Heart Rate Classification in ECG Signals Using Machine Learning and Deep Learning

要約

この研究では、ECGシグナルからのハートビートの分類に対処します。2つの異なるアプローチを介して、手作りの機能を利用した従来の機械学習と、ECGビートの変換された画像を介した深い学習です。
データセットは、ダウンサンプリング、フィルタリング、および正規化などの前処理手順を受け、その後の分析の一貫性と関連性を確保しました。
最初のアプローチでは、心拍数の変動（HRV）、平均、分散、RR間隔などの特徴を抽出して、SVM、ランダムフォレスト、アダボースト、LSTM、双方向LSTM、LightGBMなどのさまざまな分類子を訓練しました。
2番目のアプローチでは、ECG信号をグラミアン角磁場（GAF）、マルコフ遷移フィールド（MTF）、および再発プロット（RP）を使用した画像に変換し、その後、VGGやInceptionなどのCNNアーキテクチャを使用して分類されました。
実験結果は、LightGBMモデルが99％の精度と0.94の精度で最高のパフォーマンスを達成し、画像ベースのCNNアプローチ（F1スコア0.85）を上回ることを示しています。
SVMやAdaboostなどのモデルは、スコアが大幅に低下し、このタスクに対する適合性が限られていることを示しています。
調査結果は、個々のビートの画像ベースの表現と比較して、ECG信号の時間的および形態学的変動をキャプチャするための手作りの特徴の優れた能力を強調しています。
将来の調査は、連続したビート全体でマルチリードECG信号と時間的依存関係を組み込むことで恩恵を受ける可能性があります。

要約(オリジナル)

This study addresses the classification of heartbeats from ECG signals through two distinct approaches: traditional machine learning utilizing hand-crafted features and deep learning via transformed images of ECG beats. The dataset underwent preprocessing steps, including downsampling, filtering, and normalization, to ensure consistency and relevance for subsequent analysis. In the first approach, features such as heart rate variability (HRV), mean, variance, and RR intervals were extracted to train various classifiers, including SVM, Random Forest, AdaBoost, LSTM, Bi-directional LSTM, and LightGBM. The second approach involved transforming ECG signals into images using Gramian Angular Field (GAF), Markov Transition Field (MTF), and Recurrence Plots (RP), with these images subsequently classified using CNN architectures like VGG and Inception. Experimental results demonstrate that the LightGBM model achieved the highest performance, with an accuracy of 99% and an F1 score of 0.94, outperforming the image-based CNN approach (F1 score of 0.85). Models such as SVM and AdaBoost yielded significantly lower scores, indicating limited suitability for this task. The findings underscore the superior ability of hand-crafted features to capture temporal and morphological variations in ECG signals compared to image-based representations of individual beats. Future investigations may benefit from incorporating multi-lead ECG signals and temporal dependencies across successive beats to enhance classification accuracy further.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google