[논문 리뷰] Deep Recurrent Neural Networks for ECG Signal Denoising

Karol Antczak|arXiv (Cornell University)|2018. 07. 30.

ECG Monitoring and Analysis참고 문헌 31인용 수 81

한 줄 요약

이 논문은 합성 데이터를 사전학습으로 사용하고 실제 데이터에 대해 미세조정하는 심층 순환 신경망으로, 심하게 노이즈가 있는 신호에서 참고 방법보다 성능이 우수함을 보여준다.

ABSTRACT

Electrocardiographic signal is a subject to multiple noises, caused by various factors. It is therefore a standard practice to denoise such signal before further analysis. With advances of new branch of machine learning, called deep learning, new methods are available that promises state-of-the-art performance for this task. We present a novel approach to denoise electrocardiographic signals with deep recurrent denoising neural networks. We utilize a transfer learning technique by pretraining the network using synthetic data, generated by a dynamic ECG model, and fine-tuning it with a real data. We also investigate the impact of the synthetic training data on the network performance on real signals. The proposed method was tested on a real dataset with varying amount of noise. The results indicate that four-layer deep recurrent neural network can outperform reference methods for heavily noised signal. Moreover, networks pretrained with synthetic data seem to have better results than network trained with real data only. We show that it is possible to create state-of-the art denoising neural network that, pretrained on artificial data, can perform exceptionally well on real ECG signals after proper fine-tuning.

연구 동기 및 목표

• 다양한 노이즈로 저하된 ECG 신호의 효과적인 노이즈 제거 필요성을 자극합니다.
• 4층 깊은 순환형 denoising 신경망 아키텍처를 제안합니다.
• 합성 ECG 데이터에 대한 사전학습과 실제 데이터에 대한 미세조정으로 전이 학습을 조사합니다.
• 실제 노이즈 ECG 데이터에서 접근법을 평가하고 참고 방법과 비교합니다.

제안 방법

• ECG 신호의 노이즈 제거를 위한 4층 깊은 순환 신경망을 활용합니다.
• 동적 ECG 모델에 의해 생성된 합성 데이터로 네트워크를 사전학습합니다.
• 사전학습된 네트워크를 실제 ECG 데이터로 미세조정합니다.
• 합성 사전학습이 실제 신호의 성능에 미치는 영향을 평가합니다.
• 특히 심하게 노이즈가 있는 신호에 대해 참고 방법과의 노이즈 제거 성능을 비교합니다.

실험 결과

연구 질문

• RQ1 심하게 노이즈가 있는 ECG 신호에서 심층 순환 denoising 네트워크가 참고 방법보다 우수한 성능을 발휘할 수 있는가?
• RQ2 합성 ECG 데이터로의 사전학습이 실제 ECG 신호의 미세조정 후 denoising 성능을 향상시키는가?
• RQ3 합성 데이터의 품질과 전이 학습이 실제 ECG 노이즈 제거 결과에 어떤 영향을 미치는가?

주요 결과

• 네 층의 심층 순환 네트워크가 심하게 노이즈가 있는 ECG 신호에서 참고 방법보다 우수한 성능을 보일 수 있다.
• 합성 데이터로의 사전학습은 실제 데이터로만 학습하는 것보다 일반적으로 더 나은 결과를 yield 한다.
• 이 접근법은 인공 데이터로 사전학습하고 실제 신호에 대해 미세조정된 최첨단 denoising 네트워크를 만들 수 있음을 입증한다.