Compressor-Based Classification for Atrial Fibrillation Detection

要約

心房細動 (AF) は、公衆衛生に重大な影響を及ぼす最も一般的な不整脈の 1 つです。
したがって、ECG 上の AF エピソードの自動検出は、生体医工学における重要なタスクの 1 つです。
この論文では、gzip アルゴリズムを使用したコンプレッサーベースのテキスト分類という最近導入された方法を AF 検出 (心拍リズム間のバイナリ分類) に適用しました。
RR 間隔シーケンスと $\Delta$RR 間隔シーケンスに適用される正規化された圧縮距離を調査しました ($\Delta$RR 間隔は後続の RR 間隔の差です)。
ここでは、k 最近傍分類器の構成、最適なウィンドウ長、および圧縮のためのデータ型の選択が分析されました。
完全な MIT-BIH 心房細動データベースでの学習中に、最高の特殊な AF 検出アルゴリズムに近い良好な分類結果が得られました (平均感度 = 97.1\%、平均特異度 = 91.7\%、最高感度 99.8\%、最高
特異度は 5 倍交差検証で 97.6\%)。
さらに、数ショット学習設定の下での分類パフォーマンスを評価しました。
私たちの結果は、もともとテキスト用に提案された gzip 圧縮ベースの分類が、一般に生物医学データや量子化された連続確率シーケンスに適していることを示唆しています。

要約(オリジナル)

Atrial fibrillation (AF) is one of the most common arrhythmias with challenging public health implications. Therefore, automatic detection of AF episodes on ECG is one of the essential tasks in biomedical engineering. In this paper, we applied the recently introduced method of compressor-based text classification with gzip algorithm for AF detection (binary classification between heart rhythms). We investigated the normalized compression distance applied to RR-interval and $\Delta$RR-interval sequences ($\Delta$RR-interval is the difference between subsequent RR-intervals). Here, the configuration of the k-nearest neighbour classifier, an optimal window length, and the choice of data types for compression were analyzed. We achieved good classification results while learning on the full MIT-BIH Atrial Fibrillation database, close to the best specialized AF detection algorithms (avg. sensitivity = 97.1\%, avg. specificity = 91.7\%, best sensitivity of 99.8\%, best specificity of 97.6\% with fivefold cross-validation). In addition, we evaluated the classification performance under the few-shot learning setting. Our results suggest that gzip compression-based classification, originally proposed for texts, is suitable for biomedical data and quantized continuous stochastic sequences in general.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google