[论文解读] Fully Automated Myocardial Infarction Classification using Ordinary Differential Equations

Getie Zewdie, Momiao Xiong|arXiv (Cornell University)|Oct 26, 2014

ECG Monitoring and Analysis参考文献 30被引用 7

一句话总结

本文提出了一种完全自动化的心肌梗死（MI）分类方法，采用带有时变系数的二阶常微分方程（ODE）来建模心电图（ECG）信号的动态和形态特征。通过估计 ODE 参数以提取判别性特征，并将其输入支持向量机（SVM），在 PTB 数据库的 12 导联 ECG 上实现了 98.7% 的敏感度、96.4% 的特异度和 98.3% 的准确率，即使仅使用单导联，准确率也达到 97%。

ABSTRACT

Portable, Wearable and Wireless electrocardiogram (ECG) Systems have the potential to be used as point-of-care for cardiovascular disease diagnostic systems. Such wearable and wireless ECG systems require automatic detection of cardiovascular disease. Even in the primary care, automation of ECG diagnostic systems will improve efficiency of ECG diagnosis and reduce the minimal training requirement of local healthcare workers. However, few fully automatic myocardial infarction (MI) disease detection algorithms have well been developed. This paper presents a novel automatic MI classification algorithm using second order ordinary differential equation (ODE) with time varying coefficients, which simultaneously captures morphological and dynamic feature of highly correlated ECG signals. By effectively estimating the unobserved state variables and the parameters of the second order ODE, the accuracy of the classification was significantly improved. The estimated time varying coefficients of the second order ODE were used as an input to the support vector machine (SVM) for the MI classification. The proposed method was applied to the PTB diagnostic ECG database within Physionet. The overall sensitivity, specificity, and classification accuracy of 12 lead ECGs for MI binary classifications were 98.7%, 96.4% and 98.3%, respectively. We also found that even using one lead ECG signals, we can reach accuracy as high as 97%. Multiclass MI classification is a challenging task but the developed ODE approach for 12 lead ECGs coupled with multiclass SVM reached 96.4% accuracy for classifying 5 subgroups of MI and healthy controls.

研究动机与目标

• 开发一种完全自动化的系统，利用心电图信号检测心肌梗死。
• 解决临床和即时医疗环境中缺乏稳健的全自动心肌梗死分类算法的问题。
• 通过使用 ODE 建模心电图信号的动态和形态特征，提高诊断准确性。
• 实现在最小心电图导联输入下高精度的心肌梗死分类，支持可穿戴和无线心电图系统。
• 将该方法扩展至多类心肌梗死分类，以区分心肌梗死亚型和健康对照。

提出的方法

• 使用带有时变系数的二阶常微分方程（ODE）对心电图信号动态进行建模。
• 采用状态空间方法估计 ODE 的未观测状态变量和时变参数。
• 将估计得到的时变系数提取为心电图形态和动态特征的表示。
• 将 ODE 衍生的特征作为输入，用于支持向量机（SVM）的二分类和多分类心肌梗死分类。
• 在 PTB 诊断心电图数据库上训练和验证模型，使用 12 导联和单导联心电图数据。
• 应用多类 SVM，利用基于 ODE 的特征对五种类心肌梗死亚型和健康对照进行分类。

实验结果

研究问题

• RQ1 带有时变系数的二阶 ODE 是否能有效建模心电图信号的形态和动态特征，以实现心肌梗死检测？
• RQ2 在 12 导联心电图上，ODE-SVM 框架在二分类心肌梗死与非心肌梗死中的分类准确率是多少？
• RQ3 当仅使用单导联心电图时，该方法在多大程度上能保持高准确率？
• RQ4 基于 ODE 的特征提取方法是否能推广至五种类心肌梗死亚型和健康对照的多类分类？
• RQ5 与现有心电图诊断系统相比，该完全自动化的检测方法在敏感度、特异度和准确率方面表现如何？

主要发现

• 所提出的 ODE-SVM 方法在 12 导联心电图上对二分类心肌梗死分类实现了 98.7% 的敏感度、96.4% 的特异度和 98.3% 的分类准确率。
• 即使仅使用单导联，该方法也实现了 97% 的分类准确率，表明其在最小输入下仍具有优异性能。
• 在使用 12 导联心电图对五种类心肌梗死亚型和健康对照进行多类分类时，该方法达到了 96.4% 的准确率。
• 二阶 ODE 的时变系数有效捕捉了心肌梗死检测中至关重要的动态和形态心电图特征。
• 完全自动化的处理流程显著减少了对专家解读的依赖，支持在即时医疗和可穿戴心电图系统中的部署。
• 结果表明，基于 ODE 的建模方法在心电图心肌梗死分类的特征表示方面，超越了传统方法。