[论文解读] Classification of 12-Lead ECG Signals with Bi-directional LSTM Network

Ahmed Mostayed, Junye Luo+2 more|arXiv (Cornell University)|Nov 5, 2018

ECG Monitoring and AnalysisMedicine参考文献 14被引用 17

一句话总结

该论文提出了一种双向长短期记忆网络（Bi-LSTM）用于分类12导联心电图（ECG）信号以检测心脏病理。在中文生理信号挑战赛数据集上进行训练，该模型在验证集上实现了74.15%的平均F1分数，证明了其在处理任意长度输入信号的心电图分类任务中具有有效的序列建模能力。

ABSTRACT

We propose a recurrent neural network classifier to detect pathologies in 12-lead ECG signals and train and validate the classifier with the Chinese physiological signal challenge dataset (http://www.icbeb.org/Challenge.html). The recurrent neural network consists of two bi-directional LSTM layers and can train on arbitrary-length ECG signals. Our best trained model achieved an average F1 score of 74.15% on the validation set. Keywords: ECG classification, Deep learning, RNN, Bi-directional LSTM, QRS detection.

研究动机与目标

• 开发一种深度学习模型，能够从12导联心电图信号中分类多种心脏病理。
• 通过设计可处理任意输入长度的循环架构，解决可变长度心电图信号的挑战。
• 利用双向循环神经网络捕捉心电图序列中的时间依赖性，从而在分类性能上超越传统方法。
• 在标准化基准数据集上验证模型，以确保可复现性及性能对比。
• 提供一种可训练的端到端解决方案，用于基于深度学习的自动化心电图诊断。

提出的方法

• 该模型采用两个堆叠的双向LSTM层，以捕捉心电图信号中的长程时间依赖性。
• 双向架构使网络能够同时从前向和后向处理心电图序列，从而提升上下文感知能力。
• 网络在原始12导联心电图信号上进行端到端训练，无需人工特征提取。
• 该模型设计为可接受可变长度的心电图信号，从而在输入时长上具备灵活性。
• 训练基于中文生理信号挑战赛数据集进行，该数据集为心电图分类提供了标准化基准。
• 损失函数通过标准的时间反向传播进行优化，输出采用Softmax以实现多类别病理分类。

实验结果

研究问题

• RQ1 双向LSTM架构能否有效对12导联心电图信号中的多种心脏病理进行分类？
• RQ2 与固定序列模型相比，该模型在可变长度心电图信号上的表现如何？
• RQ3 双向序列建模对心电图分析中分类准确率的影响是什么？
• RQ4 该模型能否在中文生理信号挑战赛等标准化基准数据集上实现良好泛化？
• RQ5 在F1分数和鲁棒性方面，Bi-LSTM层的最佳配置是什么？

主要发现

• 所提出的Bi-LSTM模型在验证集上实现了74.15%的平均F1分数，表明其在自动化心电图分类任务中表现优异。
• 该模型成功处理了任意长度的心电图信号，使其适用于记录时长各异的真实临床数据。
• 双向设计通过捕捉心电图序列中的过去和未来上下文，提升了分类性能。
• 该模型在无需手工特征工程的情况下，表现出对多种心脏病理的鲁棒检测能力。
• 结果表明，使用循环架构的深度学习是实现自动化心电图解读的可行方法。
• 该模型在基准数据集上的表现确立了未来基于序列模型的心电图分类研究的强有力基线。