[论文解读] Atrial Fibrillation Detection Using Deep Features and Convolutional Networks

Sara Ross-Howe, Hamid R. Tizhoosh|arXiv (Cornell University)|Mar 28, 2019

ECG Monitoring and Analysis参考文献 12被引用 7

一句话总结

本文提出了一种基于深度学习的方法，通过短时傅里叶变换（STFT）生成的频谱图，检测心电图（ECG）信号中的心房颤动（AFib）。该方法评估了两种策略——使用DenseNet进行特征提取后接支持向量机（SVM）分类，以及端到端的卷积神经网络（CNN）分类，无需噪声滤波、手工特征工程或QRS波峰检测，在MIT-BIH AFib数据集上实现了93.16%的准确率。

ABSTRACT

Atrial fibrillation is a cardiac arrhythmia that affects an estimated 33.5 million people globally and is the potential cause of 1 in 3 strokes in people over the age of 60. Detection and diagnosis of atrial fibrillation (AFIB) is done noninvasively in the clinical environment through the evaluation of electrocardiograms (ECGs). Early research into automated methods for the detection of AFIB in ECG signals focused on traditional bio-medical signal analysis to extract important features for use in statistical classification models. Artificial intelligence models have more recently been used that employ convolutional and/or recurrent network architectures. In this work, significant time and frequency domain characteristics of the ECG signal are extracted by applying the short-time Fourier trans-form and then visually representing the information in a spectrogram. Two different classification approaches were investigated that utilized deep features in the spectrograms construct-ed from ECG segments. The first approach used a pretrained DenseNet model to extract features that were then classified using Support Vector Machines, and the second approach used the spectrograms as direct input into a convolutional network. Both approaches were evaluated against the MIT-BIH AFIB dataset, where the convolutional network approach achieved a classification accuracy of 93.16%. While these results do not surpass established automated atrial fibrillation detection methods, they are promising and warrant further investigation given they did not require any noise prefiltering, hand-crafted features, nor a reliance on beat detection.

研究动机与目标

• 开发一种自动化的心房颤动检测系统，避免依赖人工心电图特征工程。
• 评估基于频谱图的深度学习在心电图信号心房颤动分类中的有效性。
• 比较两种深度学习流程：一种是使用预训练DenseNet的迁移学习方法，另一种是直接在频谱图上进行端到端CNN分类。
• 在无需噪声滤波或R波峰检测等预处理步骤的情况下，评估模型在标准MIT-BIH AFib数据集上的性能。
• 探索原始频谱图是否可作为深度学习模型在心律失常检测中的有效输入。

提出的方法

• 使用短时傅里叶变换（STFT）将心电图信号转换为频谱图，以捕捉时频特性。
• 第一种方法使用预训练的DenseNet-121模型从频谱图中提取深层特征，随后通过支持向量机（SVM）进行分类。
• 第二种方法直接将频谱图输入卷积神经网络（CNN）以实现端到端分类。
• 两种模型均在标准心律失常检测基准数据集MIT-BIH AFib上进行训练和评估。
• CNN方法使用标准卷积层、批量归一化和ReLU激活函数以实现特征学习。
• 模型训练采用交叉熵损失和Adam优化算法，并采用早停策略以防止过拟合。

实验结果

研究问题

• RQ1 在无需人工特征工程的情况下，心电图信号的频谱图表示是否能有效捕捉与心房颤动相关的模式？
• RQ2 基于迁移学习的方法（DenseNet + SVM）与在频谱图输入上使用端到端CNN的方法在心房颤动检测中的性能相比如何？
• RQ3 深度学习模型在无需R波峰检测或噪声预滤波的情况下，能在多大程度上实现高准确率的心房颤动检测？
• RQ4 使用原始频谱图作为输入是否能消除心电图心律失常分类中复杂的预处理步骤？
• RQ5 在MIT-BIH AFib数据集上，基于CNN的频谱图方法的性能上限是多少？

主要发现

• 端到端卷积神经网络在MIT-BIH AFib数据集上实现了93.16%的分类准确率。
• 基于CNN的方法优于DenseNet + SVM方法，证明了直接从频谱图学习的有效性。
• 所提出的方法无需噪声预滤波、无需手工特征工程，也无需R波峰检测，显著简化了处理流程。
• 结果表明，通过STFT生成的频谱图包含足够的判别信息，可用于深度学习驱动的心房颤动检测。
• 尽管性能尚未超越当前最先进方法，但该模型表现令人鼓舞，表明通过网络架构优化仍有进一步提升空间。
• 由于无需进行心 beat 检测和预处理步骤，该方法在实际部署中展现出更强的鲁棒性和实用性。