Earticle

초록

영어

Automatic analysis of electrocardiogram(ECG) data is crucial for the diagnosis of a variety of cardiovascular diseases, and it can help improve the efficiency of medical doctors’ tasks. Recently, portable and wearable ECG devices with a few of channels have been developed, and artificial intelligence-based techniques for disease diagnosis have been proposed in the literature. However, there is lack of studies investigating the effects of choosing lead counts and preprocessing methods on class-wise prediction performance. In this study, we utilized 12-lead ECG data provided by the PhysioNet 2021 Challenge and evaluated the performance of multi-label classifiers based on 1D ResNet convolutional neural network(CNN) models. We compared the prediction performance with a variety of lead choices(i.e., 12-lead, 6-lead, 4-lead, 3-lead, 2-lead) and preprocessing methods including no preprocessing, Pan-Tompkins filtering, and discrete wavelet transform.The analysis of variance(ANOVA) indicated that differences in class-wise F1-scores for the choice of lead counts and preprocessing methods were not statistically significant(p＞0.05). Compared to a fixed threshold setting, a class-dependent threshold setting improved macro F1-score from 0.448 to 0.4644 for the choice of the 2-lead and Pan-Tompkins preprocessing method. In order to promote reproducibility for comparative studies using multi-label ECG data, we provide source code at https://github.com/shjee20/1D-ecg

한국어

심전도 데이터의 자동 분석은 다양한 심장 질환을 진단하는데 매우 중요하고 임상의사의 진단 업무 효율성을 높이는 데 도움이 된다. 최근에 적은 수의 채널로 휴대가 가능한 웨어러블 심전도 기기가 개발되고, 이를 인공지능을 이용 하여 진단하는 기법들이 발표되고 있는 추세이지만, 리드 수 및 전처리 필터 타입이 클래스별로 심전도 분류에 미치 는 영향에 대한 연구는 부족하다. 본 논문에서는 PhysioNet 2021 Challenge에서 제공하는 12-리드 심전도 데이 터로 1D ResNet합성곱신경망모델을 이용하여 다중라벨로 분류하는 성능을 평가하였다.12-리드, 6-리드, 4-리드, 3-리드, 2-리드에 대해 리드별, 그리고 전처리를 사용하지 않는 방식, Pan-Tompkins(P-T)전처리 방식, 이산 웨 이브릿 변환 방식의 예측 성능을 비교하였다. 분산 분석을 적용한 결과, 클래스별 F1-score는 리드 수 및 전처리 방식에 대해 유의미한 차이를 보이지 않았다(p＞0.05). 클래스별로 다른 문턱값(threshold)을 적용하는 경우 일 정한 문턱값을 적용할 때보다 macro F1-score 값이 2-리드, P-T 전처리 기법의 경우 0.4448에서 0.4644로 증 가하였다. 본 다중라벨 심전도 데이터를 활용한 비교 분석 연구는 재현성을 도모하기 위해 소스 코드로 제공한다 (https://github.com/shjee20/1D-ecg).

목차

요약
Abstract
1. 서론
2. 관련 배경 연구
2.1 리드 수 변화에 따른 성능 차이
2.2 클래스별 문턱값 조정을 통한 불균형 대응
3. 연구 방법
3.1 데이터
3.2 데이터 전처리
3.3 모델 학습 및 검증
4. 연구 결과
5. 결론 및 향후 연구
Acknowledgements
참고문헌

키워드

심전도 합성곱신경망 딥러닝 인공지능 생체신호처리 심혈관 질환 Electrocardiogram convolutional neural network deep learning artificial intelligence biosignal processing cardiovascular disease

저자

• 지성현 [ Seong Hyeon Jee | 연세대학교 의공학부 ]
• 김윤철 [ Yoon-Chul Kim | 연세대학교 디지털헬스케어학부 ] 교신저자

참고문헌

발행기관

간행물