[论文解读] Topological Data Analysis for Arrhythmia Detection through Modular Neural Networks

Meryll Dindin, Yuhei Umeda+1 more|arXiv (Cornell University)|Jun 13, 2019

Topological and Geometric Data Analysis参考文献 35被引用 46

一句话总结

本文提出一种用于基于心电图的心律失常检测与分类的模块化多通道神经网络，结合拓扑数据分析（TDA）以提升对未见患者的泛化能力，并在与最先进方法的比较中取得了具有竞争力的结果。

ABSTRACT

This paper presents an innovative and generic deep learning approach to monitor heart conditions from ECG signals.We focus our attention on both the detection and classification of abnormal heartbeats, known as arrhythmia. We strongly insist on generalization throughout the construction of a deep-learning model that turns out to be effective for new unseen patient. The novelty of our approach relies on the use of topological data analysis as basis of our multichannel architecture, to diminish the bias due to individual differences. We show that our structure reaches the performances of the state-of-the-art methods regarding arrhythmia detection and classification.

研究动机与目标

• 在新且未见患者中推动心律失常检测/分类的鲁棒泛化。
• 将拓扑数据分析与深度学习结合，以捕捉独立于个体差异的ECG信号几何特征。
• 开发一个将TDA特征、自编码器和传统DL通道结合的模块化架构。
• 在开源 Physionet ECG 数据集上进行基于患者的交叉验证评估。
• 提供基准实验，展示TDA在提升多类心律失常分类泛化方面的价值。

提出的方法

• 引入持久条形码和Betti曲线，以对时间重新缩放和幅度变化具有鲁棒性的方式表示1D ECG信号。
• 通过时间序列的子水平集和上水平集的持久同调来计算ECG的TDA特征。
• 将Betti曲线用作稳定的、可直接作为CNN输入的1D信号表示。
• 结合在正常心拍上训练的自编码器，以解决数据不平衡并提供基于重构的特征。
• 构建一个带有TDA通道、自编码器输出、傅里叶特征以及标准CNN/全连接通道的模块化深度学习架构。
• 应用退火式dropout以稳定训练并提高泛化。
• 使用基于患者的交叉验证进行评估，以测试对未见患者的泛化能力。

实验结果

研究问题

• RQ1 增加一个基于TDA的通道是否在未见患者上提升心律失常检测和分类的性能？
• RQ2 将TDA特征与自编码器得到的表示相结合，在数据不平衡下是否能增强泛化能力？
• RQ3 在公开ECG数据集上，与最先进方法相比，所提出的模块化架构在对新患者的泛化方面表现如何？
• RQ4 不同通道配置（有/无TDA）对二分类检测和多类分类性能的影响是什么？

主要发现

• TDA在心律失常检测和分类方面均有提升，且在多类分类中尤为显著。
• 编码器和TDA通道提供最大的影响，尤其是对于13类分类。
• 13类分类的平均验证准确率达到97.3%，在基于患者的交叉验证下测试准确率为80.5%。
• 在交叉验证下，心律失常检测的平均验证准确率约为98%，测试准确率约为90%。
• 该方法在PVC检测和多类任务的基准上取得了具有竞争力的结果，凸显了通过TDA和自编码器融合实现的更好泛化。