as arrhythmia. We strongly insist on generalization throughout the construction of a deep-learning model that turns out to be effective for new unseen patient. The novelty of our approach relies on the use of topological data analysis as basis of our multichannel architecture, to diminish the bias due to individual differences. We show that our structure reaches the performances of the state-of-the-art methods regarding arrhythmia detection and classification.

연구 동기 및 목표

• 새로 관찰되지 않은 환자들 간의 부정맥 탐지/분류에서 강건한 일반화를 촉진한다.
• 개인 차이에 독립적인 ECG 신호의 기하학적 특성을 포착하기 위해 토폴로지 데이터 분석을 딥 러닝과 통합한다.
• TDA 특징, 자동 인코더, 및 전통적인 DL 채널을 결합한 모듈형 아키텍처를 개발한다.
• 환자 기반 교차검증으로 공개 소스 Physionet ECG 데이터셋에서 평가한다.
• 다중 클래스 부정맥 분류에서 일반화를 개선하는 데 있어 TDA의 가치를 보여주는 벤치마크를 제공한다.

제안 방법

• 시간 재스케일링 및 진폭 변화에 강인한 방식으로 1D ECG 신호를 나타내기 위해 지속 바코드(persistence barcodes)와 Betti 곡선을 도입한다.
• 시계열의 하위 집합(sub-level) 및 상위 집합(upper-level)들에 대한 지속성 동형성(persistent homology)을 통해 ECG에서 TDA 특징을 계산한다.
• CNN 호환 파이프라인에서 1D 신호에 대해 안정적이고 입력에 바로 사용할 수 있는 표현으로 Betti 곡선을 사용한다.
• 데이터 불균형을 다루고 재구성 기반 특징을 제공하기 위해 정상 박동으로 학습된 자동 인코더를 도입한다.
• TDA, 자동 인코더 출력, 푸리에 특징, 표준 CNN/FC 경로를 위한 채널을 가진 모듈형 딥러닝 아키텍처를 구축한다.
• 학습 안정화와 일반화 향상을 위해 어닐링 드롭아웃(annealed dropout)을 적용한다.
• 미지의 환자에 대한 일반화 특성을 테스트하기 위해 환자 기반 교차검증으로 평가한다.

실험 결과

연구 질문

• RQ1 미지의 환자에서 TDA 기반 채널을 추가하면 부정맥 탐지 및 분류 성능이 향상되는가?
• RQ2 TDA 특징과 자동 인코더 유래 표현의 결합이 데이터 불균형하에서 일반화를 향상시키는가?
• RQ3 제안된 모듈형 아키텍처가 새로운 환자에 대한 일반화 측면에서 공개 ECG 데이터셋의 최첨단 방법과 어떻게 비교되는가?
• RQ4 다양한 채널 구성(있음/없음 TDA)이 이진 탐지 및 다중 클래스 분류 성능에 어떤 영향을 미치는가?

주요 결과

• TDA는 부정맥 탐지와 분류를 모두 개선하며, 다중 클래스 분류에서 특히 향상을 보인다.
• 인코더 채널과 TDA 채널이 가장 큰 영향을 주며, 특히 13-클래스 분류에서 두드러진다.
• 13-class 분류의 평균 검증 정확도는 97.3%에 도달했고, 환자 기반 교차검증에서 테스트 정확도는 80.5%였다.
• 부정맥 탐지는 교차검증에서 평균 검증 정확도 약 98%, 테스트 정확도 약 90%를 달성했다.
• 이 방법은 PVC 탐지 및 다중 클래스 작업에서 벤치마크에 비해 경쟁력 있는 결과를 보였으며, TDA와 자동 인코더 융합을 통한 일반화 개선을 강조한다.