[论文解读] A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection

Negin Alamatsaz, Leyla s Tabatabaei+4 more|arXiv (Cornell University)|Aug 29, 2022

ECG Monitoring and Analysis被引用 5

一句话总结

该论文提出了一种轻量级11层混合CNN-LSTM模型，用于基于心电图的自动心律失常检测，跨9类（8种心律失常和正常心律）实现了98.24%的平均诊断准确率。该模型通过重采样和基线漂移去除的信号，端到端处理500个样本的心电图片段，利用CNN进行空间特征提取，LSTM进行时间序列建模，推理时间仅为5.127毫秒（在Raspberry Pi上），实现了在Holter监测仪中的实时部署。

ABSTRACT

Electrocardiogram (ECG) is the most frequent and routine diagnostic tool used for monitoring heart electrical signals and evaluating its functionality. The human heart can suffer from a variety of diseases, including cardiac arrhythmias. Arrhythmia is an irregular heart rhythm that in severe cases can lead to heart stroke and can be diagnosed via ECG recordings. Since early detection of cardiac arrhythmias is of great importance, computerized and automated classification and identification of these abnormal heart signals have received much attention for the past decades. Methods: This paper introduces a light deep learning approach for high accuracy detection of 8 different cardiac arrhythmias and normal rhythm. To leverage deep learning method, resampling and baseline wander removal techniques are applied to ECG signals. In this study, 500 sample ECG segments were used as model inputs. The rhythm classification was done by an 11-layer network in an end-to-end manner without the need for hand-crafted manual feature extraction. Results: In order to evaluate the proposed technique, ECG signals are chosen from the two physionet databases, the MIT-BIH arrhythmia database and the long-term AF database. The proposed deep learning framework based on the combination of Convolutional Neural Network(CNN) and Long Short Term Memory (LSTM) showed promising results than most of the state-of-the-art methods. The proposed method reaches the mean diagnostic accuracy of 98.24%. Conclusion: A trained model for arrhythmia classification using diverse ECG signals were successfully developed and tested. Significance: Since the present work uses a light classification technique with high diagnostic accuracy compared to other notable methods, it could successfully be implemented in holter monitor devices for arrhythmia detection.

研究动机与目标

• 开发一种轻量级深度学习模型，实现实时、高精度的心电图信号心律失常检测。
• 克服重型模型在便携设备（如Holter监测仪）中实时部署受阻的局限性。
• 使用单一端到端框架对9种不同的心电图节律类型（包括8种心律失常和正常窦性心律）进行分类。
• 通过在两个具有不同采样频率的多样化心电图数据库上联合训练和测试，提升模型泛化能力。
• 通过最小化模型大小和推理时间，实现在低功耗边缘设备上的高效部署。

提出的方法

• 模型采用一维CNN后接LSTM层，从500个样本的心电图片段中提取分层的空间和时间特征。
• 通过重采样和基线漂移去除对心电图信号进行预处理，以提升信号质量和模型鲁棒性。
• 网络以端到端方式训练，无需人工特征工程，直接将原始心电图片段映射到节律类别标签。
• 架构仅包含11层，以确保轻量化推理，适用于资源受限设备。
• 在两个公开数据库（MIT-BIH Arrhythmia和Long-term AF）上评估模型性能，并通过跨数据库测试评估泛化能力。
• 在Raspberry Pi上验证推理效率，测量模型大小（0.16 MB）和推理时间（每节律5.127 ms）。

实验结果

研究问题

• RQ1 轻量级混合CNN-LSTM模型是否能在保持适合实时部署的同时，实现对多种心电图心律失常类型的高精度分类？
• RQ2 所提出的模型在具有不同采样率和信号特征的多样化心电图数据库上的表现如何？
• RQ3 与独立模型相比，CNN和LSTM的结合在多大程度上提升了分类准确率？
• RQ4 考虑到其模型大小和推理速度，该模型是否能高效部署在Raspberry Pi等低功耗边缘设备上？
• RQ5 在准确率、参数量和推理时间方面，该模型与最先进方法相比表现如何？

主要发现

• 所提出的模型在9种心电图节律类别（包括8种心律失常和正常窦性心律）上实现了98.24%的平均诊断准确率。
• 模型通过在两个采样频率不同的心电图数据库上联合训练和测试，展现出优异的泛化能力。
• 在Raspberry Pi上的推理时间仅为每心电图片段5.127毫秒，表明其在实时应用中的高度适用性。
• 模型大小被最小化至0.16 MB，使其在低功耗可穿戴设备（如Holter监测仪）中部署极为高效。
• 所有9种节律类别的AUC均接近完美，如ROC曲线所示，表明其具备强大的判别能力。
• 在准确率和效率方面，该模型优于多种最先进方法，尤其在性能与计算成本之间实现了良好平衡。