[论文解读] Inter-Patient ECG Classification with Convolutional and Recurrent Neural Networks

Li Guo, Gavin Sim+1 more|arXiv (Cornell University)|Sep 27, 2018

ECG Monitoring and Analysis参考文献 35被引用 5

一句话总结

该论文提出了一种通用的、跨患者的ECG分类框架，采用DenseNet和GRU架构，在无需患者或设备特异性数据的情况下对室性（VEB）和室上性（SVEB）心律失常进行分类。该模型在未见测试数据上实现了SOTA的F1分数，VEB为89.75%，SVEB为61.25%，显著优于先前方法，且无需复杂预处理或特征工程。

ABSTRACT

The recent advances in ECG sensor devices provide opportunities for user self-managed auto-diagnosis and monitoring services over the internet. This imposes the requirements for generic ECG classification methods that are inter-patient and device independent. In this paper, we present our work on using the densely connected convolutional neural network (DenseNet) and gated recurrent unit network (GRU) for addressing the inter-patient ECG classification problem. A deep learning model architecture is proposed and is evaluated using the MIT-BIH Arrhythmia and Supraventricular Databases. The results obtained show that without applying any complicated data pre-processing or feature engineering methods, both of our models have considerably outperformed the state-of-the-art performance for supraventricular (SVEB) and ventricular (VEB) arrhythmia classifications on the unseen testing dataset (with the F1 score improved from 51.08 to 61.25 for SVEB detection and from 88.59 to 89.75 for VEB detection respectively). As no patient-specific or device-specific information is used at the training stage in this work, it can be considered as a more generic approach for dealing with scenarios in which varieties of ECG signals are collected from different patients using different types of sensor devices.

研究动机与目标

• 开发一种与患者身份和ECG设备类型无关的通用、跨患者ECG分类方法。
• 利用深度学习解决在多样化患者和设备间分类心律失常的挑战。
• 消除对复杂数据预处理或手工特征工程的依赖。
• 在标准ECG数据库上评估模型在未见患者中的性能。
• 在跨患者ECG分类中，针对VEB和SVEB心律失常展示SOTA性能。

提出的方法

• 使用密集连接的卷积神经网络（DenseNet）从原始ECG信号中提取分层时空特征。
• 在DenseNet之上堆叠门控循环单元（GRU）网络，以建模ECG序列中的长程时间依赖性。
• 端到端深度学习架构在原始ECG数据上进行端到端训练，无需患者特异性或设备特异性数据。
• 在MIT-BIH心律失常和室上性心律失常数据库上使用标准训练-测试划分对模型进行评估。
• 未应用复杂预处理或特征工程；模型直接处理原始ECG导联数据。
• 模型训练使用标准交叉熵损失函数，配合Adam优化算法，并采用早停策略。

实验结果

研究问题

• RQ1 深度学习模型是否能在不使用患者特异性或设备特异性训练数据的情况下，实现高跨患者ECG分类性能？
• RQ2 DenseNet与GRU的结合相较于先前方法，在VEB和SVEB心律失常分类中提升了哪些性能？
• RQ3 在不使用手工特征的情况下，原始ECG数据能否通过深度神经网络实现有效分类？
• RQ4 所提出的模型在未见患者和ECG设备上是否具备良好的泛化能力？
• RQ5 与SOTA方法相比，该方法在跨患者ECG分类中的性能增益如何？

主要发现

• 所提模型在室上性早搏（SVEB）上的F1分数达到61.25%，较先前SOTA的51.08%有显著提升。
• 对于室性早搏（VEB），模型F1分数达到89.75%，高于先前SOTA的88.59%。
• 该模型在无需任何复杂数据预处理或特征工程的情况下，优于现有方法。
• 该架构在不同患者和ECG设备间表现出强大的泛化能力，因训练过程中未使用任何患者特异性数据。
• DenseNet与GRU的结合有效捕捉了ECG信号中的局部形态模式和长期时间动态特性。
• 结果证实了构建一种通用、设备无关的ECG分类系统在远程、自我管理健康监测中的可行性。