フィーチャーインジェクションを伴う自己操作ニューラルネットワークによるグローバルECG分類

目的：心電図上の不整脈検出のためのグローバル（患者間）ECG分類（ECG）シグナルは、人間と機械の両方にとって困難なタスクです。したがって、このプロセスを最大限の精度で自動化することは、ウェアラブルECGセンサーの出現により非常に望ましいものです。ただし、最近提案された多数の深い学習アプローチがあったとしても、グローバルおよび患者固有のECG分類パフォーマンスのパフォーマンスには顕著なギャップがまだあります。 方法：この研究では、心臓サイクルの形態学的情報とタイミング情報を活用することにより、コンパクト1D自己源を使用して、患者間ECG分類の新しいアプローチを提案します。1Dセルフンレイヤーを使用して、ECGデータから形態学的表現を自動的に学習し、Rピークの周りのECG波形の形状をキャプチャできるようにしました。さらに、タイミングの特性評価のためにRR間隔に基づいて時間的特徴を注入します。したがって、分類層は、最終的な不整脈分類のための時間的および学習した機能の両方から利益を得ることができます。 結果：MIT-BIH不整脈ベンチマークデータベースを使用して、提案された方法は、これまでに達成された最高の分類パフォーマンス、つまり99.21％の精度、99.10％のリコール、および通常（N）セグメントの99.15％F1スコアを達成します。82.19％の精度、82.50％のリコール、および82.34％F1スコア（SVEBS）;そして最後に、94.41％の精度、96.10％のリコール、および95.2％のF1スコア（VEB）。 重要性：先駆的なアプリケーションとして、結果は、機能インジェクションを備えたコンパクトで浅い1Dセルフ接続が、大幅なマージンと最小限の計算の複雑さですべての最先端の深いモデルを上回ることができることを示しています。 結論：この研究では、コンパクトで優れたネットワークモデルを使用して、患者固有の情報が使用されていない場合でも、グローバルなECG分類をエレガントなパフォーマンスレベルで達成できることが実証されています。

OBJECTIVE: Global (inter-patient) ECG classification for arrhythmia detection over Electrocardiogram (ECG) signal is a challenging task for both humans and machines. Automating this process with utmost accuracy is, therefore, highly desirable due to the advent of wearable ECG sensors. However, even with numerous deep learning approaches proposed recently, there is still a notable gap in the performance of global and patient-specific ECG classification performance. METHODS: In this study, we propose a novel approach for inter-patient ECG classification using a compact 1D Self-ONN by exploiting morphological and timing information in heart cycles. We used 1D Self-ONN layers to automatically learn morphological representations from ECG data, enabling us to capture the shape of the ECG waveform around the R peaks. We further inject temporal features based on RR interval for timing characterization. The classification layers can thus benefit from both temporal and learned features for the final arrhythmia classification. RESULTS: Using the MIT-BIH arrhythmia benchmark database, the proposed method achieves the highest classification performance ever achieved, i.e., 99.21% precision, 99.10% recall, and 99.15% F1-score for normal (N) segments; 82.19% precision, 82.50% recall, and 82.34% F1-score for the supra-ventricular ectopic beat (SVEBs); and finally, 94.41% precision, 96.10% recall, and 95.2% F1-score for the ventricular-ectopic beats (VEBs). SIGNIFICANCE: As a pioneer application, the results show that compact and shallow 1D Self-ONNs with the feature injection can surpass all state-of-the-art deep models with a significant margin and with minimal computational complexity. CONCLUSION: This study has demonstrated that using a compact and superior network model, a global ECG classification can still be achieved with an elegant performance level even when no patient-specific information is used.