[论文解读] Inferior Myocardial Infarction Detection from lead II of ECG: A Gramian Angular Field-based 2D-CNN Approach

Asim Yousuf, Rehan Hafiz+4 more|arXiv (Cornell University)|Feb 25, 2023

ECG Monitoring and Analysis被引用 4

一句话总结

本文提出一种基于格米安角求和场（GASF）和差分场（GADF）的2D-CNN方法，将II导联心电图（ECG）信号转换为2D灰度图像，实现心肌梗死（MI）的自动化检测。该方法在含噪声和基线漂移的ECG数据上实现了高达99.84%的准确率，展现出鲁棒的单导联MI检测能力，适用于无需手工特征工程的实时可穿戴设备。

ABSTRACT

This paper presents a novel method for inferior myocardial infarction (MI) detection using lead II of electrocardiogram (ECG). We evaluate our proposed method on a public dataset, namely, Physikalisch Technische Bundesanstalt (PTB) ECG dataset from Physionet. Under our proposed method, we first clean the noisy ECG signals using db4 wavelet, followed by an R-peak detection algorithm to segment the ECG signals into beats. We then translate the ECG timeseries dataset to an equivalent dataset of gray-scale images using Gramian Angular Summation Field (GASF) and Gramian Angular Difference Field (GADF) operations. Subsequently, the gray-scale images are fed into a custom two-dimensional convolutional neural network (2D-CNN) which efficiently differentiates between a healthy subject and a subject with MI. Our proposed approach achieves an average classification accuracy of 99.68%, 99.80%, 99.82%, and 99.84% under GASF dataset with noise and baseline wander, GADF dataset with noise and baseline wander, GASF dataset with noise and baseline wander removed, and GADF dataset with noise and baseline wander removed, respectively. Most importantly, this work opens the floor for innovation in wearable devices to measure lead II ECG (e.g., by a smart watch worn on right wrist, along with a smart patch on left leg), in order to do accurate, real-time and early detection of inferior wall MI.

研究动机与目标

• 开发一种仅使用心电图II导联的自动化深度学习方法，用于检测心肌梗死（MI），避免依赖多导联或专家设计的特征。
• 通过集成小波去噪和稳健的信号预处理，解决真实世界ECG信号中噪声和基线漂移的挑战。
• 探索利用格米安角场（GASF和GADF）将一维ECG时间序列转换为二维图像表示的可行性，以提升基于CNN的分类性能。
• 展示一种轻量化、单导联ECG框架在MI分类中的高性能表现，适用于可穿戴健康设备的部署。
• 在最小化计算复杂度和对领域特定特征工程依赖的前提下，实现心肌梗死检测的最先进准确率。

提出的方法

• 使用db4小波变换对II导联的ECG信号进行预处理，以去除噪声和基线漂移。
• 应用R波峰值检测将ECG信号分割为单个心脏搏动。
• 利用格米安角求和场（GASF）和格米安角差分场（GADF）方法，将每个ECG搏动转换为2D灰度图像，以将时间动态编码为空间模式。
• 将生成的2D图像输入一个包含六个隐藏层的定制2D卷积神经网络（CNN），实现端到端的特征学习与分类。
• 使用Adam优化器（初始学习率为0.001）和分类交叉熵损失进行模型训练，批量大小为8，采用80-20的训练-测试划分。
• 采用K折交叉验证（K=10）以确保泛化能力并防止过拟合，性能结果在所有折上取平均。

Figure 1: The proposed method for MI detection.

实验结果

研究问题

• RQ1 基于GASF和GADF转换的II导联一维ECG搏动进行训练的2D-CNN模型，能否在区分心肌梗死与健康病例方面实现高准确率？
• RQ2 添加噪声和基线漂移的存在对所提方法的分类性能有何影响？
• RQ3 该方法在无需手工设计ECG特征或多导联输入的情况下，其泛化能力在多大程度上得以实现？
• RQ4 在单导联ECG设置下，GASF/GADF转换在保留用于心肌梗死检测的判别性时间模式方面是否有效？
• RQ5 该框架是否可实际部署于可穿戴设备中，实现对心肌梗死的实时、连续和早期检测？

主要发现

• 在含噪声和基线漂移的ECG数据上，所提方法使用GASF转换实现了99.68%的平均分类准确率。
• 在相同噪声条件下，基于GADF的方法达到了99.80%的准确率，表明对信号退化具有强鲁棒性。
• 在去除噪声和基线漂移后，GASF方法准确率达到99.82%，而GADF方法达到99.84%，表明在干净数据上性能优异。
• 所有数据集的敏感度和特异度分别超过99.7%和99.2%，证实了强大的诊断性能。
• 准确率曲线在50个周期内即稳定，损失曲线显示收敛，表明训练有效且过拟合程度极低。
• 该方法在仅使用单个心电图导联的情况下，优于现有最先进的MI检测方法，并在恶劣信号条件下仍保持高准确率。

Figure 2: Lead-II ECG signal with noise and baseline wander (healthy class).