[论文解读] Method of diagnosing heart disease based on deep learning ECG signal

Jie Zhang, Bohao Li+2 more|arXiv (Cornell University)|Jun 25, 2019

ECG Monitoring and Analysis参考文献 13被引用 8

一句话总结

本文提出了一种基于深度学习的心脏病诊断方法，利用心电图（ECG）信号进行诊断，结合小波变换生成时频表示，并使用深度神经网络（DNN）对正常、心房颤动（AF）、其他心律和噪声进行分类。该方法在验证集上达到94%的准确率，在PhysioNet/CinC 2017挑战赛中F1得分为0.957，优于2017年竞赛的优胜者。

ABSTRACT

The traditional method of diagnosing heart disease on ECG signal is artificial observation. Some have tried to combine expertise and signal processing to classify ECG signal by heart disease type. However, the currency is not so sufficient that it can be used in medical applications. We develop an algorithm that combines signal processing and deep learning to classify ECG signals into Normal AF other rhythm and noise, which help us solve this problem. It is demonstrated that we can obtain the time-frequency diagram of ECG signal by wavelet transform, and use DNN to classify the time-frequency diagram to find out the heart disease that the signal collector may have. Overall, an accuracy of 94 percent is achieved on the validation set. According to the evaluation criteria of PhysioNet/Computing in Cardiology (CinC) in 2017, the F1 score of this method is 0.957, which is higher than the first place in the competition in 2017.

研究动机与目标

• 通过信号处理与深度学习的结合，实现心电图自动诊断，以克服传统人工心电图解读的局限性。
• 开发一种稳健的分类系统，能够区分正常心电图、心房颤动（AF）、其他心律失常和噪声。
• 通过端到端的深度学习在时频表示上的应用，提升临床心电图分析的诊断准确性和可靠性。
• 在PhysioNet/CinC 2017挑战赛数据集上实现最先进的性能，用于基于心电图的心脏病分类。

提出的方法

• 该方法应用连续小波变换（CWT）将原始心电图信号转换为时频表示，以增强特征提取。
• 生成的时频图被输入深度神经网络（DNN）中，用于心电图信号的多类别分类。
• DNN被训练以将心电图分为四种类别：正常、心房颤动（AF）、其他心律和噪声。
• 使用标准指标（包括准确率和F1得分）在PhysioNet/CinC 2017数据集上对模型进行评估。
• 该架构利用深度学习在变换后信号特征上的判别能力，以提升诊断性能。

实验结果

研究问题

• RQ1 时频表示经小波变换后，能否提升深度学习模型在基于心电图的心脏病分类中的性能？
• RQ2 所提出的基于DNN的方法在PhysioNet/CinC 2017基准测试中，与现有方法相比，在准确率和F1得分方面表现如何？
• RQ3 自动化深度学习系统在最小人工干预下，能在多大程度上从原始心电图信号中检测心房颤动和其他心律失常？
• RQ4 信号处理与深度学习的结合能否减少心电图分析中对噪声和异常心律的误分类？

主要发现

• 所提出的方法在心电图分类任务中实现了94%的验证准确率。
• 该模型在PhysioNet/CinC 2017挑战赛数据集上获得了0.957的F1得分，超过2017年竞赛第一名的结果。
• 使用小波变换增强了心电图信号中的判别特征，提升了DNN区分心律类型的能力。
• 该系统成功将心电图信号分类为四种类别：正常、AF、其他心律和噪声，表现出对信号伪影的强鲁棒性。