[論文レビュー] Inter-Patient ECG Classification with Convolutional and Recurrent Neural Networks

Li Guo, Gavin Sim+1 more|arXiv (Cornell University)|Sep 27, 2018

ECG Monitoring and Analysis参考文献 35被引用数 5

ひとこと要約

本論文は、患者個別または機器個別データを用いずに、心室性（VEB）および心房性（SVEB）不 rhythmia を分類するための汎用的で患者間の ECG 分類フレームワークを、DenseNet および GRU アーキテクチャを用いて提案する。モデルは、未観測のテストデータにおいて、VEB で 89.75%、SVEB で 61.25% の最先端の F1 スコアを達成し、複雑な前処理や特徴工学を必要とせずに、先行手法を顕著に上回る性能を発揮する。

ABSTRACT

The recent advances in ECG sensor devices provide opportunities for user self-managed auto-diagnosis and monitoring services over the internet. This imposes the requirements for generic ECG classification methods that are inter-patient and device independent. In this paper, we present our work on using the densely connected convolutional neural network (DenseNet) and gated recurrent unit network (GRU) for addressing the inter-patient ECG classification problem. A deep learning model architecture is proposed and is evaluated using the MIT-BIH Arrhythmia and Supraventricular Databases. The results obtained show that without applying any complicated data pre-processing or feature engineering methods, both of our models have considerably outperformed the state-of-the-art performance for supraventricular (SVEB) and ventricular (VEB) arrhythmia classifications on the unseen testing dataset (with the F1 score improved from 51.08 to 61.25 for SVEB detection and from 88.59 to 89.75 for VEB detection respectively). As no patient-specific or device-specific information is used at the training stage in this work, it can be considered as a more generic approach for dealing with scenarios in which varieties of ECG signals are collected from different patients using different types of sensor devices.

研究の動機と目的

• 患者の識別子や ECG デバイスの種別に依存しない汎用的で患者間 ECG 分類手法の開発を目的とする。
• 深層学習を用いて多様な患者およびデバイス間で不 rhythmia を分類する課題に取り組む。
• 複雑なデータ前処理や手作業による特徴工学に依存しないようにする。
• 標準的な ECG データベースを用いて、未観測の患者に対するモデル性能を評価する。
• VEB および SVEB 不 rhythmia における患者間 ECG 分類の分野で最先端の性能を示す。

提案手法

• 生の ECG シグナルから階層的な空間的・時間的特徴を抽出するために、密接に接続された畳み込みニューラルネットワーク（DenseNet）が用いられる。
• ECG シーケンス内の長距離時間的依存性をモデル化するため、DenseNet の上流にゲート付き再帰ユニット（GRU）ネットワークがスタックされる。
• エンドツーエンドの深層学習アーキテクチャが、患者固有データや機器固有データを一切使用せずに、生の ECG データ上でエンドツーエンドで学習される。
• 標準的な訓練・テスト分割を用いて、MIT-BIH Arrhythmia データベースおよび Supraventricular Arrhythmia データベースでモデルが評価される。
• 複雑な前処理や特徴工学は適用されていない。モデルは直接、生の ECG リードを処理する。
• モデル学習には標準的な交差エントロピー損失と Adam 最適化法を用い、早期停止を適用する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、患者固有データや機器固有データを用いずに、高い患者間 ECG 分類性能を達成できるか？
• RQ2 DenseNet と GRU の組み合わせは、先行手法と比較して VEB および SVEB 不 rhythmia の分類にどのように寄与するか？
• RQ3 手作業による特徴を一切用いずに、生の ECG データを深層ニューラルネットワークのみで効果的に分類できるか？
• RQ4 提案手法のモデルは、未観測の患者や ECG デバイスにうまく一般化できるか？
• RQ5 提案手法は、最先端のアプローチに比べて、患者間 ECG 分類でどの程度の性能向上を達成するか？

主な発見

• 提案モデルは、心房性期外収縮（SVEB）において F1 スコア 61.25% を達成し、先行の最先端手法（51.08%）から顕著な向上を示した。
• 心室性期外収縮（VEB）では、F1 スコア 89.75% を達成し、前回の最先端手法（88.59%）を上回った。
• 複雑なデータ前処理や特徴工学を一切必要とせず、既存の手法を上回る性能を発揮した。
• 訓練中に患者固有データを一切使用しなかったにもかかわらず、異なる患者および ECG デバイス間で強い一般化性能を示した。
• DenseNet と GRU の組み合わせは、ECG シグナル内の局所的な形態的パターンと長期的な時間的ダイナミクスの両方を効果的に捉えた。
• 結果から、遠隔地や自己管理型健康モニタリングに適した汎用的でデバイスに依存しない ECG 分類システムの実現可能性が裏付けられた。