Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat Counting and Demographic Data Integration

要約

今日、ますます多くの人々が心血管疾患 (CVD) と診断されており、これは世界的に主要な死因です。
これらの心臓の問題を特定するためのゴールド スタンダードは、心電図 (ECG) によるものです。
標準的な 12 誘導 ECG は、臨床診療および現在の研究の大部分で広く使用されています。
ただし、使用するリードの数を減らすと、ECG をポータブル デバイスやウェアラブル デバイスと統合できるため、ECG をより普及させることができます。
この記事では、標準の 12 誘導 ECG を使用してトレーニングされたモデルと比較できるように、3 誘導 ECG 分類の現在の深層学習システムのパフォーマンスを向上させる 2 つの新しい手法を紹介します。
具体的には、心拍数回帰の形でマルチタスク学習スキームと、患者の人口統計データをシステムに統合する効果的なメカニズムを提案します。
これらの 2 つの進歩により、2 つの大規模な ECG データセット、つまり Chapman と CPSC-2018 でそれぞれ 0.9796 と 0.8140 の F1 スコアの観点から分類パフォーマンスが得られ、現在の最先端の ECG 分類方法を上回りました。
12誘導データで訓練された人でさえ。
さらなる開発を促進するために、ソース コードは https://github.com/lhkhiem28/LightX3ECG で公開されています。

要約(オリジナル)

Nowadays, an increasing number of people are being diagnosed with cardiovascular diseases (CVDs), the leading cause of death globally. The gold standard for identifying these heart problems is via electrocardiogram (ECG). The standard 12-lead ECG is widely used in clinical practice and the majority of current research. However, using a lower number of leads can make ECG more pervasive as it can be integrated with portable or wearable devices. This article introduces two novel techniques to improve the performance of the current deep learning system for 3-lead ECG classification, making it comparable with models that are trained using standard 12-lead ECG. Specifically, we propose a multi-task learning scheme in the form of the number of heartbeats regression and an effective mechanism to integrate patient demographic data into the system. With these two advancements, we got classification performance in terms of F1 scores of 0.9796 and 0.8140 on two large-scale ECG datasets, i.e., Chapman and CPSC-2018, respectively, which surpassed current state-of-the-art ECG classification methods, even those trained on 12-lead data. To encourage further development, our source code is publicly available at https://github.com/lhkhiem28/LightX3ECG.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google