https://www.ncbi.nlm.nih.gov/pubmed/30464177
Deep Feature Learning for Sudden Cardiac Arrest Detection in Automated External Defibrillators.
Author information
- 1
- School of Electrical Engineering and Computer Science, Gwangju Institute of Science and Technology, Gwangju, 61005, South Korea.
- 2
- School of Electrical Engineering and Computer Science, Gwangju Institute of Science and Technology, Gwangju, 61005, South Korea. kskim@gist.ac.kr.
Abstract
Ventricular fibrillation and ventricular tachycardia (VF/VT), known as shockable (SH) rhythms, are the mainly cause of sudden cardiac arrests (SCA), which is cured efficiently by the automated external defibrillator (AED). The performance of the shock advice algorithm (SAA) applied in the AED has been improved by using machine learning technique and variously conventional features, recently. In this paper, we propose a novel algorithm with relatively high performance for the SCA detection on electrocardiogram (ECG) signal. The algorithm consists of a convolutional neural network as a feature extractor (CNNE) and a Boosting (BS) classifier. A grid search with nested 5-folds cross validation (CV) is used to select the CNNE trained with preprocessed ECG, SH, and NSH signals using the modified variational mode decomposition technique. The deep feature vector learned by this CNNE is extracted at the first fully connected layer and then fed into BS classifier to validate its performance using 5-folds CV procedure. The secondary learning of the BS classifier and the use of three input channels for the CNNE improve certainly the detection performance of the proposed SAA with the validated accuracy of 99.26%, sensitivity of 97.07%, and specificity of 99.44%.
광주, GIST 에서 쓴 논문이네.
의사들이 연구해야 할 분야인데, 공학자와 컴퓨터 싸이언티스트들이 , 먼저 논문을 앞다퉈 내는 구나.
AED , 자동 제세동기.
실제로 길거리 가다가 쓰러진 사람이 있을때, AED를 가져다가
심장에 제세동 ("SHOCK") 이 필요한 상황인지를 판별해서
119 구급차가 올때까지 이걸 하느냐 마느냐가,
심정지 환자에서 몇 분사이에 생사를 가르게 되는 경우도 있으니...
AED 가 패드 붙이고 나서, 어떻게 분석을 하고, 제세동을 치느냐 안치느냐를
결정하는지 궁금했는데...
기존의 AED 알고리즘은 : FS , Feature Selection (feature selection (FS) algorithms to eliminate the irrelevant features from the input feature space and improve the learning process of the ML classifiers) 이라는 방법을 쓴 듯.
이 알고리즘도 나쁘진 않은데, 분석하는데 시간이 좀 (몇 초 더 ) 걸리고,
100% 정확도는 아니므로,
좀더 개선된 알고리즘을 만들기 위해, 다양한 시도들이 시행되고 있는 듯 함.
본 연구에서는, fCNN -> CNNE -> Boosting classifier 를 사용했다고 함.
영상분석이나, 심전도 분석은, 안저사진 분석이나, 뇌파 분석이나, 내시경 사진 분석이나 뭐,
컴퓨터 딥러닝한테 시키면 ,
인풋데이터의 퀄러티가 좋고 학습할 양만 많다면, feature extraction 하는 건
이미 인간보다 빠르고 정확하다고 '증명'되고 있으니
AED 알고리즘 , 즉 Shockable or Non-Shockable 리듬인지를 구분하는 게 ,
인공지능 , 머신러닝, 딥러닝으로,, 넘어오는 건 시간문제 였던 것이겠지.
성능은 이전보다 더 향상된 듯.
앞으로 AED 구매하게 되면, 얼마 짜리인지도 봐야겠지만,
어떤 알고리즘이 들어있는지도 따져봐야하는 시대가 올 듯...
201811 Scientific Report _ Deep Feature Learning for Sudden Cardiac Arrest Detection in AED.pdf
