1 / 22

廣田研究室（現在：日本ナショナルインスツルメンツ（株） ガルシア・ルイス・エルネスト 01M35642

Paroxysmal Atrial Fibrillation Prediction Based on Evolutionary Feature Space Transformation 遺伝的属性空間変換を用いた 発作性心房細動予測. 廣田研究室（現在：日本ナショナルインスツルメンツ（株） ガルシア・ルイス・エルネスト 01M35642. 背景：　 発作性心房細動 とは？. Paroxysmal Atrial Fibrillation ( PAF ). 約 220 万人 ( 米国、 1%) 、 65 歳以上 ( 米国、 6%). ペースーカー. PAF → 脳塞栓.

tad
Download Presentation

廣田研究室（現在：日本ナショナルインスツルメンツ（株） ガルシア・ルイス・エルネスト 01M35642

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Paroxysmal Atrial Fibrillation Prediction Based on Evolutionary Feature Space Transformation遺伝的属性空間変換を用いた発作性心房細動予測 廣田研究室（現在：日本ナショナルインスツルメンツ（株） ガルシア・ルイス・エルネスト 01M35642 修士論文最終発表

  2. 背景：　発作性心房細動とは？ • Paroxysmal Atrial Fibrillation ( PAF ) • 約220万人(米国、1%)、65歳以上(米国、6%) ペースーカー • PAF→脳塞栓 • 電気生理学的な原因が不明 • 侵襲的研究の不可能、心電図 • 安定、防止の電気治療、 PAF予測アルゴリズム 修士論文最終発表

  3. PAF予測問題 目的 PAF発症リスク有り Predictor PAF発症リスク無し PAF無しの心電図 従来法 問題 時間領域 個別属性の分類 Predictor [ Dilaveris, et al. 1998 ] [ Ishimoto, et al. 2000 ] [ Hnatkova, et al. 1998 ] [ Kolb, et al. 2001 ] 統計 属性集合の分類 周波数領域 [ de Chazal, et al. 2001 ] [ Lynn, et al. 2001 ] 仮定モデル確証 ウェーブレット [ Yang, Yin 2001 ] [ Krstacic, et al. 2001 ] 修士論文最終発表

  4. 提案法： 心電図属性空間変換 automatic visualize importance search for relationships large and arbitrary high prediction accuracy oriented classifier design feature extraction selection: GA Prediction training ECG set best feature set construction:GP classifier candidates original feature set fitness classifier:k - NN testing ECG set feature extraction 修士論文最終発表

  5. 属性抽出モジュール R-R R-R atrial QRS波検出　 [ Pan, Tompkins 1985 ] mean N-N, mean R-R longest, shortest R-R R-R dispersion N-N median, mode N-N first, third quartile, interquartile range SDNN, SDRR, SDANN, SDNN index, RMSSD NN50, pNN50 atrial, ventricular ectopic beats [ Malik, et al. 1991 ] [ Langley, et al. 2001 ] 修士論文最終発表

  6. 属性選択の流れ initialization weight creation k - NN accuracy fitness calculation genetic algorithm weight search selected features near-optimal weights 修士論文最終発表

  7. 分類器設計モジュール 試験 ( t ) c ecg1, ecg2,… , ecgm 事例 ( i ) leave-one-out crossvalidation 訓練心電図の属性ベクトル ecg11, ecg12,…, ecg1m, c1 ecg21, ecg22,…, ecg2m, c2 k -NN[ Cover, Hart 1967 ] ecg31, ecg32,…, ecg3m, c3 ユークリッド距離 city-block 距離 染色体 W１ Wm … 修士論文最終発表

  8. 分類器設計モジュール： 属性選択 fitness1 = acc fitness2 = acc x sens x spec GA+k -NN[ Kelly 1991 ] ルーレット選択 一点交叉 ランダム突然変異 修士論文最終発表

  9. Set 3 Set 1 Set 2 +, -, * /, SQRT, > ABS +, -, *,/, SQRT , >, ABS , OR, AND, NOT +, -, *,/, SQRT, > , ABS , MAX, MIN, NEG o1 o1 o3 f1 f2 o3 o2 f4 c f3 属性構成の流れ initialization tree creation k - NN accuracy fitness calculation genetic programming tree search constructed feature near-optimal tree 修士論文最終発表

  10. 分類器設計モジュール 試験 ( t ) c ecg1, ecg2,… , ecgm 事例 ( i ) leave-one-out crossvalidation 訓練心電図の属性ベクトル ecg11, ecg12,…, ecg1m, c1 ecg21, ecg22,…, ecg2m, c2 k -NN[ Cover, Hart 1967 ] ecg31, ecg32,…, ecg3m, c3 o1 遺伝子型 o1 o3 f1 f2 o3 o2 表現型 f4 c f3 距離関数 修士論文最終発表

  11. 分類器設計モジュール： 属性構成 GP+ k -NN[ Raymer, et al. 1996] fitness1 = acc fitness2 = acc x sens x spec ルーレット選択 一点交叉 ランダム突然変異 修士論文最終発表

  12. PAF予測モジュール c best feature set classifier k - NN W１ Wm W１ … Wm-1 o1 o1 ecg11, ecg12,…, ecg1m o3 f1 f2 ecg21, ecg22,…, ecg2m o3 o2 f4 c f3 修士論文最終発表

  13. 　分類精度、感度、特異度の向上 実験設定 • 　原属性の相互重要度 • 　原属性間の関係の抽出可能性 実験１ 実験２ 属性選択 ( 128回 ) 属性構成 ( 192 回) k={8,9,67,69}, euclidean, city-block normal , distance-weighted P=30, G=2000, 交叉率=0.6, 突然変異=0.0333, 適合度関数: 2, 種: 4 k={8,9,67,69}, normal , distance-weighted P=30, G=2000, 交叉率=0.6, 突然変異=0.0333, 適合度関数: 2, 種: 4, 関数集合: 3 原属性の個別分類 ( 304回 ) 原属性の分類 ( 400回 ) k={8,9,67,69} euclidean, city-block normal , distance-weighted voting k={1, …, 100} euclidean, city-block normal , distance-weighted voting 修士論文最終発表

  14. 実験設定: データベース データベース：　 200例の心電図 PAF Challenge Database Physionet www.physionet.org National Center for Research Resources 2001年に公開 訓練セット： 100例の心電図 [ Moody, 2001 ] ECG p07.dat 試験セット： 100例の心電図 （各30分間分） 修士論文最終発表

  15. 実験結果：属性 選択評価 修士論文最終発表

  16. 実験結果：属性の相互重要度 修士論文最終発表

  17. 実験結果：属性の相互重要度 修士論文最終発表

  18. 実験結果：属性の相互重要度 修士論文最終発表

  19. 実験結果：属性 構成 評価 修士論文最終発表

  20. 最長NN 最長RR ( INT – DIS ) 上位四分位点 ( INT – DIS ) 中央値 ( INT – DIS ) 下位四分位点 最短RR 最短NN ( INT – DIS ) ( INT – DIS ) DIS INT テストデータ上の分類精度 実験結果：属性の相互依存関係 NOT ( NOT ( VPC ) ) + VPC – INT0.70 VPC – ( INT – DIS ) 0.66 ( INT – DIS ) > ( DIS ・ ( DIS – SDA ) ) 0.65 ( INT – DIS ) > (NN5 ・ ( INT – SDA ) ) 0.65 ( INT – DIS ) > ( RMS ・( INT – DIS ) ・ DIS ・( INT + 1 ) 0.64 修士論文最終発表

  21. テストデータ上の分類精度 実験結果：従来法との比較 属性選択 0.70 属性構成 0.70 Lynn, Chiang ( 2001 ) 0.68 Yang, Yin ( 2001 ) 0.66 de Chazal, Heneghan ( 2001 ) 0.64 Krstacic, et al. ( 2001 ) 0.60 修士論文最終発表

  22. まとめ • 　自動分類器設計法で • k - NN より9～16% PAF予測精度の向上 • 　自動分類器設計法で　 • 　従来法より2～10% PAF予測精度の向上 • PAF予測に有効な属性の • 　簡易な同時相互評価法の提案 • PAF予測のモデル化に有効な属性関係　の簡易な抽出法の提案 修士論文最終発表

More Related