[論文レビュー] Robust Peak Detection for Holter ECGs by Self-Organized Operational Neural Networks

Moncef Gabbouj, Serkan Kıranyaz+6 more|arXiv (Cornell University)|Sep 30, 2021

ECG Monitoring and Analysis参考文献 49被引用数 14

ひとこと要約

本稿では、低品質なHolter ECG信号における頑健なRピーク検出を目的として、生成型ニューロンを備えた1次元自己組織的演算ニューラルネットワーク（Self-ONNs）を提案する。トレーニング中に各ニューロンが最適な演算子を自己組織化可能となるように設計された本手法は、深層1次元CNNよりも顕著に低い計算複雑性で、CPSC-2020データセットにおいて最先端の性能を達成した—F1スコア99.10%、感度99.79%、陽性予測度98.42%。

ABSTRACT

Although numerous R-peak detectors have been proposed in the literature, their robustness and performance levels may significantly deteriorate in low-quality and noisy signals acquired from mobile electrocardiogram (ECG) sensors, such as Holter monitors. Recently, this issue has been addressed by deep 1-D convolutional neural networks (CNNs) that have achieved state-of-the-art performance levels in Holter monitors; however, they pose a high complexity level that requires special parallelized hardware setup for real-time processing. On the other hand, their performance deteriorates when a compact network configuration is used instead. This is an expected outcome as recent studies have demonstrated that the learning performance of CNNs is limited due to their strictly homogenous configuration with the sole linear neuron model. In this study, to further boost the peak detection performance along with an elegant computational efficiency, we propose 1-D Self-Organized ONNs (Self-ONNs) with generative neurons. The most crucial advantage of 1-D Self-ONNs over the ONNs is their self-organization capability that voids the need to search for the best operator set per neuron since each generative neuron has the ability to create the optimal operator during training. The experimental results over the China Physiological Signal Challenge-2020 (CPSC) dataset with more than one million ECG beats show that the proposed 1-D Self-ONNs can significantly surpass the state-of-the-art deep CNN with less computational complexity. Results demonstrate that the proposed solution achieves a 99.10% F1-score, 99.79% sensitivity, and 98.42% positive predictivity in the CPSC dataset, which is the best R-peak detection performance ever achieved.

研究の動機と目的

• ノイズが多く、低品質なHolter ECG信号における既存のRピーク検出器の低い頑健性に対処すること。
• ECGピーク検出に用いられる最先端の深層1次元CNNの高い計算複雑性を克服すること。
• 均一な1次元CNNを越えて、非均一で自己組織化可能なニューロンを導入することで学習性能を向上させること。
• リアルタイムECG解析に適したコンactで効率的かつ高精度なニューラルネットワークアーキテクチャを開発すること。
• 最小限のモデル複雑性でCPSC-2020データセットにおいて優れた検出性能を達成すること。

提案手法

• 提案手法は、トレーニング中に最適な演算子を自己組織化可能な1次元自己組織的演算ニューラルネットワーク（Self-ONNs）を採用し、生成型ニューロンを備える。
• 各生成型ニューロンは、入力信号に最も適した演算（例：畳み込み、プーリングに類似した操作）を動的に選択・結合することで、手動での演算子探索の必要性を排除する。
• バックプロパゲーションを用いてエンドツーエンドでトレーニングされ、自己組織化メカニズムにより、非均一で適応的なニューロン動作が可能となる。
• 計算効率を重視したアーキテクチャ設計により、深層1次元CNNが要求する並列化ハードウェアを回避する。
• 中国生理的信号チャレンジ2020（CPSC）データセット（100万件を超えるECGビートを含む）を用いて評価される。
• F1スコア、感度、陽性予測度といった標準指標を用いて性能を測定する。

実験結果

リサーチクエスチョン

• RQ1 自己組織化ニューラルネットワークアーキテクチャは、ノイズの多いHolter ECG信号におけるRピーク検出で、深層1次元CNNを上回ることができるか？
• RQ2 自己的に最適な演算子を選択する生成型ニューロンの使用は、検出の頑健性と正確性を向上させるか？
• RQ3 並列処理専用ハードウェアを必要としないコンactなニューラルネットワークが、最先端の性能を達成できるか？
• RQ4 提案されたSelf-ONN手法は、F1スコア、感度、陽性予測度の観点で、既存の深層学習モデルと比較してどのように差をつけるか？
• RQ5 自己組織化機構は、ニューラルネットワークにおける演算子セットのハイパーパramータチューニングの必要性をどの程度低減するか？

主な発見

• 提案された1次元Self-ONNsは、CPSC-2020データセットで99.10%のF1スコアを達成し、Rピーク検出分野における新たな最先端性能を樹立した。
• 99.79%の感度を達成しており、ECG信号における真のRピークのほぼ完全な検出が可能であることを示している。
• 陽性予測度は98.42%に達し、ピーク位置の高精度な特定が可能であることを示している。
• 深層1次元CNNよりも顕著に低い計算複雑性で優れた性能を達成した。
• 自己組織化メカニズムにより、各ニューロンの演算子セットに対する手動チューニングの必要性が排除され、適応性と頑健性が向上した。
• 非均一で生成型のニューロンが、ECGピーク検出タスクにおいて、均一的で固定構造のネットワークを上回ることを確認した。