ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on Continual Learning

要約

タイトル：継続的学習に基づく包括的心電図解釈方法ECG-CL

要約：

– 心電図（ECG）モニタリングは、心血管疾患（CVD）の早期発見に最も強力な技術の一つであり、知的なECGウェアラブルデバイスの導入により、日常的なモニタリングが可能になった。
– ただし、ECGの解釈に専門知識が必要であるため、一般の人々のアクセスは再び制限されており、高度な診断アルゴリズムの開発が求められている。
– しかし、小さなデータセット、一貫性のないデータラベリング、ローカルおよびグローバルなECG情報の効率的な活用、複数のモデルのメモリと推論時間を消費するデプロイメント、およびタスク間の情報の転送の欠如などの問題により、スマートな診断アルゴリズムの進展は妨げられている。
– 著者らは、ローカルな形態情報とグローバルなリズム情報の両方を活用した低解像度高レベル意味情報の開発により、マルチ解像度モデルを提案する。また、効果的なデータの活用とタスク間の知識移転の観点から、パラメータ分離に基づくECG継続的学習（ECG-CL）アプローチを開発した。
– 著者らは、交差ドメイン増分学習用のセグメンテーションから分類、カテゴリ増分学習用の少数派から多数派への適用、およびタスク増分学習用の小さなサンプルから大きなサンプルへの適用を設計して、モデルのパフォーマンスを4つのオープンアクセスデータセットで評価した。
– 著者らのアプローチは、ECGセグメンテーションから有益な形態的およびリズミカルな特徴を抽出し、より高品質の分類結果を導いた。
– 知的なウェアラブルアプリケーションの観点から見て、単一リードECGに基づく包括的なECG解釈アルゴリズムの可能性も確認された。

要約(オリジナル)

Electrocardiogram (ECG) monitoring is one of the most powerful technique of cardiovascular disease (CVD) early identification, and the introduction of intelligent wearable ECG devices has enabled daily monitoring. However, due to the need for professional expertise in the ECGs interpretation, general public access has once again been restricted, prompting the need for the development of advanced diagnostic algorithms. Classic rule-based algorithms are now completely outperformed by deep learning based methods. But the advancement of smart diagnostic algorithms is hampered by issues like small dataset, inconsistent data labeling, inefficient use of local and global ECG information, memory and inference time consuming deployment of multiple models, and lack of information transfer between tasks. We propose a multi-resolution model that can sustain high-resolution low-level semantic information throughout, with the help of the development of low-resolution high-level semantic information, by capitalizing on both local morphological information and global rhythm information. From the perspective of effective data leverage and inter-task knowledge transfer, we develop a parameter isolation based ECG continual learning (ECG-CL) approach. We evaluated our model’s performance on four open-access datasets by designing segmentation-to-classification for cross-domain incremental learning, minority-to-majority class for category incremental learning, and small-to-large sample for task incremental learning. Our approach is shown to successfully extract informative morphological and rhythmic features from ECG segmentation, leading to higher quality classification results. From the perspective of intelligent wearable applications, the possibility of a comprehensive ECG interpretation algorithm based on single-lead ECGs is also confirmed.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI