Deep Learning Approaches for Arrhythmia Screening in Adhesive Patch-Type Wearable Electrocardiographs

Abstract

Due to their convenience and extended measurement duration, adhesive patch-type wearable electrocardiographs are increasingly utilized for arrhythmia screening. The growing adoption of these devices in clinical settings promises enhanced capabilities for early and accurate detection and treatment of heart diseases. However, the effectiveness of current arrhythmia screening techniques when applied to patch-type wearable electrocardiographs remains uncertain, primarily due to their single-lead structure and susceptibility to noise. This study aims to develop robust methods to improve the classification performance of arrhythmias using these devices. Firstly, SeqAFNet, a deep learning model, utilized RR interval frames specifically devised for beat-wise atrial fibrillation classification. This model was designed to classify each ECG beat sequentially, based on a recurrent neural network structure. To evaluate its performance not only on the training database but also more broadly, we compared it across three different databases. SeqAFNet demonstrates robust performance in AF classification, aligning with the 2020 European Society of Cardiology guidelines and the IEC 60601-2-47 standard in clinical practice. To address the problems caused by noise artifacts in wearable electrocardiographs, the SE-ResNet-ViT hybrid model was developed. The SE-ResNet encoder in this model can effectively extract features from ECG data, while the transformer component focuses attention on the noise sections within the 10 second data window. Thanks to this hybrid structure, the proposed model is capable of classifying signals with not only noise alone but also those with various arrhythmias measured alongside the noise. The methods proposed in this study hold significant promise for advancing the field of arrhythmia detection and management using wearable technologies. These robust and effective deep learning-based techniques could simplify the workload for medical professionals. Furthermore, they contribute to more accurate arrhythmia diagnoses and the early treatment of heart diseases in clinical settings.

패치형 부착형 심전도계는 편리함과 더 늘어난 데이터 측정기간으로 부정맥 검사에 홀터 심전계를 대체하며 점점 더 보편화되고 있다. 이러한 웨어러블 장비들이 진료환경에서 더욱 보편적으로 사용됨에 따라 심장 질환의 보다 정확한 진단과 질병의 조기 발견 및 치료가능성이 증가하고 있다. 그럼에도 불구하고 패치형 심전도계의 단일 리드 구조와 노이즈에 대한 취약성으로 인하여, 기존에 12리드 심전도 또는 홀터 심전계에서 측정한 데이터를 분석하는데 사용되던 부정맥 진단 기법들을 적용할 경우 그 유효성이 입증되지 않았다. 이 연구는 이러한 패치형 심전도계를 사용하였을 때 부정맥 분류 성능을 향상시키기 위한 방법을 개발하고자 한다. 첫째로, 심전도 신호의 RR 간격 프레임을 사용하여 심방세동을 비트 단위로 분류하는 SeqAFNet을 설계하였다. 이 모델은 순환신경망 구조를 기반으로 심전도 신호 각각 비트를 순차적으로 분류하기 위하여 설계되었다. 이 모델의 성능이 학습에 사용된 데이터베이스에서만 국한되지 않았다는 것을 평가하기 위하여 3개의 서로 다른 데이터베이스에 대하여 비교하였다. SeqAFNet은 심방세동을 분류에 확고한 성능을 보여주며, 임상 기준에 대하여 2020 유럽 심장학회 심방세동 분류와 관리에 관한 가이드라인과 IEC 60601-2-47 표준에 부합하였다. 패치형 심전도계의 노이즈로 인한 문제를 해결하기 위해, SE-ResNet-ViT 하이브리드 모델을 개발하였다. 이 모델의 SE-ResNet 인코더는 심전도 신호의 특징을 효과적으로 추출할 수 있으며, 트랜스포머 구조는 10초 단위의 심전도 신호 안에서 노이즈 구간에 집중하여 분류할 수 있다. 이러한 하이브리드 구조 덕분에 제안된 모델은 노이즈만 있는 신호뿐만 아니라 노이즈와 함께 측정된 다양한 부정맥 신호 또한 분류할 수 있다. 이 연구에서 제안된 방법들은 웨어러블 기기를 이용하여 부정맥 검사와 관리 분야를 발전하는데 주요한 역할을 할 것으로 기대한다. 정확하고 높은 성능을 갖고 있는 딥러닝 기반의 기법들이 임상환경에서 의료진들의 업무량을 간소화할 수 있을 것으로 생각한다. 또한, 임상 환경에서 더 정확한 부정맥 진단과 심장 질환의 조기 치료에 기여할 수 있을 것으로 기대한다.