[论文解读] Detection of Paroxysmal Atrial Fibrillation using Attention-based Bidirectional Recurrent Neural Networks

Supreeth P. Shashikumar, Amit Shah+2 more|arXiv (Cornell University)|May 7, 2018

ECG Monitoring and Analysis参考文献 50被引用 7

一句话总结

本文提出一种基于注意力机制的双向循环神经网络（BRNN）与卷积神经网络（CNN）相结合的方法，用于从10分钟段落中30秒心电图（ECG）窗口检测阵发性心房颤动（AF）。该模型在弗吉尼亚大学心脏中心的2,850名患者的Holter ECG数据集上实现了0.94的AUC，并通过迁移学习成功适配到光电容积脉搏波（PPG）信号，性能进一步提升，实现了长期可穿戴监测中准确、低误报率的AF检测。

ABSTRACT

Detection of atrial fibrillation (AF), a type of cardiac arrhythmia, is difficult since many cases of AF are usually clinically silent and undiagnosed. In particular paroxysmal AF is a form of AF that occurs occasionally, and has a higher probability of being undetected. In this work, we present an attention based deep learning framework for detection of paroxysmal AF episodes from a sequence of windows. Time-frequency representation of 30 seconds recording windows, over a 10 minute data segment, are fed sequentially into a deep convolutional neural network for image-based feature extraction, which are then presented to a bidirectional recurrent neural network with an attention layer for AF detection. To demonstrate the effectiveness of the proposed framework for transient AF detection, we use a database of 24 hour Holter Electrocardiogram (ECG) recordings acquired from 2850 patients at the University of Virginia heart station. The algorithm achieves an AUC of 0.94 on the testing set, which exceeds the performance of baseline models. We also demonstrate the cross-domain generalizablity of the approach by adapting the learned model parameters from one recording modality (ECG) to another (photoplethysmogram) with improved AF detection performance. The proposed high accuracy, low false alarm algorithm for detecting paroxysmal AF has potential applications in long-term monitoring using wearable sensors.

研究动机与目标

• 通过利用考虑间歇性、短暂性AF发作的深度学习方法，提升长期心电图记录中阵发性心房颤动（AF）的检测能力。
• 通过使用软注意力机制，优先关注10分钟段落中高概率AF窗口，从而减少AF检测中的误报。
• 评估迁移学习的可行性，即通过在ECG数据上训练的模型，适配至可穿戴设备中低信噪比（SNR）的光电容积脉搏波（PPG）信号，以检测AF。
• 开发一种临床可解释的框架，通过基于注意力的显著性可视化，支持主动学习和专家对标签的迭代优化。

提出的方法

• 利用小波分析生成30秒ECG窗口的时间-频率表示，生成类似频谱图的输入。
• 卷积神经网络（CNN）处理这些频谱图，从时频域中提取基于图像的判别性特征。
• 将提取的特征输入双向循环神经网络（BRNN），以建模10分钟ECG段落内连续30秒窗口之间的时序依赖关系。
• 在BRNN之上应用软注意力机制，动态加权信息丰富的窗口，突出高AF可能性的段落，同时抑制噪声和非AF心律。
• 模型在弗吉尼亚大学心脏中心的2,850名患者的大型Holter ECG数据集上进行端到端训练。
• 通过在智能手表设备的较小PPG数据集上微调已训练的ECG模型，实现迁移学习，利用跨模态的预学习特征。

实验结果

研究问题

• RQ1 结合CNN与BRNN及注意力机制的深度学习框架，是否能相比标准模型提升阵发性AF的检测性能？
• RQ2 软注意力机制是否通过聚焦于长而嘈杂的ECG记录中短暂的高概率AF窗口，从而提升性能？
• RQ3 在ECG数据上训练的模型，在多大程度上可有效迁移至可穿戴传感器的低信噪比（SNR）PPG记录中检测AF？
• RQ4 模型性能如何随不同AF负荷阈值变化？这对临床标签标注与评估有何启示？

主要发现

• 所提模型在Holter ECG测试集上实现了受试者工作特征曲线下面积（AUC）为0.94，优于基线模型。
• 注意力机制使模型能够识别并优先处理长段正常ECG中短暂的高概率AF发作，从而减少误报。
• 从ECG到PPG数据的迁移学习显著提升了PPG数据集上的AF检测性能，证明了跨模态泛化能力。
• 模型的注意力权重提供了10分钟窗口内AF负荷的可量化度量，支持对心律失常负荷的临床解读。
• 基于AF负荷阈值重新标注数据集显著影响性能，当考虑AF负荷占比75%或以上的段落时，AUC提升至0.97。
• 该框架支持主动学习，通过可视化注意力权重，使临床专家能够迭代优化标签，提升模型准确性。