Identification of atrial fibrillation from RR intervals : a feasibility study on Long Short Term Memory neural networks

Atrial fibrillation (AF) detection is usually based on ECG signal, which can be distorted and noisy, so that features extraction from ECG waveform is not always feasible. Conversely, the RR interval time series is a reliable signal, it requires a lower computational cost and it is less sensitive to high frequency noise. Most of the research involves extensive preprocessing of the ECG data to derive vectorized features and subsequently design a classifier to discriminate between sinusal rhythm and arrhythmia. The majority of the algorithms makes use of linear and/or non linear indices, which are combined to detect AF through a classification criteria. The main objective of the present study is to provide a method for detection of AF, based directly on raw RR intervals time series without a selection and calculation of indices. Long Short Term Memory (LSTM) network is able to capture information from short RR interval series on the basis of internal mechanisms, avoiding the use of pre-selected indices like in traditional machine learning techniques. To test this, we studied 1769 ECG holter recordings collected from ambulatory patients at the University of Virginia Heart Station. AF and normal sinus rhythm (NSR) are taken into consideration. The deep learning technique used in this work consists of a deep recurrent neural network architecture with LSTM units. The model takes in sequences of RR intervals and reports the predicted probability for each class. The analysis achieves promising results, obtaining a sensitivity and positive predicted value of up to 0.94 and 0.98 respectively, with an AUC of 0.9974. The classification deals with short segments of 35, 60 and 90 RR intervals. The model is finally validated on an external freely available database (the 2017 Physionet Challenge dataset) providing extremely good performances. The analysis can be performed in a clinical setting where a continuous monitoring of the chages in cardiac rhythm is crucially important.

La detezione della fibrillazione atriale (FA) si basa solitamente sul segnale ECG, che però può essere distorto o rumoroso tale da rendere impossibile l'estrazione di ulteriori indici a partire dalla morfologia dell'ECG. Al contrario, la serie temporale di intervalli RR è un segnale affidabile, richiede un minore costo computazionale ed è meno sensibile al rumore ad alta frequenza. La maggioranza dei lavori in letteratura necessita di un'estesa preelaborazione dei dati ECG, in modo da ottenere un vettore di "features" per poi costruire un classificatore che discrimini tra ritmo sinusale e aritmia. La maggior parte degli algoritmi utilizzano indici lineari e/o non linari per il riconoscimento della FA alla base di un criterio di classificazione. Lo scopo principale del presente studio è quello di introdurre un metodo per la detezione della FA, basato direttamente sulle serie temporali di intervalli RR senza una selezione o calcolo di alcun indice. La Long Short Term Memory (LSTM) network è capace di acquisire informazioni da brevi serie di intervalli RR sulla base di meccanismi interni, evitando di utilizzare indici pre-selezionati come nelle tecniche tradizionali di machine learning. Per testare ciò, si sono studiati 1769 registrazioni holter acquisite da pazienti ambulatoriali presso la Univeristy of Virginia Heart Station. Solo fibrillazione atriale e ritmo sinusale sono stati presi in considerazione. La tecnica di deep learning utilizzata in questo studio consiste di un'architettura di recurrent neural network con unità LSTM. Il modello riceve come input le sequenze di intervalli RR e determina in uscita le probabilità predette per ogni classe. I risultati ottenuti sono promettenti: i valori di sensitività e positive predicted value raggiungono i valori di 0.94 e 0.98 rispettivamente, e un valore di AUC pari a 0.9974. La classificazione riguarda brevi segmenti di 35, 60 e 90 intervalli RR. Il modello è infine validato su un database esterno disponibile online (2017 Physionet Challenge dataset) ottenendo performance estremamente buone. L'approccio proposto può trovare applicazione in realtà cliniche dove un continuo monitoraggio dei cambiamenti nel ritmo cardiaco è di primaria importanza come nella terapia intensiva.