[论文解读] Densely Connected Convolutional Networks and Signal Quality Analysis to Detect Atrial Fibrillation Using Short Single-Lead ECG Recordings

Jonathan Rubin, Saman Parvaneh+3 more|arXiv (Cornell University)|Oct 10, 2017

ECG Monitoring and Analysis被引用 5

一句话总结

该论文提出了一种混合深度学习与信号质量分析的方法，通过密集连接卷积网络（DenseNet）和信号质量指数（SQI），从短时单导联心电图（ECG）记录中检测心房颤动（AF）。该方法将心电图片段分类为正常窦性心律（NSR）、心房颤动（AF）、其他心律（O）或噪声，其在PhysioNet/CinC挑战赛测试集上的F1得分达到0.80，NSR、AF和O的F1得分分别为0.90、0.80和0.70。

ABSTRACT

The development of new technology such as wearables that record high-quality single channel ECG, provides an opportunity for ECG screening in a larger population, especially for atrial fibrillation screening. The main goal of this study is to develop an automatic classification algorithm for normal sinus rhythm (NSR), atrial fibrillation (AF), other rhythms (O), and noise from a single channel short ECG segment (9-60 seconds). For this purpose, signal quality index (SQI) along with dense convolutional neural networks was used. Two convolutional neural network (CNN) models (main model that accepts 15 seconds ECG and secondary model that processes 9 seconds shorter ECG) were trained using the training data set. If the recording is determined to be of low quality by SQI, it is immediately classified as noisy. Otherwise, it is transformed to a time-frequency representation and classified with the CNN as NSR, AF, O, or noise. At the final step, a feature-based post-processing algorithm classifies the rhythm as either NSR or O in case the CNN model's discrimination between the two is indeterminate. The best result achieved at the official phase of the PhysioNet/CinC challenge on the blind test set was 0.80 (F1 for NSR, AF, and O were 0.90, 0.80, and 0.70, respectively).

研究动机与目标

• 开发一种自动化、鲁棒的分类系统，用于从短时单导联心电图记录中检测心房颤动（AF）。
• 解决真实可穿戴设备数据中低质量心电图信号的挑战。
• 通过仅使用单导联的短时（9–60秒）心电图片段，实现高精度AF检测，提升筛查可及性。
• 将信号质量评估与深度学习相结合，以增强可靠性并减少误报。

提出的方法

• 在分类前计算信号质量指数（SQI），以评估心电图记录的质量。
• 训练两个基于DenseNet的卷积神经网络（CNN）模型：一个用于15秒心电图片段，另一个用于更短的9秒片段。
• 根据SQI判断为低质量的记录将被直接分类为噪声，不再进行进一步处理。
• 对有效记录进行时间-频率表示转换（如频谱图），然后输入CNN模型，分类为NSR、AF、O或噪声。
• 采用基于特征的后处理算法，在CNN输出模棱两可时解决NSR与O之间的模糊分类问题。
• 最终分类结果通过结合SQI结果、CNN预测和后处理逻辑确定。

实验结果

研究问题

• RQ1 信号质量指数是否能有效在深度学习分类前过滤掉低质量心电图记录？
• RQ2 基于DenseNet的模型在将短时单导联心电图分类为NSR、AF、O或噪声方面，其准确率如何？
• RQ3 结合信号质量分析与深度学习的混合方法是否能提升真实可穿戴心电图数据中分类的鲁棒性？
• RQ4 此类系统在标准基准测试（如PhysioNet/CinC挑战赛）上的表现如何？

主要发现

• 所提出方法在官方PhysioNet/CinC挑战赛盲测数据集上的总体F1得分为0.80。
• 正常窦性心律（NSR）的F1得分为0.90，表明在NSR检测中具有高敏感性和高精度。
• 心房颤动（AF）的F1得分为0.80，表明在检测AF发作方面表现强劲。
• 其他心律（O）的F1得分为0.70，反映出中等但可接受的分类准确率。
• SQI的集成显著提升了系统可靠性，通过在处理流程早期过滤掉噪声记录。
• 采用两个CNN模型（15秒和9秒）增强了系统在不同记录时长下的鲁棒性。