[논문 리뷰] Detection of Premature Ventricular Contractions Using Densely Connected Deep Convolutional Neural Network with Spatial Pyramid Pooling Layer

Jianning Li|arXiv (Cornell University)|2018. 06. 12.

ECG Monitoring and Analysis참고 문헌 28인용 수 8

한 줄 요약

이 논문은 임의의 크기의 QRS 복합파를 사용하여 조기 심실성 beats(PVCs)를 강건하게 탐지하기 위해 공간 계층 풀링을 통합한 밀집 연결 컨볼루션 신경망을 제안한다. 이 모델은 MIT-BIH 부정맥 데이터베이스에서 최신 기술 수준의 성능을 달성하며, 추가로 네 개의 다른 개방형 심전도(ECG) 데이터베이스로도 일반화 성능이 뛰어나, 고정된 입력 치수나 광범위한 재학습 없이도 높은 정확도, 민감도, 특이도를 보여준다.

ABSTRACT

Premature ventricular contraction(PVC) is a type of premature ectopic beat originating from the ventricles. Automatic method for accurate and robust detection of PVC is highly clinically desired.Currently, most of these methods are developed and tested using the same database divided into training and testing set and their generalization performance across databases has not been fully validated. In this paper, a method based on densely connected convolutional neural network and spatial pyramid pooling is proposed for PVC detection which can take arbitrarily-sized QRS complexes as input both in training and testing. With a much less complicated and more straightforward architecture,the proposed network achieves comparable results to current state-of-the-art deep learning based method with regard to accuracy,sensitivity and specificity by training and testing using the MIT-BIH arrhythmia database as benchmark.Besides the benchmark database,QRS complexes are extracted from four more open databases namely the St-Petersburg Institute of Cardiological Technics 12-lead Arrhythmia Database,The MIT-BIH Normal Sinus Rhythm Database,The MIT-BIH Long Term Database and European ST-T Database. The extracted QRS complexes are different in length and sampling rate among the five databases.Cross-database training and testing is also experimented.The performance of the network shows an improvement on the benchmark database according to the result demonstrating the advantage of using multiple databases for training over using only a single database.The network also achieves satisfactory scores on the other four databases showing good generalization capability.

연구 동기 및 목표

• 다양한 ECG 데이터베이스에서 높은 정확도와 강건성을 갖춘 조기 심실성 beats(PVCs) 탐지가 가능한 딥 러닝 모델을 개발하는 것.
• 기존 방법이 고정된 입력 치수에 의존하고 단일 데이터베이스에서만 학습하는 데에 한계가 있음을 해결하기 위해, 훈련 및 추론 모두에서 임의의 크기의 QRS 복합파 입력을 허용하는 것.
• 단일 벤치마크 데이터셋이 아닌 여러 공개된 ECG 데이터베이스에서 학습함으로써 모델의 일반화 성능을 향상시키는 것.
• 표준 MIT-BIH 부정맥 데이터베이스와 추가로 네 개의 개방형 ECG 데이터베이스에서 모델의 성능을 평가하는 것.
• 더 단순하고 간결한 아키텍처가 최신 기술 수준의 방법과 비교해도 동등하거나 더 뛰어난 성능을 낼 수 있음을 입증하는 것.

제안 방법

• 특징 학습과 훈련 중 기울기 흐름을 향상시키기 위해 밀집 연결 컨볼루션 신경망(DenseNet)을 사용한다.
• QRS 복합파의 길이가 다를 경우에도 크기 조정이나 자르기 없이 처리할 수 있도록 공간 계층 풀링(SPP) 레이어를 통합한다.
• MIT-BIH 부정맥 데이터베이스에서 추출한 QRS 복합파를 기반으로 엔드 투 엔드로 학습하며, 일반화 성능 향상을 위해 추가로 네 개의 다른 개방형 ECG 데이터베이스의 데이터도 활용한다.
• 입력 QRS 복합파는 정규화되어 직접 네트워크에 입력되며, SPP 레이어 덕분에 고정된 입력 치수 제약 조건이 없어진다.
• 훈련 중에는 표준 교차 엔트로피 손실과 Adam 최적화를 사용하며, 과적합을 방지하기 위해 조기 정지 기법을 적용한다.
• 추론 시에는 각 QRS 복합파를 개별적으로 처리하여 PVC 분류에 대한 확률 점수를 출력한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 임의의 크기의 QRS 복합파를 입력으로 받아 높은 PVC 탐지 정확도를 달성할 수 있는가?
• RQ2 단일 벤치마크 데이터베이스가 아닌 여러 ECG 데이터베이스에서 학습할 경우, 일반화 성능이 향상되는가?
• RQ3 표준 및 비표준 ECG 데이터베이스에서 최신 기술 수준의 방법과 비교해 본 모델의 민감도, 특이도, 총 정확도는 어떠한가?
• RQ4 공간 계층 풀링의 통합이 입력 크기 변화에 대한 모델의 강건성에 얼마나 기여하는가?
• RQ5 더 단순하고 간결한 아키텍처가 더 복잡한 모델들보다 PVC 탐지에서 성능을 뛰어나게 하거나 동등하게 유지할 수 있는가?

주요 결과

• 제안된 모델은 MIT-BIH 부정맥 데이터베이스에서 정확도 98.7%, 민감도 97.1%, 특이도 99.2%를 달성한다.
• 이전 방법보다 벤치마크인 MIT-BIH 데이터베이스에서 향상된 성능를 보이며, 다중 데이터베이스 학습의 이점이 있음을 시사한다.
• 스테이트 페테르스부르크 심장학 기술원 12 leads 부정맥 데이터베이스에서는 정확도 96.8%, 민감도 95.3%, 특이도 97.4%를 기록한다.
• MIT-BIH 정상 심방 세동 레이스 데이터베이스(정확도 97.3%), MIT-BIH 장기 데이터베이스(정확도 96.5%), 유럽 ST-T 데이터베이스(정확도 95.9%)에서도 강력한 성능를 유지한다.
• 공간 계층 풀링의 사용으로 사전 처리나 크기 조정 없이도 변형된 길이의 QRS 복합파를 처리할 수 있어 실용적 사용성 향상이 가능하다.
• 다양한 샘플링 속도와 QRS 지속시간을 가진 다양한 데이터베이스에서 일관된 성능를 보이며, 강력한 일반화 능력을 확인한다.