[論文レビュー] ECG Heartbeat classification using deep transfer learning with Convolutional Neural Network and STFT technique

Minh Cao, Tianqi Zhao+4 more|arXiv (Cornell University)|Jun 28, 2022

ECG Monitoring and Analysis被引用数 5

ひとこと要約

本稿では、ResNet-18 と STFT を用いた ECG 表現を用いた深層転移学習フレームワークを提案し、小規模なデータセットから心拍を分類する手法を検討した。MIT-BIH 心不全データセットで高い精度を達成した。また、データ漏洩を回避し、ECG 分類におけるモデル評価の信頼性を確保するため、AAMI EC57 標準に従ったデータ分割が不可欠であることを示した。

ABSTRACT

Electrocardiogram (ECG) is a simple non-invasive measure to identify heart-related issues such as irregular heartbeats known as arrhythmias. While artificial intelligence and machine learning is being utilized in a wide range of healthcare related applications and datasets, many arrhythmia classifiers using deep learning methods have been proposed in recent years. However, sizes of the available datasets from which to build and assess machine learning models is often very small and the lack of well-annotated public ECG datasets is evident. In this paper, we propose a deep transfer learning framework that is aimed to perform classification on a small size training dataset. The proposed method is to fine-tune a general-purpose image classifier ResNet-18 with MIT-BIH arrhythmia dataset in accordance with the AAMI EC57 standard. This paper further investigates many existing deep learning models that have failed to avoid data leakage against AAMI recommendations. We compare how different data split methods impact the model performance. This comparison study implies that future work in arrhythmia classification should follow the AAMI EC57 standard when using any including MIT-BIH arrhythmia dataset.

研究の動機と目的

• 心不全分類のための限られた、かつ正確にアノテーションが付与された公開 ECG データセットの課題に対処すること。
• 小規模な学習データセットでも優れた性能を示す深層転移学習フレームワークを開発すること。
• 異なるデータ分割手法がモデル性能に与える影響を評価すること。
• ECG 分類研究において、AAMI EC57 標準に準拠することが、データ漏洩を防ぐために不可欠であることを実証すること。

提案手法

• 短時間フーリエ変換（STFT）を用いて、生の ECG シグナルをスペクトログラムに変換し、畳み込みニューラルネットワーク（CNN）に適した画像形式の表現を生成する。
• 転移学習を用いて、事前学習済みの ResNet-18 モデルを MIT-BIH 心不全データセット上で微調整する。
• AAMI EC57 標準に準拠したデータ分割戦略を適用し、データ漏洩を回避する。
• さまざまなデータ分割手法におけるモデル性能を比較し、モデルの頑健性と一般化性能を評価する。
• 分類性能を評価するため、標準的な評価指標（正確度、感度、特異度）を用いる。
• 未知のデータに対して一般化できるかを確認するため、ホールドアウトされたテストセットを用いてモデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 STFT 処理を施した ECG データを用いた転移学習は、小規模データセットにおける分類性能をどのように向上させるか？
• RQ2 異なるデータ分割手法が、ECG 心不全分類におけるモデル評価および一般化性能に与える影響は何か？
• RQ3 既存の深層学習モデルが、不適切な分割によってデータ漏洩を経験している程度はどの程度か？
• RQ4 AAMI EC57 標準に従うことで、ECG 分類におけるモデル評価の信頼性が顕著に向上するか？
• RQ5 STFT 表現を用いて、事前学習済みの ResNet-18 モデルを小規模な ECG データセットで微調整することで、高い性能を達成できるか？

主な発見

• STFT と ResNet-18 を用いた提案された転移学習フレームワークは、小規模データセットでも高い分類正確度を達成し、優れた性能を示した。
• AAMI EC57 標準に従ったデータ分割に従うことで、モデルの信頼性が顕著に向上し、データ漏洩のリスクが低減された。
• MIT-BIH データセット上で既存の深層学習モデルの多くが、不適切な訓練/検証/テスト分割によってデータ漏洩を経験していることが判明した。
• STFT を用いたスペクトログラム表現は、ECG シグナルの時間的および周波数的特徴を効果的に捉えており、モデル学習を強化した。
• データ分割手法の比較から、不適切な分割は過剰に楽観的な性能推定を引き起こし、モデルの妥当性を損なうことが明らかになった。
• 事前学習済みの ResNet-18 モデルを ECG スペクトログラム上で微調整することで、特にデータが限られた状況でも、学習から再構築する場合よりも優れた結果が得られた。