[논문 리뷰] On Arrhythmia Detection by Deep Learning and Multidimensional Representation

Kuldeep Singh Rajput, Sandi Wibowo외 2명|arXiv (Cornell University)|2019. 03. 30.

ECG Monitoring and Analysis참고 문헌 42인용 수 10

한 줄 요약

이 논문은 1차원 ECG 신호를 다차원 2차원 이미지 표현으로 변환하는 딥러닝 프레임워크를 제안하여 부정맥 검출을 향상시킨다. 이 다중채널 이미지에 컨볼루션 신경망을 적용함으로써, 기존의 접근 방식과 전문 심장내과의자들의 주석을 포함한 기준 데이터셋에서 뛰어난 분류 성능을 달성한다.

ABSTRACT

An electrocardiogram (ECG) is a time-series signal that is represented by one-dimensional (1-D) data. Higher dimensional representation contains more information that is accessible for feature extraction. Hidden variables such as frequency relation and morphology of segment is not directly accessible in the time domain. In this paper, 1-D time series data is converted into multi-dimensional representation in the form of multichannel 2-D images. Following that, deep learning was used to train a deep neural network based classifier to detect arrhythmias. The results of simulation on testing database demonstrate the effectiveness of the proposed methodology by showing an outstanding classification performance compared to other existing methods and hand-crafted annotations made by certified cardiologists.

연구 동기 및 목표

• 더 풍부한 형태학적 및 주파수 정보를 포착할 수 있는 고차원 표현으로 1차원 ECG 신호를 변환함으로써 부정맥 검출을 향상시키기 위해.
• 기존의 시간 영역 분석이 숨겨진 ECG 특징, 예를 들어 세그먼트 형태학 및 주파수 관계를 드러내는 데에 한계를 가진다는 점을 극복하기 위해.
• 자동화된 부정맥 분류를 위한 딥러닝 분류기를 다차원 ECG 표현으로 훈련시키기 위해.
• 기타 최첨단 기술과 자격을 갖춘 심장내과의자들의 임상 주석과의 비교를 통해 제안된 방법을 평가하기 위해.

제안 방법

• ECG 시계열 데이터가 다중채널 2차원 이미지로 변환되어 다차원 특징 추출이 가능하게 된다.
• 다차원 표현은 여러 리드 또는 신호 구성 요소 간의 시간적 및 형태학적 패턴을 유지한다.
• 딥 컨볼루션 신경망(CNN)이 2차원 이미지 표현으로 훈련되어 부정맥 유형을 분류한다.
• 정확도, 민감도, 특이도와 같은 표준 분류 지표를 사용하여 표준 ECG 데이터베이스에서 모델을 평가한다.
• 수동적인 특징 공학 없이도 구분 가능한 특징을 자동으로 추출할 수 있도록 엔드 투 엔드 학습을 활용한다.
• 시험용 데이터베이스를 사용하여 기존의 딥러닝 및 전통적 방법과의 비교를 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 1차원 ECG 신호의 다차원 표현이 딥러닝 모델의 부정맥 검출 성능을 향상시킬 수 있는가?
• RQ2 제안된 방법은 부정맥 유형을 분류하는 데 있어 전문 심장내과의자들의 주석과 비교하여 어떻게 성능을 내는가?
• RQ3 더 높은 차원의 표현은 원시 시계열 ECG 데이터에 비해 특징 추출을 얼마나 향상시키는가?
• RQ4 다중채널 2차원 이미지를 사용할 경우 기존의 1차원 또는 2차원 표현에 비해 분류 정확도가 더 높아지는가?
• RQ5 제안된 프레임워크는 광범위한 부정맥 유형에 대해 광범위하게 일반화될 수 있는가? 이는 광범위한 수동적 특징 공학이 필요 없이 가능하다.

주요 결과

• 제안된 방법은 기준 ECG 데이터셋에서 기존의 딥러닝 및 전통적 방법보다 뛰어난 분류 성능을 달성한다.
• 다차원 표현은 모델이 ECG 신호 내에서 미세한 형태학적 및 주파수 기반 패턴을 탐지하는 데에 상당한 향상을 이룬다.
• 2차원 이미지 표현으로 훈련된 딥러닝 분류기는 수동으로 만든 특징 기반 접근 방식과 전문가 주석 모두를 초월하는 핵심 지표에서 뛰어난 성능을 보인다.
• 모델은 높은 민감도와 특이도를 보이며 임상적 관련성에서 강력한 신뢰성을 나타낸다.
• 1차원 ECG 신호를 다중채널 2차원 이미지로 변환하는 것은 최소한의 수동적 특징 공학으로 효과적인 엔드 투 엔드 학습을 가능하게 한다.
• 결과는 고차원 표현이 ECG 데이터 내에 숨겨진 구조적 정보를 해방시켜 진단 정확도를 향상시킨다는 것을 확인한다.