mitbih-arrhythmia dataset을 이용한 비트(Superclass), 리듬 타입 정리(Deep Learning 활용)

2020 산학협력 "MIT-BIH ArrhyThmia Dataset을 활용한 심장질환 분류모델"

1) Beat Type Super Class Classifier 개발

분석 모델 : CNN in Keras (not Pytorch)

1-1-1) N, A, V, /, L, R 대상 1 - 03_Classification_of_ECG_signals.ipynb

목적 : N, A, V, /, L, R 특정 비트에 대한 모델 성능 확인

• window size = 비트 길이의 mean + 2sigma = 280 + 2 * 80 = 440 ( 비트 길이 값(x) 정규분포를 따름. ==> mean + 2sigma < x 에 해당하는 값이 97%이상을 포함 )

• preprocessing) 메인 리드가 MLII가 아닌 102, 104도 포함 (input data 정규화 실시하므로 포함 가능)

• preprocessing) MISSB가 많이 있던 즉, 측정이 제대로 이루어 지지 않았던 231번 제외

• Resampling) N, A, V, /, L, R 모두 5000개로 맞춤

• train : test = 21000 : 9000 = 7 : 3

• Model)

  • MinMaxScaler를 통한 x_train set 정규화
  • //CNN in Keras 적용 (activ = 'elu', MaxPool1D padding = 'same')
  • // conv. layer1
  • 1DConv => BatchNormalization
  • // pooling layer1
  • MaxPool1D
  • // conv. layer2
  • 1DConv => BatchNormalization
  • // conv. layer3
  • 1DConv => BatchNormalization
  • // pooling layer2
  • MaxPool1D
  • // conv. layer4
  • 1DConv => BatchNormalization
  • // conv. layer5
  • 1DConv => BatchNormalization
  • // pooling layer3
  • MaxPool1D
  • // flatten layer1
  • Flatten
  • // dense layer
  • Dense
  • // output layer
  • Dense (6, activ = 'softmax', ...)

• Result) Accuracy = 95.02, F1 score = 95.03, Confusion matrix =

  • [[ 979 0 3 11 7 0] - N
  • [ 34 943 0 1 22 0] - A
  • [ 22 0 976 2 0 0] - V
  • [ 146 2 3 848 1 0] - /
  • [ 11 11 8 15 955 0] - L
  • [ 0 0 0 0 0 1000]] - R

1-1-2) N, A, V, /, L, R 대상 2 - 04_Classification_of_ECG_signals.ipynb

1-1-1 모델과의 차이점

• preprocessing) MISSB가 많이 있던 즉, 측정이 제대로 이루어 지지 않았던 231번 제외 X 즉, 포함

• Result) Accuracy = 96.83, F1 score = 96.76, Confusion matrix =

  • [[967 0 2 22 9 0] - N
  • [ 31 949 1 0 19 0] - A
  • [ 10 0 979 2 9 0] - V
  • [ 67 0 3 927 3 0] - /
  • [ 4 0 3 2 989 2] - L
  • [ 1 0 0 0 0 999]] - R

1-2-1) Super Class 대상 1 (resampling=5000, accuracy=91.82%) - 05_Classification_of_ECG_signals.ipynb

1-1-2 모델과의 차이점

• 특정 비트가 아닌 전체 비트 모두 사용

• AAMI recommendation for MIT 기준 superclass 적용시킴

• Resampling) N, SVEB, VEB, F, Q 5가지 superclass의 개수 5000개로 맞춤

• train : test = 20000 : 5000 = 8 : 2

• Model) 동일

• Result) Accuracy = 91.82, F1 score = 91.67, Confusion matrix =

  • [[895 24 32 49 0] - N
  • [145 797 50 8 0] - SVEB
  • [ 8 4 966 22 0] - VEB
  • [ 32 1 24 943 0] - F
  • [ 4 1 5 0 990]] - Q

1-2-2) Super Class 대상 2 (resampling=3000, accuracy=92.19%) - 06_Classification_of_ECG_signals.ipynb

1-2-1 모델과의 차이점

• Resampling) N, SVEB, VEB, F, Q 5가지 superclass의 개수 3000개로 맞춤

• train : test = 12000 : 3000 = 8 : 2

• Result) Accuracy = 92.19, F1 score = 92.15, Confusion matrix =

  • [[308 156 44 91 1] - N
  • [ 43 506 33 18 0] - SVEB
  • [ 15 55 484 45 1] - VEB
  • [ 76 68 34 421 1] - F
  • [ 20 3 21 6 550]] - Q

1-2-3) Super Class 대상 3 (resampling=5000, dwt, accuracy=95.76%) - 07_Classification_of_ECG_signals.ipynb

1-2-1 모델과의 차이점

• train : test = 12000 : 3000 = 8 : 2

+) * preprocessing) pywt.dwt함수를 이용한 wavelet trans. 적용

• Result) Accuracy = 95.76, F1 score = 95.64, Confusion matrix =
  • [[ 912 70 6 27 0] - N
  • [ 28 940 4 2 0] - SVEB
  • [ 3 18 921 27 0] - VEB
  • [ 19 3 4 1006 0] - F
  • [ 1 0 0 0 1009]] - Q

1-2-4) Super Class 대상 4 (window size=252, resampling=5000, dwt, accuracy=98.08%) - 08_Classification_of_ECG_signals.ipynb

1-2-1 모델과의 차이점

• window size = 252 ( An Automated ECG Beat Classification System Using Deep Neural Networks with an Unsupervised Feature Extraction Technique 논문 참조 )

+) * preprocessing) pywt.dwt함수를 이용한 wavelet trans. 적용

• Model)

  • CNN (activ='relu')

• Result) Accuracy = 98.08, F1 score = 98.09, Confusion matrix =

  • [[1009 0 0 0 0] - N
  • [ 0 983 49 0 0] - SVEB
  • [ 0 0 1014 1 0] - VEB
  • [ 0 0 3 973 0] - F
  • [ 0 0 35 8 925]] - Q

---

1-2-5) 각 Beat type 별 정확도 계산(window size = 160, resampling = 10000) - mit-bih arrhythmia CNN_Beat_1.ipynb

• Model)

  • CNN (activ='elu')

• accuracy : 96.63% (precision, recall, f1 score 모두 0.15) 내의 오차 범위.

• beat 타입별 Confusion Matrix 계산으로 제대로 학습된 beat와 아닌 beat 구별

• 데이터 부족으로 인한 문제라고 판단 후 -> SMOTE 적용 고려 : accuracy, precision 급격하게 감소하여 20% 대 미만의 확률을 보이며, recall 은 소폭 상승, F1-score은 Precision의 영향으로 크게 감소하였다. 작은 데이터의 비트를 예측하는데는 성능 향상을 보일 수 있으나, superclass를 위한 예측 성능은 오히려 떨어지게 되는 것을 확인하였으며 뿐만 아니라 각 비트별 경계가 명확하지 않아 smote 시 다른 비트(class)의 영역을 침범할 수 있어 recall 또한 떨어질 수 있음.

• SMOTE의 문제점 파악 후 MSMOTE 적용하려하였으나 앞서 발생한 문제의 해결을 기대하기 어렵고

  • security/safe samples
  • border samples
  • latent(잠재) noise sample 을 나누는 기준을 판단하기 어려운 문제

---

• Optimizer : Adam : CNN 모델 적용시 여러 Optimizer 중 최고 효율
• Activation function - 신경망이 충분히 깊고 넓으며 충분한 Epoch 이 주어지지 않았기 때문에 Dying ReLU가 일어나지 않는 Activation Function 적용 필요 - elu 적용
• Window Size - window size를 변경하면서 적절한 Size를 찾는 방법. ==> 알려져 있는 특정 방식은 없으며, Window Size를 여러 값으로 시행착오를 통하여 가장 좋은 성능을 나타내는 모델을 찾는다.
• Batch normalization 적용시켜 한쪽으로 치우치지 않게 함으로써 gradient vanishing/exploding 방지