[论文解读] Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM

Jiacheng Wang, Weiheng Li|arXiv (Cornell University)|Nov 12, 2020

ECG Monitoring and Analysis参考文献 11被引用 13

一句话总结

该论文提出一种CNN-BiLSTM级联模型，用于自动ECG分类以检测心房颤动（aFib），涵盖正常心律及其他心律失常类型。通过使用1D-CNN提取时序特征，再经双向LSTM建模，该模型在MIT-BIH心律失常数据集上实现了0.82的加权F1分数，优于独立的BiLSTM和仅CNN模型，表现出更优的性能，且特异性高达0.978。

ABSTRACT

It is challenging to visually detect heart disease from the electrocardiographic (ECG) signals. Implementing an automated ECG signal detection system can help diagnosis arrhythmia in order to improve the accuracy of diagnosis. In this paper, we proposed, implemented, and compared an automated system using two different frameworks of the combination of convolutional neural network (CNN) and long-short term memory (LSTM) for classifying normal sinus signals, atrial fibrillation, and other noisy signals. The dataset we used is from the MIT-BIT Arrhythmia Physionet. Our approach demonstrated that the cascade of two deep learning network has higher performance than the concatenation of them, achieving a weighted f1 score of 0.82. The experimental results have successfully validated that the cascade of CNN and LSTM can achieve satisfactory performance on discriminating ECG signals.

研究动机与目标

• 开发一种用于将ECG信号分类为正常、心房颤动（aFib）及其他心律失常类型的自动化深度学习系统。
• 通过端到端深度学习方法，克服手工设计特征和传统信号处理的局限性，实现ECG分类。
• 比较CNN与BiLSTM的不同融合架构（级联 vs. 拼接）在心律失常检测中的最优性能表现。
• 提高诊断准确率和特异性，增强临床相关性，尤其在从噪声或变异ECG信号中检测aFib方面。
• 探索未来使用序列到序列生成方法创建合成ECG信号的可行性。

提出的方法

• 模型使用1D-CNN从以R波峰值为中心的固定长度ECG片段（4个R-R间期）中提取空间特征和局部时序特征。
• CNN的输出输入到双向长短期记忆网络（BiLSTM）中，以建模长程依赖关系并捕捉ECG信号的序列动态。
• 对比级联架构（CNN后接BiLSTM）与基于拼接的融合架构（CNN + BiLSTM），以评估特征整合策略。
• 使用全连接层配合Softmax激活函数实现多分类（正常、aFib、其他心律失常）。
• 模型使用Adam优化器训练，批量大小为2048，基础初始学习率为0.001，共训练50个周期，训练集与验证集按70%:30%划分。
• 通过F1分数和特异性评估性能，以应对类别不平衡问题，同时使用混淆矩阵分析误分类模式。

实验结果

研究问题

• RQ1 CNN与BiLSTM的级联架构是否在ECG信号分类中优于基于拼接的融合架构或独立的BiLSTM？
• RQ2 端到端深度学习模型能否在无需手工特征的情况下，实现与心脏病专家相当的性能，以从原始ECG信号中检测心房颤动？
• RQ3 该模型在‘其他’心律失常类别上的表现如何，该类别包含多种多变的节律？
• RQ4 数据预处理与分割（基于R波对齐）对模型泛化能力和性能有何影响？
• RQ5 所提出的模型能否在个体患者差异下保持泛化能力，并在临床诊断中维持高特异性？

主要发现

• CNN-BiLSTM级联模型（方案B）实现了最高的F1分数0.82，显著优于独立的BiLSTM和CNN-拼接-BiLSTM模型。
• 性能最佳模型（方案B）的特异性达到0.978，表明其对真阴性样本的分类能力极强，这对临床可靠性至关重要。
• 与基于手工特征或仅CNN的先前方法相比，该模型表现出更优性能，后者最高仅达到70%的F1分数。
• ‘正常’类别分类最准确，因其样本中形态模式具有一致性；而‘其他’类别因类间变异性最高，误分类率也最高。
• 混淆矩阵显示，方案B在区分正常与aFib信号方面优于方案A，证实了级联设计的有效性。
• 该模型在从原始ECG信号中学习稳健特征方面表现出色，减少了对手动特征工程的依赖，提升了可迁移性与准确性。