要約
心房細動（AF）を含む心血管疾患の診断は、長時間にわたり高コストなプロセスであり、専門家による心電図（ECG）信号の視覚的検査がしばしば必要となる。患者管理の改善および医療コストの削減を図るため、これらの疾患を自動で検出する技術の開発は極めて重要である。本研究では、PhysioNet/Computing in Cardiology Challenge 2017の一環として、ECG信号の短いセグメントを4つのクラス（AF、正常、その他のリズム、ノイズ）に分類するタスクに取り組んだ。最先端の特徴ベース分類器と畳み込みニューラルネットワーク（CNN）アプローチを比較した。両手法とも、チャレンジ用データセットに加え、PhysioNetから得られた追加データベースを用いて学習を行った。特徴ベース分類器は、訓練セット（5分割交差検証）でF1スコア72.0%、隠しテストセットで79%を達成した。一方、CNNは拡張データベースで72.1%、テストセットで83%のスコアを記録した。最終的に、CNNアプローチはコンペティションで79%のスコアを獲得した。本研究で開発した処理ルーチンおよび事前学習済みモデルは、GNU GPLv3ライセンスの下で自由に利用可能である。