[论文解读] Electrocardiogram Classification and Visual Diagnosis of Atrial Fibrillation with DenseECG

Dacheng Chen, Dan Li+3 more|arXiv (Cornell University)|Jan 19, 2021

ECG Monitoring and Analysis参考文献 59被引用 6

一句话总结

该论文提出DenseECG，一种用于心电图（ECG）心房颤动（AF）检测的1D密集连接卷积神经网络，实现端到端分类，无需复杂预处理或手工设计特征。该模型在2017年PhysioNet CinC挑战赛数据集和不平衡的MIT-BIH数据集上均达到最先进性能，同时利用类激活图（CAM）可视化并解释关键ECG区域，提升模型在临床应用中的可解释性。

ABSTRACT

Atrial Fibrillation (AF) is a common cardiac arrhythmia affecting a large number of people around the world. If left undetected, it will develop into chronic disability or even early mortality. However, patients who have this problem can barely feel its presence, especially in its early stage. A non-invasive, automatic, and effective detection method is therefore needed to help early detection so that medical intervention can be implemented in time to prevent its progression. Electrocardiogram (ECG), which records the electrical activities of the heart, has been widely used for detecting the presence of AF. However, due to the subtle patterns of AF, the performance of detection models have largely depended on complicated data pre-processing and expertly engineered features. In our work, we developed DenseECG, an end-to-end model based on 5 layers 1D densely connected convolutional neural network. We trained our model using the publicly available dataset from 2017 PhysioNet Computing in Cardiology(CinC) Challenge containing 8528 single-lead ECG recordings of short-term heart rhythms (9-61s). Our trained model was able to outperform the other state-of-the-art AF detection models on this dataset without complicated data pre-processing and expert-supervised feature engineering.

研究动机与目标

• 开发一种端到端深度学习模型，用于心电图信号中自动心房颤动（AF）检测，无需依赖复杂的数据预处理或专家设计的特征。
• 通过类激活图（CAM）可视化关键ECG片段，提升医学AI模型的可解释性，实现模型决策的可追溯性。
• 在平衡与高度不平衡的ECG数据集上评估模型性能，包括2017年PhysioNet CinC挑战赛数据集和MIT-BIH心律失常数据集。
• 证明在短ECG片段（如1分钟窗口）上部署该模型的可行性，支持其集成到可穿戴设备和临床监测系统中。

提出的方法

• 所提出的模型DenseECG是一个5层1D密集连接卷积神经网络，直接从原始ECG信号中学习分层特征。
• 该架构采用核大小为3、增长率为12、丢弃率为0.1的密集块，块间减少率为0.25，以控制模型复杂度。
• 为提升模型可解释性，生成类激活图（CAM）以突出最影响模型AF分类决策的ECG时间段。
• 在MIT-BIH数据集上，使用具有3个密集块、每块3层的简化DenseECG变体，采用L2正则化（λ=0.0001）和Adam优化器。
• 为应对数据不平衡问题，训练过程中应用类别权重，并与焦点损失（focal loss）和数据增强技术进行比较。
• 模型使用50个周期进行训练，采用余弦退火学习率调度策略，在训练的50%和75%处将初始学习率0.001降低为原来的0.1倍。

实验结果

研究问题

• RQ1 端到端深度学习模型是否能在无需专家设计的预处理或特征工程的情况下，实现心房颤动检测的最先进性能？
• RQ2 类激活图（CAM）是否能有效定位对AF分类有贡献的临床相关ECG模式，从而增强模型的可解释性？
• RQ3 DenseECG模型在高度不平衡的ECG数据集（如MIT-BIH）上的表现如何，尤其与现有最先进方法相比？
• RQ4 使用类别权重是否能提升在不平衡数据集中少数类心律失常类别上的模型性能，与焦点损失或数据增强方法相比效果如何？

主要发现

• DenseECG在MIT-BIH心律失常数据集上实现了94.70%的最先进平均准确率，优于使用数据增强的ResNet（93.40%）。
• 采用类别权重的模型在MIT-BIH数据集上达到94.70%准确率，显著优于无类别权重模型（90.93%）和使用焦点损失的模型（91.32%）。
• 在2017年PhysioNet CinC挑战赛数据集上，DenseECG优于其他最先进模型，且无需复杂数据预处理或手工特征。
• CAM可视化成功突出了临床相关的ECG片段，如P波缺失和F波存在，证实模型聚焦于已知的AF标志。
• 模型在短ECG片段（如约1.5秒）上表现出鲁棒性，表明其适用于可穿戴设备和实时监测系统的部署。
• 即使在异质性“其他”类别中，CAM也正确识别出与人类诊断理解一致的异常区域，表明模型在不同类型心律失常间具有良好的泛化能力。