[论文解读] A Wearable ECG Monitor for Deep Learning Based Real-Time Cardiovascular Disease Detection

Peng Wang, Zihuai Lin+5 more|arXiv (Cornell University)|Jan 25, 2022

ECG Monitoring and Analysis被引用 26

一句话总结

本文提出一种穿戴式单导联心电图贴片 (IREALCARE) 及一个半监督的 Confident-ResNet 模型，在噪声更大的物联网数据上实现实时心电分类的平均准确率为 90.2%。

ABSTRACT

Cardiovascular disease has become one of the most significant threats endangering human life and health. Recently, Electrocardiogram (ECG) monitoring has been transformed into remote cardiac monitoring by Holter surveillance. However, the widely used Holter can bring a great deal of discomfort and inconvenience to the individuals who carry them. We developed a new wireless ECG patch in this work and applied a deep learning framework based on the Convolutional Neural Network (CNN) and Long Short-term Memory (LSTM) models. However, we find that the models using the existing techniques are not able to differentiate two main heartbeat types (Supraventricular premature beat and Atrial fibrillation) in our newly obtained dataset, resulting in low accuracy of 58.0 %. We proposed a semi-supervised method to process the badly labelled data samples with using the confidence-level-based training. The experiment results conclude that the proposed method can approach an average accuracy of 90.2 %, i.e., 5.4 % higher than the accuracy of conventional ECG classification methods.

研究动机与目标

• 开发用于长期监测的便携式无线实时单导联心电图贴片 (IREALCARE)。
• 采用半监督、置信度级别的训练方案解决嘈杂、标注不完美的 IoT 心电数据。
• 利用深度残差网络提升心电节律分类在传统 CNN/LSTM 方法之上的准确性。
• 实现基于云的分析和临床医生远程访问的心血管疾病检测。

提出的方法

• 设计一款重量仅 13 g 的小型单导联心电图贴片，采样率 250 Hz，24 位 ADC。
• 数据预处理包括数据归一化、滑动窗口数据增强，以及基于小波的去噪（DWT）。
• 采用基于 ResNet 的骨干网络，包含六个残差块用于 ECG 分类。
• 引入基于置信度级别的训练，从不完美标签中选择干净数据。
• 与标准 CNN/LSTM/AlexNet/VGG16/WBCNN 分类器进行比较，以展示性能提升。
• 训练使用映射到 AAMI EC57 的 5 种节律类别，80/20 训练/测试分割，训练节拍数 227,680。

实验结果

研究问题

• RQ1 可穿戴单导联心电图贴片在现实世界条件下可靠地收集适合深度学习分类的长期心电数据吗？
• RQ2 基于置信度级别的半监督训练是否能提高嘈杂、标注不完美的 IoT 心电数据的节律分类准确性？
• RQ3 一个结合置信度训练的 ResNet 模型与现有的深度学习模型在 ECG 节律分类上的比较如何？
• RQ4 在物联网/云生态系统中，所提出系统可实现的实时分类准确性和鲁棒性是多少？

主要发现

• 所提出的 Confident-ResNet 在测试集上实现 90.2% 的平均准确性，比 CNN、LSTM、AlexNet、VGG16 及其他基线高出 3–10 个百分点。
• 基于置信度等级的训练，阈值为 80% 时获得最佳验证准确性（89.9%），显示出对不完美标签的有效处理能力。
• 该系统使用 62 名患者，300 Hz 采样，以及映射到 AAMI EC57 的 5 种节律类别（N、V、S、A、Q）的 1 秒片段，训练集包含 227,680 个节拍。
• 通过离散小波变换进行去噪和通过滑动窗口进行数据增广，有助于应对嘈杂的 IoT 贴片数据。
• 与传统的 ECG 分类方法相比，Confident-ResNet 方法在所实现的数据集上显示出改进的准确性。