[论文解读] ECG arrhythmia classification using a 2-D convolutional neural network

Tae Joon Jun, Hoang M. Nguyen+4 more|arXiv (Cornell University)|Apr 18, 2018

ECG Monitoring and Analysis参考文献 33被引用 205

一句话总结

作者将ECG心跳转化为128×128灰度图像，并使用2-D CNN对八种心搏类型进行分类，在MIT-BIH数据上通过10折交叉验证取得高准确率，且与AlexNet和VGGNet进行比较，并采用数据增强和现代训练技术。

ABSTRACT

In this paper, we propose an effective electrocardiogram (ECG) arrhythmia classification method using a deep two-dimensional convolutional neural network (CNN) which recently shows outstanding performance in the field of pattern recognition. Every ECG beat was transformed into a two-dimensional grayscale image as an input data for the CNN classifier. Optimization of the proposed CNN classifier includes various deep learning techniques such as batch normalization, data augmentation, Xavier initialization, and dropout. In addition, we compared our proposed classifier with two well-known CNN models; AlexNet and VGGNet. ECG recordings from the MIT-BIH arrhythmia database were used for the evaluation of the classifier. As a result, our classifier achieved 99.05% average accuracy with 97.85% average sensitivity. To precisely validate our CNN classifier, 10-fold cross-validation was performed at the evaluation which involves every ECG recording as a test data. Our experimental results have successfully validated that the proposed CNN classifier with the transformed ECG images can achieve excellent classification accuracy without any manual pre-processing of the ECG signals such as noise filtering, feature extraction, and feature reduction.

研究动机与目标

• 推动自动ECG心律失常检测，以提高诊断一致性并实现跨设备的鲁棒监测。
• 提出一种在ECG图像上运行的2-D CNN，以避免手动特征提取和噪声滤波。
• 评估相对于标准CNN体系结构的性能并建立强健的交叉验证结果。

提出的方法

• 将每个ECG心搏变换为以Q波峰为中心的128×128灰度图像。
• 设计并优化一个受VGGNet启发的3×3卷积核的2-D CNN，具备批量归一化、 dropout和 Xavier 初始化。
• 通过对每个心搏裁剪9个变体来进行数据增强，以平衡类别并提高灵敏度。
• 使用Adam优化器，初始学习率0.001并进行指数衰减；使用平均敏感度进行验证并在稳定后停止。
• 在MIT-BIH数据上与AlexNet和VGGNet进行比较，采用10折分层交叉验证。

实验结果

研究问题

• RQ1 将一维ECG信号转换为二维图像是否能够在不需要手动前处理的情况下，通过CNN实现有效的心律失常分类？
• RQ2 数据增强是否能提高对代表性不足的心律失常类别的敏感度和总体准确性？
• RQ3 在MIT-BIH数据上，所提2-D CNN与已建立的CNN架构（AlexNet、VGGNet）相比如何？
• RQ4 训练策略（批量归一化位置、激活函数选择、初始化）对ECG图像输入的性能有何影响？

主要发现

• 所提的2-D CNN在10折交叉验证下达到99.05%平均准确率和97.85%平均灵敏度。
• 通过数据增强，模型达到0.989 AUC、99.05%准确率、97.85%平均灵敏度和98.55% PPV。
• 与AlexNet和VGGNet相比，所提出的带增强的数据模型在总体准确率和AUC方面表现最佳，而带增强的AlexNet在特异性和PPV方面表现最佳。
• 数据增强带来灵敏度的提升在APC、VFW和VEB类别尤为显著（分别提升2.89%、2.75%和4.72%）。
• 该方法通过对ECG图像的处理避免了显式的噪声过滤和特征提取，且10-fold交叉验证确保跨记录的鲁棒评估。