Xgboost Fusionモデルを使用した自動マルチチャネル心電図レコード分類

医療分野における標準の12リード心電図シグナルの自動分類に対する需要が高まっています。12リード心電図記録から抽出された機能マップの異なるチャネルと時間セグメントが心不整脈の検出に異なる貢献をしていることを考慮して、分類パフォーマンスには、モデル融合に基づく12鉛の心電図シグナル自動分類モデルを提案します。df-xgboost）空間軸と時間軸の両方に沿った代表的な特徴に焦点を合わせます。アルゴリズムは、畳み込みニューラルネットワークを介してローカル機能を抽出し、双方向の長期記憶を通じて一時的な特徴を抽出します。最後に、極端な勾配ブースト（xgboost）を使用して、12レッドモデルとドメイン固有の機能を融合して分類結果を取得します。5倍の交差検証結果は、9つのカテゴリの心電図信号を分類する際に、融合モデルのマクロ平均精度が0.968、マクロ平均リコール速度は0.814、マクロ平均精度は0.857、マクロ - マクロ -平均F1スコアは0.825で、曲線下のマイクロ平均面積は0.919です。いくつかの一般的なネットワーク構造およびその他の高度な心電図分類アルゴリズムを使用した同様の実験は、提案されたモデルがF1スコアの他のカウンターパートに対して好意的に機能することを示しています。また、モデルの分類パフォーマンスに対するドメイン固有の機能の補助情報からの相補的な情報の効果を検証するために、アブレーション研究を実施しました。XGBoostベースの融合モデルの実現可能性と有効性を実証し、12リードの心電図記録を9つの一般的な心臓リズムに分類しました。これらの発見は、不整脈の早期診断に臨床的に重要であり、さらなる研究を引き起こす可能性があります。さらに、提案されているマルチチャネル特徴融合アルゴリズムは、他の同様の生理学的信号分析と処理に適用できます。

There is an increasing demand for automatic classification of standard 12-lead electrocardiogram signals in the medical field. Considering that different channels and temporal segments of a feature map extracted from the 12-lead electrocardiogram record contribute differently to cardiac arrhythmia detection, and to the classification performance, we propose a 12-lead electrocardiogram signal automatic classification model based on model fusion (CBi-DF-XGBoost) to focus on representative features along both the spatial and temporal axes. The algorithm extracts local features through a convolutional neural network and then extracts temporal features through bi-directional long short-term memory. Finally, eXtreme Gradient Boosting (XGBoost) is used to fuse the 12-lead models and domain-specific features to obtain the classification results. The 5-fold cross-validation results show that in classifying nine categories of electrocardiogram signals, the macro-average accuracy of the fusion model is 0.968, the macro-average recall rate is 0.814, the macro-average precision is 0.857, the macro-average F1 score is 0.825, and the micro-average area under the curve is 0.919. Similar experiments with some common network structures and other advanced electrocardiogram classification algorithms show that the proposed model performs favourably against other counterparts in F1 score. We also conducted ablation studies to verify the effect of the complementary information from the 12 leads and the auxiliary information of domain-specific features on the classification performance of the model. We demonstrated the feasibility and effectiveness of the XGBoost-based fusion model to classify 12-lead electrocardiogram records into nine common heart rhythms. These findings may have clinical importance for the early diagnosis of arrhythmia and incite further research. In addition, the proposed multichannel feature fusion algorithm can be applied to other similar physiological signal analyses and processing.