Cross-Database and Cross-Channel ECG Arrhythmia Heartbeat Classification Based on Unsupervised Domain Adaptation

要約

心電図 (ECG) の分類は、自動心臓血管診断システムの開発において重要な役割を果たします。
ただし、個人間の ECG 信号に大きなばらつきがあることは、大きな課題です。
データ分散の変更により、モデルのクロスドメイン使用が制限されます。
この研究では、ラベル付きソース ドメインから得られた知識を活用して、ラベルなしデータセット内の ECG を分類するソリューションを提案します。
クロスドメイン機能の不一致最適化に基づいたドメイン適応型ディープネットワークを紹介します。
私たちの方法は、事前トレーニング、クラスターセントロイドコンピューティング、および適応の 3 つの段階で構成されます。
事前トレーニングでは、分布ロバスト最適化 (DRO) 手法を使用して、消滅する最悪の場合のトレーニング損失に対処します。
特徴の豊富さを強化するために、3 つの時間的特徴と深層学習特徴を連結します。
クラスター コンピューティングの段階では、真のラベルを使用してソースについて、および信頼性の高い予測を使用してターゲットについて、明確に分離可能なクラスターの重心を計算します。
ターゲットドメインで信頼できる予測を選択するための新しい手法を提案します。
適応段階では、同じクラスター内の圧縮損失、異なるクラスター間の分離損失、ドメイン間のクラスター不一致損失、実行複合損失を最小限に抑えて、ドメイン堅牢なモデルを生成します。
クロスドメインパラダイムとクロスチャネルパラダイムの両方で実施さ​​れた実験は、提案された方法の有効性を示しています。
私たちの方法は、心室異所性拍動（V）、上室異所性拍動（S）、および融合拍動（F）の検出において、他の最先端のアプローチと比較して優れたパフォーマンスを達成します。
私たちの方法は、3 つのテスト データセットで非ドメイン適応ベースライン方法と比較して、全体の精度で平均 11.78% の向上を達成しました。

要約(オリジナル)

The classification of electrocardiogram (ECG) plays a crucial role in the development of an automatic cardiovascular diagnostic system. However, considerable variances in ECG signals between individuals is a significant challenge. Changes in data distribution limit cross-domain utilization of a model. In this study, we propose a solution to classify ECG in an unlabeled dataset by leveraging knowledge obtained from labeled source domain. We present a domain-adaptive deep network based on cross-domain feature discrepancy optimization. Our method comprises three stages: pre-training, cluster-centroid computing, and adaptation. In pre-training, we employ a Distributionally Robust Optimization (DRO) technique to deal with the vanishing worst-case training loss. To enhance the richness of the features, we concatenate three temporal features with the deep learning features. The cluster computing stage involves computing centroids of distinctly separable clusters for the source using true labels, and for the target using confident predictions. We propose a novel technique to select confident predictions in the target domain. In the adaptation stage, we minimize compacting loss within the same cluster, separating loss across different clusters, inter-domain cluster discrepancy loss, and running combined loss to produce a domain-robust model. Experiments conducted in both cross-domain and cross-channel paradigms show the efficacy of the proposed method. Our method achieves superior performance compared to other state-of-the-art approaches in detecting ventricular ectopic beats (V), supraventricular ectopic beats (S), and fusion beats (F). Our method achieves an average improvement of 11.78% in overall accuracy over the non-domain-adaptive baseline method on the three test datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google