[论文解读] A Novel real-time arrhythmia detection model using YOLOv8

Guang Jun Nicholas Ang, Aditya Goil+7 more|arXiv (Cornell University)|May 26, 2023

ECG Monitoring and AnalysisMedicine被引用 3

一句话总结

该论文提出了一种基于损失函数改进的YOLOv8模型，用于实时检测单导联心电图（ECG）信号中的心律失常。通过将心电图片段视为目标检测任务，该模型在V100 GPU上实现了0.002秒的推理时间，测试准确率达到99.5%，mAP@50为0.992，展示了其在家庭心脏监测中实现高精度、低延迟部署的巨大潜力。

ABSTRACT

In a landscape characterized by heightened connectivity and mobility, coupled with a surge in cardiovascular ailments, the imperative to curtail healthcare expenses through remote monitoring of cardiovascular health has become more pronounced. The accurate detection and classification of cardiac arrhythmias are pivotal for diagnosing individuals with heart irregularities. This study underscores the feasibility of employing electrocardiograms (ECG) measurements in the home environment for real-time arrhythmia detection. Presenting a fresh application for arrhythmia detection, this paper leverages the cutting-edge You-Only-Look-Once (YOLO)v8 algorithm to categorize single-lead ECG signals. We introduce a novel loss-modified YOLOv8 model, fine-tuned on the MIT-BIH arrhythmia dataset, enabling real-time continuous monitoring. The obtained results substantiate the efficacy of our approach, with the model attaining an average accuracy of 99.5% and 0.992 mAP@50, and a rapid detection time of 0.002 seconds on an NVIDIA Tesla V100. Our investigation exemplifies the potential of real-time arrhythmia detection, enabling users to visually interpret the model output within the comfort of their homes. Furthermore, this study lays the groundwork for an extension into a real-time explainable AI (XAI) model capable of deployment in the healthcare sector, thereby significantly advancing the realm of healthcare solutions.

研究动机与目标

• 在家庭环境中实现基于单导联心电图信号的实时、自我管理式心律失常检测。
• 解决传统心电图分析的局限性，如计算成本高和人工解读疲劳。
• 将计算机视觉中的目标检测技术适配于心电图信号分类，以提升速度与准确性。
• 开发一种可部署的轻量化模型，适用于边缘设备，并为未来集成可穿戴健康系统奠定基础。

提出的方法

• 通过时频映射将单导联心电图信号转换为类似二维图像的表示形式，输入YOLOv8模型。
• 在MIT-BIH心律失常数据集上微调YOLOv8n，采用一种新型损失函数，结合动态类别频率倒数与Wise IoU，以缓解类别不平衡问题。
• 采用轻量级YOLOv8n架构，确保在消费级硬件上实现实时推理性能。
• 应用数据增强与归一化技术，提升模型在多样化心电图波形上的鲁棒性与泛化能力。
• 通过10折交叉验证验证模型性能，并在未见数据上进行测试，以确保结果的可靠性与一致性。
• 生成带有边界框和类别标签的可视化输出，为终端用户提供可解释的反馈。

实验结果

研究问题

• RQ1 YOLOv8能否通过目标检测原理有效应用于单导联心电图信号的实时心律失常检测？
• RQ2 与现有用于心电图分类的深度学习模型相比，所提出的损失函数改进的YOLOv8模型在准确率与推理速度方面表现如何？
• RQ3 动态类别频率倒数与Wise IoU的结合在多大程度上提升了对少数类心律失常的检测性能？
• RQ4 该模型能否实现极低延迟的实时推理，适用于便携式或边缘设备的部署？
• RQ5 在真实、嘈杂的家庭环境中部署此类模型面临哪些挑战与局限性？

主要发现

• 该模型在MIT-BIH数据集上实现了99.5%的测试准确率和0.992 mAP@50的平均精度，展示了基于目标检测的心电图分类的最先进性能。
• 在NVIDIA Tesla V100 GPU上，每段心电图的推理时间仅为0.002秒，证实了其具备实时处理能力。
• 采用动态类别频率倒数与Wise IoU损失显著提升了对少数类心律失常的检测性能，有效缓解了类别不平衡带来的偏差。
• 模型在10折交叉验证中保持了稳定的性能表现，表明其在不同数据划分下均具备良好的鲁棒性与泛化能力。
• 带有边界框和置信度分数的可视化输出使非专业用户能够直观理解结果，支持患者自我监测。
• 尽管性能优异，但该模型的决策过程仍为“黑箱”，凸显了未来在临床部署中整合可解释人工智能（XAI）的迫切需求。