Cardiac Arrhythmia Classification from 12-lead Electrocardiogram Using a Combination of Deep Learning Approaches

Uobičajeno je da se signali elektrokardiograma (EKG) zapisuju i motre kroz određeni vremenski period i konačno ih analizira stručnjak. Automatska klasifikacija srčanih ritmova ima potencijal poboljšati dijagnostiku. U ovom radu istražuje se korištenje učenja iz reprezentacije snimaka EKG-a za klasifikaciju srčanih ritmova. Skup podataka se sastoji od pet srčanih ritmova i kreiran je od baza podataka CPSC, CPSC-Extra i The Georgia 12-lead ECG Challenge Database. Koristi se sofisticirani pristup dubokog učenja za učenje iz reprezentacije i klasifikaciju, točnije kombinacija konvolucijskog auto-enkodera (CAE) i LSTM-klasifikatora. CAE je korišten za sažimanje ulazne snimke što služi kao ulaz u LSTM-klasifikator. Također je ostvareno poboljšanje skupa podataka (engl. data augmentation) za uravnotežavanje skupa podataka zasnovano na CAE te na GAN-ovima. Klasifikacijski rezultati tek prelaze 90% točnosti te pokazuju kako je korištenje ovog složenog pristupa dubokog učenja pogodno za rješavanje problema, ali i da ima mjesta za daljnji napredak.Traditionally, electrocardiogram (ECG) signals are recorded and monitored over a period of time and finally analyzed by an expert. Automatic classification of cardiac arrhythmias has the potential to improve diagnostics. In this work, we explore the use of representation learning from ECG signals for cardiac arrhythmia classification. The dataset consisting of five cardiac rhythm types was created from the CPSC, CPSC-Extra, and The Georgia 12-lead ECG Challenge databases. We use a sophisticated deep learning approach for representation learning and classification, namely a combination of a Convolutional Auto-Encoder (CAE) and a Long Short-Term Memory (LSTM) classifier. CAE was used to compress the input signal that serves as input to the LSTM classifier. We also implemented a CAE-based and a GAN-based data augmentation approach to balance the data distribution. The classification results reaching just above 90% accuracy show that the use of the complex deep learning approach is suitable for addressing the problem, but that there is still room for improvement