[论文解读] Deep Convolutional Neural Networks for Noise Detection in ECGs

Jennifer N John, Conner Galloway+1 more|arXiv (Cornell University)|Oct 5, 2018

ECG Monitoring and Analysis参考文献 4被引用 9

一句话总结

本文提出一种深度卷积神经网络（CNN），利用新型人工标注的10,463份移动心电图（ECG）数据集，检测移动ECG信号中的噪声。该16层VGG16结构启发的CNN在10秒输入片段上实现了0.977的AUC，显著提升了噪声定位能力，并通过排除噪声区间增强了后续心律失常检测的性能。

ABSTRACT

Mobile electrocardiogram (ECG) recording technologies represent a promising tool to fight the ongoing epidemic of cardiovascular diseases, which are responsible for more deaths globally than any other cause. While the ability to monitor one's heart activity at any time in any place is a crucial advantage of such technologies, it is also the cause of a drawback: signal noise due to environmental factors can render the ECGs illegible. In this work, we develop convolutional neural networks (CNNs) to automatically label ECGs for noise, training them on a novel noise-annotated dataset. By reducing distraction from noisy intervals of signals, such networks have the potential to increase the accuracy of models for the detection of atrial fibrillation, long QT syndrome, and other cardiovascular conditions. Comparing several architectures, we find that a 16-layer CNN adapted from the VGG16 network which generates one prediction per second on a 10-second input performs exceptionally well on this task, with an AUC of 0.977.

研究动机与目标

• 开发一种自动化方法，用于检测因患者运动、射频干扰或接触不良而常出现伪影的移动ECG记录中的噪声。
• 创建一个新型的人工标注ECG数据集，基于相对信号质量而非绝对阈值对噪声进行标注。
• 评估多种CNN架构在噪声检测中的表现，重点关注输入长度和网络深度以优化性能。
• 通过排除噪声区间，提升下游ECG分析模型的准确性，从而增强对P波等细微特征的检测能力。
• 探索在传统方法受限的单导联、动态ECG中使用深度学习进行噪声检测的可行性。

提出的方法

• 创建了来自AliveCor KardiaMobile设备的10,463份移动ECG的自定义数据集，噪声标注基于相对信号质量——仅当某段信号明显比其余部分更嘈杂时才标记为噪声。
• 将输入信号分割为1秒或2.6秒的区间，使用多数投票法为每个区间分配二值噪声标签。
• 训练了多种CNN架构，包括4层、6层、16层和残差网络，输入长度分别为10秒（3000个样本）和30秒（9000个样本）。
• 16层模型基于VGG16设计，采用3×3卷积层和最大池化层，从ECG信号中提取分层时间特征。
• 使用Softmax输出层为每个1秒段生成噪声概率得分，类别概率以颜色渐变形式可视化。
• 通过受试者工作特征曲线下面积（AUC）评估模型性能，其中16层10秒模型达到最高AUC 0.977。

实验结果

研究问题

• RQ1 深度CNN能否以高精度有效检测移动ECG信号中的噪声，优于传统统计或基于规则的方法？
• RQ2 将输入长度从2.6秒增加到10秒是否能通过改善上下文建模提升噪声检测性能？
• RQ3 更深层的CNN架构（如16层VGG16变体）是否比浅层模型更有效地识别噪声ECG段？
• RQ4 基于相对噪声标注策略——即通过与信号其余部分比较来定义噪声——是否能提升噪声检测的鲁棒性和临床相关性？
• RQ5 预测的噪声概率是否与实际噪声严重程度相关，提示未来可扩展为多分类或回归型噪声严重程度评估？

主要发现

• 16层CNN在10秒输入长度下表现最佳，AUC达0.977，优于所有测试的其他架构。
• 10秒输入长度相比2.6秒输入，实现了更好的上下文感知能力和更精细的噪声定位，提升了识别噪声区间的精确度。
• 6层CNN在30秒输入下表现欠佳（AUC = 0.956），可能因难以应用步长操作且时间分辨率降低。
• 模型预测的噪声概率与感知噪声水平高度相关，提示未来可扩展为多分类或回归型噪声严重程度估计。
• 相对噪声标注策略——即通过与信号其余部分的偏离程度定义噪声——被证明有效，避免了在整体噪声信号中产生假阳性，并在混合质量信号中保留了清晰特征。
• 结果表明，深度学习可在ECG噪声检测中实现接近人类水平的精度，显著提升自动化心律失常检测系统的可靠性。