[论文解读] Icentia11K: An Unsupervised Representation Learning Dataset for Arrhythmia Subtype Discovery

Shawn Tan, Guillaume Androz+5 more|arXiv (Cornell University)|Oct 21, 2019

ECG Monitoring and Analysis参考文献 28被引用 28

一句话总结

本文介绍了 Icentia11K，这是目前最大的公开 ECG 数据集，专为无监督表征学习而设计，包含 11,000 名患者和 20 亿个标记心跳。该研究提出了一种使用主成分分析（PCA）、自编码器和其他特征提取器的半监督表征学习框架，结果表明，学习到的嵌入能够揭示已知心律失常亚型（尤其是多形性室性早搏，PVCs）的有意义聚类，显示出发现新型心律失常亚型的巨大潜力。

ABSTRACT

We release the largest public ECG dataset of continuous raw signals for representation learning containing 11 thousand patients and 2 billion labelled beats. Our goal is to enable semi-supervised ECG models to be made as well as to discover unknown subtypes of arrhythmia and anomalous ECG signal events. To this end, we propose an unsupervised representation learning task, evaluated in a semi-supervised fashion. We provide a set of baselines for different feature extractors that can be built upon. Additionally, we perform qualitative evaluations on results from PCA embeddings, where we identify some clustering of known subtypes indicating the potential for representation learning in arrhythmia sub-type discovery.

研究动机与目标

• 在大规模原始 ECG 信号上实现无监督和半监督表征学习，以发现未知的心律失常亚型。
• 发布目前最大的公开连续原始信号 ECG 数据集（11,000 名患者，20 亿个心跳），用于表征学习。
• 开发一个基准测试框架，利用已知心律失常亚型作为表征质量的代理指标。
• 探索学习到的表征是否能捕捉到生物学上有意义的结构，例如 PVCs 的形态差异。
• 为未来在异常检测、层次化序列建模和 ECG 数据中临床模式发现方面的研究提供支持。

提出的方法

• 数据集通过 CartioSTAT™ 单导联 ECG 监测仪以 250Hz 采样率和 16 位分辨率采集，覆盖 11,000 名患者的连续记录。
• 本文提出一种半监督评估协议，其中已知心律失常标签（如 PVC、PAC 等）作为代理，用于评估学习表征的质量。
• 评估了多种帧级特征提取器：主成分分析（PCA）、快速傅里叶变换（FFT）、BioSPPy、自编码器（AE）以及原始波形。
• 使用 t-SNE 可视化分析学习嵌入空间中的聚类模式，特别关注 PVCs 的形态变异。
• 保留了三层数据层次结构（心跳、导联段、患者），以支持分层建模和上下文感知表征学习。
• 通过自编码器和 PCA 评估重建质量，并进行输入信号与重建信号的视觉对比。

实验结果

研究问题

• RQ1 在大规模原始 ECG 数据上进行无监督表征学习，能否揭示已知心律失常亚型的有意义聚类？
• RQ2 像 PCA 和自编码器这样的方法所学习到的嵌入是否能保留生物学相关的结构，例如 PVCs 的形态差异？
• RQ3 不同特征提取器（如 FFT、BioSPPy、AE）在嵌入空间中分离心律失常类型的能力如何比较？
• RQ4 从原始 ECG 信号中进行表征学习，能否揭示通过人工分析无法识别的新型亚型或模式？
• RQ5 使用已知标签的半监督评估协议，在多大程度上能反映表征在发现未知心律失常方面的真正效用？

主要发现

• PCA 嵌入的 t-SNE 可视化揭示了两个对应于单形性和多形性 PVCs 的独立聚类，表明表征学习能够捕捉已知的形态亚型。
• 自编码器和 PCA 均实现了高质量的信号重建，表明其具备有效的特征学习和降维能力。
• 基于 FFT 和 BioSPPy 的嵌入未能将 PVCs 清晰地划分为不同的形态聚类，表明其在捕捉形态变异方面存在局限性。
• 表征空间中显示出一定的节律分组，尽管在定量评估中未达到统计显著性。
• PVCs 被聚类为两个形态上明显不同的组，支持了表征学习能够揭示 ECG 数据中生物学上有意义的子结构的假设。
• 该数据集和评估框架为发现新型心律失常亚型以及提升 ECG 分析中的少样本学习能力奠定了基础。