[论文解读] Data Augmentation for Electrocardiogram Classification with Deep Neural Network

Naoki Nonaka, Jun Seita|arXiv (Cornell University)|Sep 5, 2020

ECG Monitoring and AnalysisMedicine参考文献 20被引用 21

一句话总结

本文提出 ECG Augment，一种用于提升单导联心电图（ECG）深度神经网络（DNN）分类性能的数据增强框架，尤其针对心房颤动检测。通过随机组合多种信号变换（如缩放、翻转、噪声注入和滤波），ECG Augment 在不修改 DNN 架构的前提下增强了训练数据的多样性，在 CinC/Challenge 2017 数据集上相较基线模型实现了 3.17% 的 F1 分数绝对提升。

ABSTRACT

Electrocardiogram (ECG) is the most crucial monitoring modality to diagnose cardiovascular events. Precise and automatic detection of abnormal ECG patterns is beneficial to both physicians and patients. In the automatic detection of abnormal ECG patterns, deep neural networks (DNNs) have shown significant achievements. However, DNNs require large amount of labeled data, which are often expensive to obtain. On the other hand, recent research have shown by randomly combining data augmentations can improve image classification accuracy. Thus, in this work we explore data augmentation suitable for ECG data and propose ECG Augment. We show by introducing ECG Augment, we can improve classification of atrial fibrillation with single lead ECG data, without changing an architecture of DNN.

研究动机与目标

• 为解决在训练用于自动心律失常检测的深度神经网络时标注 ECG 数据有限的挑战。
• 开发一种针对 ECG 信号特性的数据增强策略，以提升模型的泛化能力和鲁棒性。
• 评估随机组合的信号级增强方法是否能在不修改 DNN 架构的前提下提升单导联 ECG 的分类性能。
• 在真实世界 ECG 基准数据集上展示 ECG 专用增强技术的有效性。

提出的方法

• 提出 ECG Augment，一种在训练过程中对 ECG 数据随机应用 13 种信号级变换组合的数据增强框架。
• 应用的变换包括信号缩放、翻转、随机擦除、Cutout、平移，以及在随机区间内注入正弦波、方波脉冲和白噪声。
• 使用有限冲激响应（FIR）滤波器进行低通和高通滤波，以模拟信号退化或噪声。
• 引入两个超参数：幅度（M）控制每种增强的强度，以及每样本应用的增强次数（N）。
• 采用带有批量归一化、ReLU 激活函数和 Dropout 的残差卷积神经网络（CNN）进行 ECG 序列分类。
• 通过将原始 ECG 信号重采样至 50 Hz、零填充对齐序列长度（3050 个点），并将振幅归一化至 ±5 mV 来处理信号。

实验结果

研究问题

• RQ1 随机组合的数据增强技术能否提升 DNN 在单导联 ECG 分类中的性能？
• RQ2 哪些特定的信号级增强方法最有效于提升 ECG 分类的鲁棒性？
• RQ3 ECG Augment 是否能在不修改 DNN 架构的前提下超越基线模型提升分类性能？
• RQ4 如增强强度（M）和增强次数（N）等超参数如何影响模型性能？

主要发现

• 当 M=12 且 N=5 时，ECG Augment 相较基线在三类（正常、心房颤动、其他心律）上的平均 F1 分数显著提升了 3.17%。
• 表现最佳的配置（M=12，N=5）实现了 0.8427 的 F1 分数，优于基线的 0.8168。
• 即使增强强度适中（M=4）且应用五次增强，仍实现了 2.13% 的性能提升，表明该方法在各类设置下均具有一致增益。
• 当增强强度较高（M=20）且与五次增强结合时，性能出现下降，表明在极端设置下可能存在过拟合或不稳定性。
• 所有测试的增强配置（M=4、12、20，N=1 至 5）均一致优于基线，证实了该方法的稳健性。
• 结果表明，ECG Augment 有效提升了数据多样性与模型泛化能力，尤其在单导联 ECG 的心房颤动检测中表现突出。