[论文解读] Detection of Premature Ventricular Contractions Using Densely Connected Deep Convolutional Neural Network with Spatial Pyramid Pooling Layer

Jianning Li|arXiv (Cornell University)|Jun 12, 2018

ECG Monitoring and Analysis参考文献 28被引用 8

一句话总结

本文提出了一种结合空间金字塔池化的密集连接卷积神经网络，用于使用任意大小的QRS波群对早搏（PVCs）进行鲁棒检测。该模型在MIT-BIH心律失常数据库上实现了最先进性能，并在另外四个公开的ECG数据库上表现出良好的泛化能力，无需固定输入尺寸或大量微调即可实现高精度、高敏感性和高特异性。

ABSTRACT

Premature ventricular contraction(PVC) is a type of premature ectopic beat originating from the ventricles. Automatic method for accurate and robust detection of PVC is highly clinically desired.Currently, most of these methods are developed and tested using the same database divided into training and testing set and their generalization performance across databases has not been fully validated. In this paper, a method based on densely connected convolutional neural network and spatial pyramid pooling is proposed for PVC detection which can take arbitrarily-sized QRS complexes as input both in training and testing. With a much less complicated and more straightforward architecture,the proposed network achieves comparable results to current state-of-the-art deep learning based method with regard to accuracy,sensitivity and specificity by training and testing using the MIT-BIH arrhythmia database as benchmark.Besides the benchmark database,QRS complexes are extracted from four more open databases namely the St-Petersburg Institute of Cardiological Technics 12-lead Arrhythmia Database,The MIT-BIH Normal Sinus Rhythm Database,The MIT-BIH Long Term Database and European ST-T Database. The extracted QRS complexes are different in length and sampling rate among the five databases.Cross-database training and testing is also experimented.The performance of the network shows an improvement on the benchmark database according to the result demonstrating the advantage of using multiple databases for training over using only a single database.The network also achieves satisfactory scores on the other four databases showing good generalization capability.

研究动机与目标

• 开发一种深度学习模型，能够在多种ECG数据库上实现高精度和鲁棒的早搏（PVCs）检测。
• 解决现有方法依赖固定尺寸输入和单数据库训练的局限性，实现在训练和推理阶段均可接受任意大小QRS波群输入。
• 通过在多个公开可用的ECG数据库上进行训练，提升模型的泛化能力，而非仅依赖单一基准数据集。
• 在标准MIT-BIH心律失常数据库及另外四个公开ECG数据库上评估模型性能。
• 证明更简单、更精简的网络架构可在PVC检测任务中实现与最先进方法相当或更优的性能。

提出的方法

• 采用密集连接卷积神经网络（DenseNet）以增强训练过程中的特征学习和梯度流动。
• 集成空间金字塔池化（SPP）层，使网络能够处理长度各异的QRS波群，而无需进行重采样或裁剪。
• 在来自MIT-BIH心律失常数据库的QRS波群上进行端到端训练，并引入另外四个公开ECG数据库的数据以提升泛化能力。
• 输入的QRS波群经过归一化后直接输入网络，由于SPP层的存在，无需固定输入尺寸约束。
• 训练过程中使用标准交叉熵损失和Adam优化算法，并采用早停策略防止过拟合。
• 推理阶段，网络独立处理每个QRS波群，输出PVC分类的概率分数。

实验结果

研究问题

• RQ1 深度学习模型是否能在接受任意大小QRS波群输入的同时，实现高PVC检测精度？
• RQ2 与仅在单一基准数据库上训练相比，在多个ECG数据库上进行训练是否能提升模型的泛化性能？
• RQ3 在标准和非标准ECG数据库上，所提模型在敏感性、特异性和整体准确率方面与最先进方法相比表现如何？
• RQ4 空间金字塔池化的集成在多大程度上增强了模型对输入尺寸变化的鲁棒性？
• RQ5 更简单、更精简的网络架构是否能在PVC检测任务中实现优于或相当的性能表现？

主要发现

• 所提模型在MIT-BIH心律失常数据库上达到98.7%的准确率，敏感性为97.1%，特异性为99.2%。
• 与以往方法相比，该模型在基准MIT-BIH数据库上表现出更优性能，表明多数据库训练具有显著优势。
• 在圣彼得堡心脏病技术研究所12导联心律失常数据库上，模型达到96.8%的准确率，95.3%的敏感性和97.4%的特异性。
• 在MIT-BIH正常窦性心律数据库上，模型准确率达到97.3%；在MIT-BIH长时程数据库上为96.5%；在欧洲ST-T数据库上为95.9%。
• 空间金字塔池化的使用使网络能够在无需预处理或重采样的情况下处理长度可变的QRS波群，显著提升了实际可用性。
• 模型在采样率和QRS波群持续时间各异的多种数据库上均保持稳定性能，证实其具备强大的泛化能力。