[论文解读] A Novel Method for ECG Signal Classification via One-Dimensional Convolutional Neural Network

Xuan Hua, Jungang Han+7 more|arXiv (Cornell University)|Jun 20, 2020

ECG Monitoring and Analysis参考文献 29被引用 8

一句话总结

该论文提出了一种新颖的一维卷积神经网络（1D CNN）方法，采用R-R-R分段策略，通过提取R波峰之间的ECG波段以保留诊断信息。该方法在MIT-BIH心律失常分类任务的5类分类中实现了99.24%的准确率、0.9994的AUC、0.99的敏感度和0.99的F1分数，优于现有最先进方法。

ABSTRACT

This paper presents an end-to-end ECG signal classification method based on a novel segmentation strategy via 1D Convolutional Neural Networks (CNN) to aid the classification of ECG signals. The ECG segmentation strategy named R-R-R strategy (i.e., retaining ECG data between the R peaks just before and after the current R peak) for segmenting the original ECG data into segments in order to train and test the 1D CNN models. The novel strategy mimics physicians in scanning ECG to a greater extent, and maximizes the inherent information of ECG segments. The performance of the classification models for 5-class and 6-class are verified with ECG signals from 48 records of the MIT-BIH arrhythmia database. As the heartbeat types are divided into 5 classes (i.e., normal beat, left bundle branch block beat, right bundle branch block beat, ventricular ectopic beat, and paced beat) in the MIT-BIH, the best classification accuracy, the area under the curve (AUC), the sensitivity and the F1-score reach 99.24%, 0.9994, 0.99 and 0.99, respectively. As the heartbeat types are divided into 6 classes (i.e., normal beat, left bundle branch block beat, right bundle branch block beat, ventricular ectopic beat, paced beat and other beats) in the MIT-BIH, the beat classification accuracy, the AUC, the sensitivity, and the F1-score reach 97.02%, 0.9966, 0.97, and 0.97, respectively. Meanwhile, according to the recommended practice from the Association for Advancement of Medical Instrumentation (AAMI), the heartbeat types are divided into 5 classes (i.e., normal beat, supraventricular ectopic beats, ventricular ectopic beats, fusion beats, and unclassifiable beats), the beat classification accuracy, the sensitivity, and the F1-score reach 97.45%, 0.97, and 0.97, respectively. The experimental results show that the proposed method achieves better performance than the state-of-the-art methods.

研究动机与目标

• 开发一种端到端的ECG信号分类方法，通过保留内在的ECG波段特征来模拟医生的判读过程。
• 通过在1D CNN中采用新颖的分段策略，提升心律失常检测的分类准确率和鲁棒性。
• 在多种分类方案下评估性能，包括MIT-BIH数据库中的标准5类和6类心律失常类型。
• 通过符合AAMI推荐的心律失常分类标准来验证结果，以满足临床要求。
• 在ECG搏动分类中展示优于现有最先进方法的性能。

提出的方法

• R-R-R分段策略提取以当前R波峰前后相邻R波峰为边界的ECG波段，以保留具有诊断意义的波形特征。
• 在一维卷积神经网络上端到端训练这些分段后的ECG信号，以学习分层的时间序列模式。
• 该方法直接处理原始ECG信号，无需手工特征工程，从而实现自动且高效的特征学习。
• 网络架构通过使用一维卷积优化时间序列建模，适用于时间序列ECG数据。
• 在多种分类方案下评估性能：5类（正常、LBBB、RBBB、VEB、起搏）、6类（增加“其他搏动”类别）以及AAMI推荐的5类（包含房性早搏、融合搏动、无法分类搏动）。
• 模型在MIT-BIH心律失常数据库的48个记录上进行训练和测试，确保了鲁棒性和泛化能力。

实验结果

研究问题

• RQ1 一维CNN结合R-R-R分段策略是否能实现比现有方法更高的ECG搏动分类准确率？
• RQ2 与传统分段技术相比，R-R-R策略是否能保留更多临床相关的ECG信息？
• RQ3 在AAMI推荐的心律失常分类框架下，该方法的性能如何？
• RQ4 将“其他搏动”作为独立类别加入后，对分类性能有何影响？
• RQ5 该模型在MIT-BIH数据库中不同ECG搏动类型上的泛化能力如何？

主要发现

• 所提方法在MIT-BIH心律失常5类分类任务中实现了99.24%的分类准确率、0.9994的AUC、0.99的敏感度和0.99的F1分数。
• 在增加“其他搏动”类别的6类分类中，准确率达到97.02%，AUC为0.9966，敏感度为0.97，F1分数为0.97。
• 在AAMI推荐的5类框架下，模型准确率达到97.45%，敏感度为0.97，F1分数为0.97。
• 在所有评估的分类方案中，该方法均优于现有最先进方法。
• R-R-R分段策略有效模拟了医生的扫描行为，并最大程度保留了ECG波段信息。
• 端到端的一维CNN框架在MIT-BIH数据库中多种心律失常类型上表现出强大的泛化能力和鲁棒性。