Robust Peak Detection for Holter ECGs by Self-Organized Operational Neural Networks

要約

文献では多数の R ピーク検出器が提案されていますが、ホルター モニターなどのモバイル心電図 (ECG) センサーから取得された低品質でノイズの多い信号では、その堅牢性と性能レベルが大幅に低下する可能性があります。
最近、この問題は、ホルター モニターで最先端のパフォーマンス レベルを達成したディープ 1 次元畳み込みニューラル ネットワーク (CNN) によって解決されました。
ただし、複雑さのレベルが高く、リアルタイム処理のために特別な並列化されたハードウェア設定が必要になります。
一方、コンパクトなネットワーク構成を使用すると、パフォーマンスが低下します。
最近の研究では、CNN の学習パフォーマンスは、唯一の線形ニューロン モデルと厳密に同種の構成であるために制限されることが実証されているため、これは予想される結果です。
この研究では、洗練された計算効率とともにピーク検出パフォーマンスをさらに向上させるために、生成ニューロンを備えた 1 次元自己組織化 ONN (Self-ONN) を提案します。
ONN に対する 1-D Self-ONN の最も重要な利点は、各生成ニューロンがトレーニング中に最適な演算子を作成する機能を備えているため、ニューロンごとに最適な演算子セットを検索する必要がなくなる自己組織化機能です。
100万を超えるECG拍動を含む中国生理学的信号チャレンジ-2020（CPSC）データセットの実験結果は、提案された1次元セルフONNが、より少ない計算量で最先端のディープCNNを大幅に上回ることができることを示しています。
結果は、提案されたソリューションが CPSC データセットで 99.10% の F1 スコア、99.79% の感度、および 98.42% の陽性的中率を達成することを示しており、これはこれまでに達成された最高の R ピーク検出パフォーマンスです。

要約(オリジナル)

Although numerous R-peak detectors have been proposed in the literature, their robustness and performance levels may significantly deteriorate in low-quality and noisy signals acquired from mobile electrocardiogram (ECG) sensors, such as Holter monitors. Recently, this issue has been addressed by deep 1-D convolutional neural networks (CNNs) that have achieved state-of-the-art performance levels in Holter monitors; however, they pose a high complexity level that requires special parallelized hardware setup for real-time processing. On the other hand, their performance deteriorates when a compact network configuration is used instead. This is an expected outcome as recent studies have demonstrated that the learning performance of CNNs is limited due to their strictly homogenous configuration with the sole linear neuron model. In this study, to further boost the peak detection performance along with an elegant computational efficiency, we propose 1-D Self-Organized ONNs (Self-ONNs) with generative neurons. The most crucial advantage of 1-D Self-ONNs over the ONNs is their self-organization capability that voids the need to search for the best operator set per neuron since each generative neuron has the ability to create the optimal operator during training. The experimental results over the China Physiological Signal Challenge-2020 (CPSC) dataset with more than one million ECG beats show that the proposed 1-D Self-ONNs can significantly surpass the state-of-the-art deep CNN with less computational complexity. Results demonstrate that the proposed solution achieves a 99.10% F1-score, 99.79% sensitivity, and 98.42% positive predictivity in the CPSC dataset, which is the best R-peak detection performance ever achieved.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google