二値化畳み込みニューラルネットワークを用いた心電図信号の分類

ECG signal classification with binarized convolutional neural network.

• Qing Wu
• Yangfan Sun
• Hui Yan
• Xundong Wu

抄録

不整脈は、不規則な心臓のリズムに関連する一般的な状態のグループである。これらの疾患の中には、例えば心房細動（AF）のように、治療が間に合わなければ重篤な症候群に発展する可能性がある。したがって、高リスクの患者にとっては、不整脈の早期発見が重要である。本研究では、深部畳み込みニューラルネットワーク(CNN)をベースとしたアルゴリズムを用いたリアルタイム不整脈検出を提案する。本研究では、まず、高精度な深部畳み込みニューラルネットワークモデルを構築する。提案した構築により、PhysioNet/CinC AF分類チャレンジ2017のデータセットにおいて、我々の全精度モデルを用いて最先端レベルの性能を達成することができる。計算資源要件の低いモデルを採用することが望ましい。二値化モデルは、完全精度モデルよりもはるかに少ない計算能力とメモリ容量を必要とすることが示されています。我々は、ニューラルネットワークモデルにおける二値化の実現可能性を検証する。ネットワークの二値化はモデルの性能を著しく低下させる可能性がある。そこで、二値化されたモデルの学習を正規化するために、教師として全精度モデルを採用することを提案する。提案したアプローチでは、ネットワーク2値化はわずかな性能低下しかもたらさないことがわかった（F1スコアは検証セットでは0.88から0.87に低下する）。二値化された畳み込みネットワークは、計算コストを大幅に削減しながら良好なモデル性能を達成できることから、長期的な心状態監視装置への展開に理想的である。ソースコードは https://github.com/yangfansun/bnn-ecg にあります）。

Arrhythmias are a group of common conditions associated with irregular heart rhythms. Some of these conditions, for instance, atrial fibrillation (AF), might develop into serious syndromes if not treated in time. Therefore, for high-risk patients, early detection of arrhythmias is crucial. In this study, we propose employing deep convolutional neural network (CNN)-based algorithms for real-time arrhythmia detection. We first build a full-precision deep convolutional network model. With our proposed construction, we are able to achieve state-of-the-art level performance on the PhysioNet/CinC AF Classification Challenge 2017 dataset with our full-precision model. It is desirable to employ models with low computing resource requirements. It has been shown that a binarized model requires much less computing power and memory space than a full-precision model. We proceed to verify the feasibility of binarization in our neural network model. Network binarization can cause significant model performance degradation. Therefore, we propose employing a full-precision model as the teacher to regularize the training of the binarized model through knowledge distillation. With our proposed approach, we observe that network binarization only causes a small performance loss (the F1 score decreases from 0.88 to 0.87 for the validation set). Given that binarized convolutional networks can achieve favorable model performance while dramatically reducing computing cost, they are ideal for deployment on long-term cardiac condition monitoring devices. (Source code is available at https://github.com/yangfansun/bnn-ecg).

Copyright © 2020 Elsevier Ltd. All rights reserved.