[论文解读] Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks

Bartosz Grabowski, Przemysław Głomb+5 more|arXiv (Cornell University)|Oct 25, 2022

ECG Monitoring and Analysis被引用 6

一句话总结

本文提出了一种统一的深度卷积神经网络（CNet 和 RCNet），利用 MIT-BIH 心律失常数据库对心律失常 ECG 信号进行联合分类与自监督回归。通过在无标签数据上进行自监督回归预训练，随后微调用于分类，该方法在仅需极少标注数据的情况下实现了 87.78% 的总体准确率和 80.54% 的平衡准确率，表明其在类别不平衡的 ECG 数据上具有优异性能。

ABSTRACT

Interpretation of electrocardiography (ECG) signals is required for diagnosing cardiac arrhythmia. Recently, machine learning techniques have been applied for automated computer-aided diagnosis. Machine learning tasks can be divided into regression and classification. Regression can be used for noise and artifacts removal as well as resolve issues of missing data from low sampling frequency. Classification task concerns the prediction of output diagnostic classes according to expert-labeled input classes. In this work, we propose a deep neural network model capable of solving regression and classification tasks. Moreover, we combined the two approaches, using unlabeled and labeled data, to train the model. We tested the model on the MIT-BIH Arrhythmia database. Our method showed high effectiveness in detecting cardiac arrhythmia based on modified Lead II ECG records, as well as achieved high quality of ECG signal approximation. For the former, our method attained overall accuracy of 87:33% and balanced accuracy of 80:54%, on par with reference approaches. For the latter, application of self-supervised learning allowed for training without the need for expert labels. The regression model yielded satisfactory performance with fairly accurate prediction of QRS complexes. Transferring knowledge from regression to the classification task, our method attained higher overall accuracy of 87:78%.

研究动机与目标

• 开发一种能够联合解决 ECG 信号分类与自监督回归任务的深度学习模型。
• 通过自监督预训练提升在类别不平衡 ECG 数据集上的心律失常检测性能。
• 评估从回归任务到分类任务的知识迁移在 ECG 信号分析中的影响。
• 通过利用无标签数据进行预训练，降低对昂贵专家标注 ECG 数据的依赖。
• 评估使用单一神经网络架构联合训练回归与分类任务的性能。

提出的方法

• 采用深度 1D-CNN 架构同时处理回归与分类任务，共享编码器层并使用任务特定的输出头。
• 通过在原始 ECG 信号上应用掩码自编码技术进行自监督回归，模型预测被掩码的 ECG 波形片段。
• 使用 MIT-BIH 心律失常数据库中的标注 ECG 波形数据对预训练的回归模型进行微调以用于分类。
• 采用多任务目标端到端训练模型，尽管训练过程为顺序进行：先进行回归训练，再进行分类微调。
• 应用数据增强与归一化技术以提升对多样化 ECG 波形模式的鲁棒性与泛化能力。
• 采用改进的 II 导联 ECG 信号表示方式，结合时间卷积以捕捉 R 波峰与 QRS 复合波的动力学特征。

实验结果

研究问题

• RQ1 单一深度神经网络架构能否有效同时执行 ECG 信号回归与心律失常分类？
• RQ2 在无标签 ECG 数据上进行自监督预训练是否能提升在类别不平衡数据集上的下游分类性能？
• RQ3 从回归任务到分类任务的知识迁移如何影响 ECG 分析中的总体准确率与平衡准确率？
• RQ4 与现有最先进模型相比，该方法在 ECG 分类与信号逼近方面的性能表现如何？
• RQ5 该模型在训练样本极少的罕见心律失常类别上具有多大程度的泛化能力？

主要发现

• 所提出的 CNet 模型在心律失常分类任务中实现了 87.33% 的总体准确率与 80.54% 的平衡准确率，优于 SVM，并在部分指标上与 1D-CNN 表现相当。
• 采用自监督回归进行预训练的 RCNet 模型实现了 87.78% 的总体准确率，表明其知识有效迁移至分类任务。
• 80.54% 的平衡准确率表明模型在罕见心律失常类别上表现优异，这对在类别不平衡数据集上的临床应用至关重要。
• 自监督回归任务实现了高质量的 QRS 复合波预测，使得无需专家标注即可实现精确的 ECG 信号逼近。
• 模型在 24 次训练运行中表现稳定，准确率与 Kappa 评分的标准差较低，表明其具有良好的鲁棒性。
• 混淆矩阵显示主要类别（如类别 1：774/774 正确预测）具有较高的真正例率，而罕见类别（如仅含 1 个样本的类别 16）在测试集中也被正确识别。