ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method for ECG signal

要約

心電図 (ECG) は、人間の心臓の活動を監視する上で不可欠な信号です。
研究者たちは、深層学習モデルを使用した臨床アプリケーションで ECG を活用することで有望な結果を達成しました。
しかし、主流の深層学習アプローチは通常、ECG 心拍波形の周期的および形成的属性を無視しています。
この研究では、ECG 信号の周期的な性質を明示的にモデル化するための新しい ECG セグメント ベースの学習 (ECG-SL) フレームワークを提案します。
より具体的には、ECG 信号はまず心拍セグメントに分割され、次に各セグメントから構造的特徴が抽出されます。
構造的特徴に基づいて、さまざまな臨床タスクの時間情報を学習するための時間モデルが設計されます。
さらに、大量の ECG 信号が利用可能であるものの、ラベル付けされたデータは非常に限られているという事実により、モデルを事前トレーニングするための自己教師あり学習戦略も検討し、その結果、下流のタスクが大幅に改善されました。
提案された方法はベースライン モデルを上回り、心臓状態の診断、睡眠時無呼吸の検出、不整脈の分類という 3 つの臨床応用において、タスク固有の方法と比較して競合するパフォーマンスを示します。
さらに、顕著性マップを視覚化することにより、ECG-SL は ResNet よりも各心拍のピークと ST 範囲に重点を置く傾向があることがわかりました。

要約(オリジナル)

Electrocardiogram (ECG) is an essential signal in monitoring human heart activities. Researchers have achieved promising results in leveraging ECGs in clinical applications with deep learning models. However, the mainstream deep learning approaches usually neglect the periodic and formative attribute of the ECG heartbeat waveform. In this work, we propose a novel ECG-Segment based Learning (ECG-SL) framework to explicitly model the periodic nature of ECG signals. More specifically, ECG signals are first split into heartbeat segments, and then structural features are extracted from each of the segments. Based on the structural features, a temporal model is designed to learn the temporal information for various clinical tasks. Further, due to the fact that massive ECG signals are available but the labeled data are very limited, we also explore self-supervised learning strategy to pre-train the models, resulting significant improvement for downstream tasks. The proposed method outperforms the baseline model and shows competitive performances compared with task-specific methods in three clinical applications: cardiac condition diagnosis, sleep apnea detection, and arrhythmia classification. Further, we find that the ECG-SL tends to focus more on each heartbeat’s peak and ST range than ResNet by visualizing the saliency maps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google