[论文解读] A Personalized Zero-Shot ECG Arrhythmia Monitoring System: From Sparse Representation Based Domain Adaption to Energy Efficient Abnormal Beat Detection for Practical ECG Surveillance

Mehmet Yamaç, Mert Duman+3 more|arXiv (Cornell University)|Jul 14, 2022

ECG Monitoring and Analysis被引用 8

一句话总结

本文提出了一种个性化的零样本心电图心律失常监测系统，可在无需新用户异常心电图数据的情况下实现准确的异常搏动检测。通过利用基于稀疏表示的领域自适应技术，将现有用户的知识迁移至新用户，并结合通过零空间投影实现的节能预过滤，该方法实现了98.2%的准确率和92.8%的F1分数，显著优于先前工作，同时降低了可穿戴设备的计算负载。

ABSTRACT

This paper proposes a low-cost and highly accurate ECG-monitoring system intended for personalized early arrhythmia detection for wearable mobile sensors. Earlier supervised approaches for personalized ECG monitoring require both abnormal and normal heartbeats for the training of the dedicated classifier. However, in a real-world scenario where the personalized algorithm is embedded in a wearable device, such training data is not available for healthy people with no cardiac disorder history. In this study, (i) we propose a null space analysis on the healthy signal space obtained via sparse dictionary learning, and investigate how a simple null space projection or alternatively regularized least squares-based classification methods can reduce the computational complexity, without sacrificing the detection accuracy, when compared to sparse representation-based classification. (ii) Then we introduce a sparse representation-based domain adaptation technique in order to project other existing users' abnormal and normal signals onto the new user's signal space, enabling us to train the dedicated classifier without having any abnormal heartbeat of the new user. Therefore, zero-shot learning can be achieved without the need for synthetic abnormal heartbeat generation. An extensive set of experiments performed on the benchmark MIT-BIH ECG dataset shows that when this domain adaptation-based training data generator is used with a simple 1-D CNN classifier, the method outperforms the prior work by a significant margin. (iii) Then, by combining (i) and (ii), we propose an ensemble classifier that further improves the performance. This approach for zero-shot arrhythmia detection achieves an average accuracy level of 98.2% and an F1-Score of 92.8%. Finally, a personalized energy-efficient ECG monitoring scheme is proposed using the above-mentioned innovations.

研究动机与目标

• 解决在真实可穿戴系统中，由于缺乏新用户异常搏动数据，个性化心电图心律失常检测的挑战。
• 开发一种零样本学习框架，使在不依赖目标用户异常搏动训练的情况下，也能实现准确的心律失常检测。
• 通过使用零空间投影进行预过滤，降低连续心电图监测中的计算复杂度和能耗。
• 通过引入基于稀疏表示的领域自适应技术，将现有用户的知识迁移到新用户，从而提升检测性能。
• 设计一种集成分类器，结合深度学习与基于置信度的概率性NPE过滤，以增强鲁棒性和准确性。

提出的方法

• 对新用户的正常心电图搏动使用稀疏字典学习，以建模健康信号子空间，并计算其左零空间，用于高效异常检测。
• 将零空间投影用作低复杂度预过滤器，无需调用完整分类器即可将最多40%的搏动分类为正常，显著降低能耗。
• 实施基于稀疏表示的领域自适应方法，将现有用户的异常和正常心电图信号投影到新用户的信号空间中，实现零样本训练。
• 在适配后的数据上训练一维卷积神经网络（1-D CNN）分类器，仅使用新用户的正常搏动和来自其他用户的迁移异常数据，避免生成合成搏动。
• 设计一种集成分类器，当CNN置信度较低时，转而使用基于概率的NPE方法，从而提高整体检测可靠性。
• 将整个流水线集成到适合可穿戴设备的节能在线监测方案中，最大限度减少对可疑搏动的处理负载。

实验结果

研究问题

• RQ1 在保持高检测准确率的前提下，零空间投影或正则化最小二乘法能否以更低的计算成本替代基于稀疏表示的分类方法，用于心电图异常检测？
• RQ2 基于稀疏表示的领域自适应技术在多大程度上能将现有用户的知识迁移到新用户，从而在无需新用户异常心电图数据的情况下实现零样本训练？
• RQ3 所提出的节能预过滤策略在连续心电图监测中，能在多大程度上降低计算负载，同时保持F1分数？
• RQ4 结合深度学习与基于置信度的概率性过滤的集成分类器，能否显著优于单一组件，从而提升检测性能？
• RQ5 仅使用新用户的正常搏动和来自其他用户的迁移数据，零样本个性化心电图监测系统的可实现准确率和F1分数是多少？

主要发现

• 所提出的零空间投影方法相比标准基于稀疏表示的分类方法，计算复杂度降低了最多20倍，且性能无下降。
• 基于稀疏表示的领域自适应技术实现了有效的零样本学习，在MIT-BIH数据集上实现了98.2%的检测准确率和92.8%的F1分数。
• 最多40%的测试心电图样本可仅通过零空间投影（NPE）分类为正常，显著减少了需经过完整CNN处理的搏动数量。
• 集成分类器（结合一维CNN与基于置信度的NPE回退机制）优于所有单一组件，展现出更优的鲁棒性和准确性。
• 整个系统实现了高准确率与高能效，适用于可穿戴设备上的实时连续心电图监测。
• 软件实现已公开发布于 https://github.com/MertDuman/Zero-Shot-ECG，支持可复现性与进一步研究。