[論文レビュー] Densely Connected Convolutional Networks and Signal Quality Analysis to Detect Atrial Fibrillation Using Short Single-Lead ECG Recordings

Jonathan Rubin, Saman Parvaneh+3 more|arXiv (Cornell University)|Oct 10, 2017

ECG Monitoring and Analysis被引用数 5

ひとこと要約

本論文では、密接接続畳み込みネットワーク（DenseNet）と信号品質インデックス（SQI）を用いて、短時間の単lead ECG記録から心房細動（AF）を検出するハイブリッド深層学習と信号品質分析手法を提案する。この手法は、ECGセグメントを正常sinusリズム（NSR）、AF、他のリズム（O）、ノイズに分類し、PhysioNet/CinCチャレンジのテストセットでF1スコア0.80を達成した。NSR、AF、OのF1スコアはそれぞれ0.90、0.80、0.70であった。

ABSTRACT

The development of new technology such as wearables that record high-quality single channel ECG, provides an opportunity for ECG screening in a larger population, especially for atrial fibrillation screening. The main goal of this study is to develop an automatic classification algorithm for normal sinus rhythm (NSR), atrial fibrillation (AF), other rhythms (O), and noise from a single channel short ECG segment (9-60 seconds). For this purpose, signal quality index (SQI) along with dense convolutional neural networks was used. Two convolutional neural network (CNN) models (main model that accepts 15 seconds ECG and secondary model that processes 9 seconds shorter ECG) were trained using the training data set. If the recording is determined to be of low quality by SQI, it is immediately classified as noisy. Otherwise, it is transformed to a time-frequency representation and classified with the CNN as NSR, AF, O, or noise. At the final step, a feature-based post-processing algorithm classifies the rhythm as either NSR or O in case the CNN model's discrimination between the two is indeterminate. The best result achieved at the official phase of the PhysioNet/CinC challenge on the blind test set was 0.80 (F1 for NSR, AF, and O were 0.90, 0.80, and 0.70, respectively).

研究の動機と目的

• 短時間の単lead ECG記録から心房細動（AF）を自動的かつ強固に検出する分類システムの開発を目的とする。
• 実世界のウェアラブルデバイスのデータにおける低品質ECG信号の課題に対処することを目的とする。
• 1つのリードのみを用いて9〜60秒の短時間のECGセグメントから正確にAF検出を可能にするために、スクリーニングのアクセス性を向上させることを目的とする。
• 信号品質評価を深層学習と統合することで、信頼性を高め、誤検出を低減することを目的とする。

提案手法

• 分類の前段階で、ECG記録の品質を評価するための信号品質インデックス（SQI）を計算する。
• 15秒のECGセグメントを対象とするDenseNetベースの畳み込みニューラルネットワーク（CNN）モデルと、9秒の短いセグメントを対象とする別のCNNモデルを訓練する。
• SQIによって低品質と判定された記録は、追加処理を経ずに直ちにノイズと分類される。
• 有効な記録は、分類の前に時間周波数表現（例：スペクトログラム）に変換され、その後CNNに供給され、NSR、AF、O、ノイズに分類される。
• CNNの出力が曖昧な場合にNSRとOの分類を解消するための特徴ベースの後処理アルゴリズムが用いられる。
• 最終的な分類は、SQIの結果、CNNの予測、および後処理論理を統合することで決定される。

実験結果

リサーチクエスチョン

• RQ1 信号品質インデックス（SQI）は、深層学習分類の前段階で低品質ECG記録を効果的にフィルタリングできるか？
• RQ2 DenseNetベースのモデルは、短時間の単lead ECGをNSR、AF、O、ノイズにどれほど正確に分類できるか？
• RQ3 信号品質分析と深層学習をハイブリッドで組み合わせることで、実世界のウェアラブルECGデータにおける分類の頑健性が向上するか？
• RQ4 このようなシステムは、PhysioNet/CinCチャレンジのような標準化されたベンチマークでどれほど高い性能を示すか？

主な発見

• 提案手法は、公式のPhysioNet/CinCチャレンジの盲検出テストセットで全体のF1スコア0.80を達成した。
• 正常sinusリズム（NSR）のF1スコアは0.90であり、NSR検出における高い感度と正確性を示している。
• 心房細動（AF）のF1スコアは0.80であり、AF発作の検出において強力な性能を示している。
• 他のリズム（O）のF1スコアは0.70であり、中程度のが受け入れ可能な分類精度を示している。
• SQIの統合により、パイプラインの初期段階でノイズの多い記録をフィルタリングすることで、システムの信頼性が著しく向上した。
• 15秒と9秒の2つのCNNモデルを用いることで、さまざまな記録時間にわたる頑健性が向上した。