基于 12 导联 ECG 的特征工程与深度学习融合用于诊断、风险预测与年龄估计
机器学习
2022-07-19 v2 信号处理
摘要
目的:机器学习技术已广泛用于 12 导联心电图(ECG)分析。对于生理时间序列,深度学习(DL)相对于基于领域知识的特征工程(FE)方法的优越性仍是一个开放问题。此外,将 DL 与 FE 结合是否能提升性能尚不清楚。方法:我们考虑了三个任务以解决这些研究空白:心律失常诊断(多类多标签分类)、房颤风险预测(二分类)和年龄估计(回归)。我们使用总计 2.3M 条 12 导联 ECG 记录的整体数据集为每个任务训练以下模型:i)以 FE 为输入的随机森林作为经典机器学习方法训练;ii)端到端 DL 模型;iii)FE+DL 融合模型。结果:在两个分类任务中 FE 取得了与 DL 相当的结果且所需数据显著更少,而在回归任务中 DL 优于 FE。对于所有任务,将 FE 与 DL 融合并未比单独的 DL 提升性能。结论:我们发现对于传统的基于 12 导联 ECG 的诊断任务,DL 相对 FE 未产生有意义的改进,而在非传统的回归任务中显著改善。我们也发现 FE 与 DL 结合未优于单独 DL,这表明 FE 与 DL 学到的特征冗余。意义:我们的发现为针对手头任务开发基于 12 导联 ECG 的新机器学习模型时应选择何种机器学习策略和数据规模提供了重要建议。
引用
@article{arxiv.2207.06096,
title = {On Merging Feature Engineering and Deep Learning for Diagnosis, Risk-Prediction and Age Estimation Based on the 12-Lead ECG},
author = {Eran Zvuloni and Jesse Read and Antônio H. Ribeiro and Antonio Luiz P. Ribeiro and Joachim A. Behar},
journal= {arXiv preprint arXiv:2207.06096},
year = {2022}
}