[论文解读] ECG Heartbeat classification using deep transfer learning with Convolutional Neural Network and STFT technique

Minh Cao, Tianqi Zhao+4 more|arXiv (Cornell University)|Jun 28, 2022

ECG Monitoring and Analysis被引用 5

一句话总结

本文提出了一种基于ResNet-18和基于STFT的ECG表示的深度迁移学习框架，用于从小样本数据集中分类心律失常心跳，其在MIT-BIH心律失常数据集上实现了高准确率。研究结果表明，遵循AAMI EC57标准进行数据划分对于避免数据泄露并确保ECG分类中模型评估的可靠性至关重要。

ABSTRACT

Electrocardiogram (ECG) is a simple non-invasive measure to identify heart-related issues such as irregular heartbeats known as arrhythmias. While artificial intelligence and machine learning is being utilized in a wide range of healthcare related applications and datasets, many arrhythmia classifiers using deep learning methods have been proposed in recent years. However, sizes of the available datasets from which to build and assess machine learning models is often very small and the lack of well-annotated public ECG datasets is evident. In this paper, we propose a deep transfer learning framework that is aimed to perform classification on a small size training dataset. The proposed method is to fine-tune a general-purpose image classifier ResNet-18 with MIT-BIH arrhythmia dataset in accordance with the AAMI EC57 standard. This paper further investigates many existing deep learning models that have failed to avoid data leakage against AAMI recommendations. We compare how different data split methods impact the model performance. This comparison study implies that future work in arrhythmia classification should follow the AAMI EC57 standard when using any including MIT-BIH arrhythmia dataset.

研究动机与目标

• 解决心律失常分类中公开、标注良好的ECG数据集有限的挑战。
• 开发一种在小规模训练数据集上表现良好的深度迁移学习框架。
• 评估不同数据划分方法对模型性能的影响。
• 证明遵循AAMI EC57标准对于防止ECG分类研究中数据泄露至关重要。

提出的方法

• 使用短时傅里叶变换（STFT）将原始ECG信号转换为频谱图，生成适合CNN的图像化表示。
• 利用迁移学习在MIT-BIH心律失常数据集上微调预训练的ResNet-18模型。
• 应用符合AAMI EC57标准的数据划分策略，以避免数据泄露。
• 比较不同数据划分方法下的模型性能，以评估其鲁棒性和泛化能力。
• 使用准确率、敏感性和特异性等标准评估指标来评估分类性能。
• 在保留的测试集上验证模型，以确保其对未见数据具有可靠的泛化能力。

实验结果

研究问题

• RQ1 使用STFT处理的ECG数据进行迁移学习在小样本数据集上如何提升分类性能？
• RQ2 不同数据划分方法对ECG心律失常分类中模型评估和泛化能力有何影响？
• RQ3 现有深度学习模型在MIT-BIH数据集上在多大程度上因不当划分而存在数据泄露问题？
• RQ4 遵循AAMI EC57标准是否能显著提升ECG分类中模型评估的可靠性？
• RQ5 在使用STFT表示的ECG频谱图上微调预训练的ResNet-18模型是否能在小样本数据集上实现高性能？

主要发现

• 所提出的结合STFT与ResNet-18的迁移学习框架在小样本数据集上实现了高分类准确率，表现出色。
• 严格遵循AAMI EC57标准进行数据划分显著提升了模型的可靠性，并降低了数据泄露风险。
• 研究发现，许多现有在MIT-BIH数据集上的深度学习模型因训练/验证/测试集划分不当而存在数据泄露问题。
• 基于STFT的频谱图表示有效捕捉了ECG信号的时间和频率特征，增强了模型的学习能力。
• 不同数据划分方法的比较表明，不当划分会导致性能估计过于乐观，从而损害模型的有效性。
• 在ECG频谱图上微调预训练的ResNet-18模型相比从零开始训练取得了更优结果，尤其在数据有限的情况下。