Vergleich von merkmalsbasierten Klassifikatoren und konvolutionellen neuronalen Netzen zur Erkennung von Arrhythmien aus kurzen ECG-Abschnitten

Die Diagnose kardiovaskulärer Erkrankungen wie Vorhofflimmern (AF) ist ein zeitaufwendiger und kostenintensiver Prozess, der oft eine visuelle Analyse von EKG-Signalen durch Experten erfordert. Um die Patientenversorgung zu verbessern und die Gesundheitskosten zu senken, ist die automatisierte Erkennung dieser Pathologien von größter Bedeutung. In dieser Studie klassifizieren wir kurze EKG-Abschnitte in vier Klassen (AF, normal, andere Rhythmen oder Rauschen) im Rahmen der Physionet/Computing in Cardiology Challenge 2017. Wir vergleichen einen state-of-the-art klassifizierenden Ansatz auf Basis von Merkmalen mit einem Ansatz basierend auf einem konvolutionellen neuronalen Netzwerk (CNN). Beide Methoden wurden mit den Daten der Challenge trainiert, ergänzt um eine zusätzliche Datenbank aus dem Physionet-Repository. Der merkmalsbasierte Klassifikator erzielte auf dem Trainingsset (5-fache Kreuzvalidierung) einen F1-Score von 72,0 % und auf dem versteckten Testset von 79 %. Ähnlich erreichte das konvolutionelle neuronale Netzwerk 72,1 % auf der erweiterten Datenbank und 83 % auf dem Testset. Letzterer Ansatz resultierte in einer Endwertung von 79 % bei der Wettbewerbsevaluation. Die entwickelten Routinen und vortrainierten Modelle stehen unter der GNU GPLv3-Lizenz frei zur Verfügung.