Arrhythmia Classification of LSTM AutoEncoder based on time series Anomaly Detection

Arrhythmia Classification of LSTM AutoEncoder based on time series Anomaly Detection

Journal : Biomedical Signal Processing and Control

Author : Pengfei Liu, Xiaoming Sun, Yang Han, Zhishuai He, Weifeng Zhang, Chenxu Wu

본 논문은 간단히 요약하여 정리하였음

요약

LSTM 기반 AutoEncoder 구조를 사용해서 복잡한 전처리과정 (manual parameter input과 같은) 없이 다이렉트로 input값으로 줄 수 있도록 모델을 설계함 (Noise Filtering은 함)

그래서 최종적으로 MIT-BIH supraventricular Database의 Class인 ABP, LBBB ,NSR, RBBB, PVC 각각에 대한 AutoEncoder를 두고 Reconstruction Error가 높게 나오면 Anomaly로 분류를 함

간단한 필터링 전처리과정 후 입력값으로 주면되는 간단한 방식으로 이루어져있음

그리고 해당 논문에서 LSTM Layer 최적화된 개수는 3개로, ACC Training 98.31%, Testing 98.57% 를 기록하였음

BottleNeck 구조의 핵심은 pointwise conv를 써서 [차원, 채널 축소 -> feature Extraction] 로 함

ref : https://coding-yoon.tistory.com/116

근데 이 BottleNeck 구조는 강제로 채널을 줄이기때문에 정보손실이 일어남 --> 정확성이 떨어짐

이 모델의 약간 단점이라면 단점이랄수 있는데

각 클래스마다의 오토인코더를 둬야하는게 큰 단점인것 같다.

결국은 각 오토인코더의 reconstruction Error 계산을 해야하는데

5개의 오토인코더를 둬서 학습을 시켜야하고 추론을 시켜야해서 시간이 오래걸릴 것으로 추정된다.

하지만 일단 layer 자체가 그리 많지 않아서 가벼운 모델로 볼 수 있음

정확도는

Acc : 98.57%

Sensitivity : 97.98%

+Predicitivity : 97.55%