리드 수 및 전처리 기법에 따른 딥러닝 기반 심전도 다중라벨 분류 성능 평가
Evaluating the Performance of the Deep Learning-based ECG Multilabel Classifiers for the Choices of Lead Counts and Preprocessing Methods
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
심전도 데이터의 자동 분석은 다양한 심장 질환을 진단하는데 매우 중요하고 임상 의사의 진단 업무 효율성을 높이는데 도움이 된다. 최근에 적은 수의 채널로 휴대가 가능한 웨어러블 심전도 기기가 개발되고, 이를 인공지능을 이용하여 진단하는 기법들이 발표되고 있는 추세이지만, 리드 수 및 전처리 필터 타입이 클래스별로 심전도 분류에 미치는 영향에 대한 연구는 부족하다. 본 논문에서는 PhysioNet 2021 Challenge에서 제공하는 12-리드 심전도 데이터로 1D ResNet 합성곱신경망 모델을 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 웨이브릿 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 일정한 문턱값을 적용할 때보다 macro F1-score 값이 2-리드, P-T 전처리 기법의 경우 0.4448에서 0.4644로 증가하였다. 본 다중라벨 심전도 데이터를 활용한 비교 분석 연구는 재현성을 도모하기 위해 소스 코드로 제공한다 (https://github.com/shjee20/1D-ecg).
Abstract
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