[论文解读] Kalman-based Spectro-Temporal ECG Analysis using Deep Convolutional Networks for Atrial Fibrillation Detection

Zheng Zhao, Simo Särkkä+1 more|arXiv (Cornell University)|Dec 12, 2018

ECG Monitoring and Analysis参考文献 1被引用 3

一句话总结

该论文提出了一种基于卡尔曼滤波的时频心电图分析框架，结合深度卷积神经网络用于心房颤动（AF）检测。通过使用卡尔曼滤波建模时变傅里叶系数，并引入随机振荡器模型以提高计算效率，该方法在PhysioNet/CinC 2017数据集上实现了80.2%的F1分数，优于传统谱分析方法，展现出更优的时间特征保留能力与长信号的可扩展性，达到当前最先进性能。

ABSTRACT

In this article, we propose a novel ECG classification framework for atrial fibrillation (AF) detection using spectro-temporal representation (i.e., time varying spectrum) and deep convolutional networks. In the first step we use a Bayesian spectro-temporal representation based on the estimation of time-varying coefficients of Fourier series using Kalman filter and smoother. Next, we derive an alternative model based on a stochastic oscillator differential equation to accelerate the estimation of the spectro-temporal representation in lengthy signals. Finally, after comparative evaluations of different convolutional architectures, we propose an efficient deep convolutional neural network to classify the 2D spectro-temporal ECG data. The ECG spectro-temporal data are classified into four different classes: AF, non-AF normal rhythm (Normal), non-AF abnormal rhythm (Other), and noisy segments (Noisy). The performance of the proposed methods is evaluated and scored with the PhysioNet/Computing in Cardiology (CinC) 2017 dataset. The experimental results show that the proposed method achieves the overall F1 score of 80.2%, which is in line with the state-of-the-art algorithms.

研究动机与目标

• 开发一种鲁棒的时频心电图表示方法，其时间动态特性保留优于STFT和CWT等传统方法。
• 通过引入具有平稳卡尔曼滤波器的随机振荡器模型，解决基于卡尔曼滤波的时频估计在长心电图信号中的计算低效问题。
• 评估并比较多种深度学习架构（如DenseNet、ResNet、RF）在时频心电图数据上的AF检测性能。
• 通过基于贝叶斯状态空间建模的端到端深度学习，在时频特征上实现当前最先进的AF检测性能。
• 通过优化特征表示与分类方法，提升真实心电图数据中AF检测的可扩展性与准确性，尤其针对短时或噪声较大的记录。

提出的方法

• 在状态空间框架中使用时变傅里叶级数系数建模心电图信号，其中系数随时间随机演化。
• 应用卡尔曼滤波与平滑技术估计时变谱，通过在傅里叶系数上引入高斯过程先验实现贝叶斯推断。
• 引入随机振荡器微分方程模型以替代标准傅里叶基状态模型，通过使用平稳卡尔曼滤波器实现更快计算与更优平滑效果。
• 推导出稳态协方差矩阵（P∞）的闭式解，显著降低在多个心电图段上重复进行时频估计时的计算成本。
• 将估计的时频表示转换为二维特征图，并输入深度卷积神经网络（如DenseNet-18、ResNet-18）实现端到端分类。
• 通过在多个心电图段上采用平均策略提升鲁棒性与泛化能力，尤其适用于短时记录。

实验结果

研究问题

• RQ1 基于卡尔曼滤波的时频估计是否能优于STFT、CWT和自回归建模方法，在捕捉动态心电图特征用于AF检测方面表现更优？
• RQ2 所提出的具有平稳卡尔曼滤波器的随机振荡器模型是否能显著降低计算时间而不损失估计精度？
• RQ3 在将时频心电图表示分类为AF、正常、其他异常及噪声类别时，哪种深度学习架构表现最佳？
• RQ4 不同类型的时频表示如何影响深度网络卷积层中的激活模式与特征学习？
• RQ5 对时频特征进行平均在多大程度上提升了短时或噪声心电图记录中的分类鲁棒性？

主要发现

• 所提出的FourierKS与OscKS时频估计方法在所有测试分类器中均取得最高F1分数，优于STFT、CWT和BurgAR方法。
• OscKS方法通过预计算稳态协方差矩阵（P∞）显著降低了计算成本，实现了无精度损失的快速估计。
• DenseNet-18（Dense18+）在所有时频表示中表现最佳，于PhysioNet/CinC 2017数据集上取得80.2%的F1分数。
• 特征图可视化显示，FourierKS与CWT在第一卷积层中产生更活跃且多样的响应，尤其在高能量与结构区域。
• AF检测性能在AF类别中最高（F1 > 80%），在噪声类别中最低（F1 < 60%），其他类别性能中等，主要受类别不平衡与多样性影响。
• 该方法在结合平均策略后对短时心电图段表现出鲁棒性，但部分记录因数据长度不足导致性能受限。