Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features

本論文は、拡張動的モード分解（EDMD）を用いたクーマン演算子とウェーブレット変換の特徴をトランスフォーマーと組み合わせることで、心電図（ECG）の多クラス分類において、特に適切な辞書選択により従来のウェーブレット単独やハイブリッド手法を上回る性能を達成し、動的システム理論に基づく時系列分類の有効性を示したものである。

要約

この論文は、**「心電図（ECG）の波形を AI に読ませて、心臓の病気を自動で診断する」**という研究について書かれています。

でも、ただの AI ではなく、**「コップマン（Koopman）という数学者のアイデア」と「トランスフォーマー（Transformer）という最新の AI 技術」**を組み合わせる、ちょっと変わったアプローチを試みたお話です。

わかりやすく、3 つのポイントに分けて説明しますね。

---

1. 心電図を「音楽」に例えてみましょう

心臓は絶えずリズムを刻んでいます。心電図はそのリズムを紙に書き出したようなものです。

• 正常な心臓：規則正しい、美しいメロディ。
• 不整脈などの異常：リズムが崩れたり、突然音が外れたりする「ノイズ」や「ハチャメチャな演奏」。

従来の AI は、この「ノイズ」を見つけるために、波形の形を細かくチェックしていました。でも、心臓の動きは複雑で、AI が「なぜそう判断したのか」を説明するのが難しかったりします。

2. 2 つの「魔法の道具」を試した

この研究では、心電図を分析するために 2 つの異なる「魔法の道具」を使ってみました。

道具 A：ウェーブレット変換（Wavelet）

• イメージ：「高倍率の顕微鏡」や「スローモーションカメラ」。
• 特徴：心電図の「瞬間的な変化」や「細かいノイズ」を捉えるのが得意です。
• 結果：「正常か、異常か」を2 択で判断するだけなら、この道具が一番優秀でした。細かいノイズを見逃さないからです。

道具 B：コップマン演算子（Koopman）＋ EDMD

• イメージ：「複雑なダンスを、単純な直線運動に変換する魔法」。
• 特徴：心臓の動きは複雑な曲線を描きますが、これを「数学的な空間」に引き上げて分析すると、実は「直線的な動き」の組み合わせで説明できるかもしれない、という考え方です。
• 結果：最初はあまりうまくいきませんでした。でも、「道具の使い方を調整（チューニング）」したら、驚くほど良くなりました。特に「正常」「心房細動」「心室性不整脈」「ブロック」という 4 つの病気を区別するような、難しいタスクでは、この道具が最も活躍しました。

3. 意外な発見と「ハーフ＆ハーフ」の失敗

研究者たちは、「両方の道具を同時に使えば、もっと完璧になるはずだ！」と考えて、「ウェーブレット」と「コップマン」を混ぜ合わせたハイブリッド型を作ってみました。

• 予想：「顕微鏡の細かさ」と「魔法の直線化」を合わせれば最強になるはず！
• 現実は：**「失敗」**でした。むしろ、両方の情報を混ぜすぎたせいで、AI が混乱して性能が下がってしまいました。
  • 理由：2 つの道具が、実は「似ている情報」を捉えていたからです。2 倍の情報を渡しても、AI にとっては「ノイズ」が増えただけだったのです。

4. 最終的な結論：「調整」が鍵だった

一番の勝者は、**「コップマンの道具を、パラメータ（設定値）を丁寧に調整して使いこなしたバージョン」**でした。

• 何をしたのか：「どのくらいの時間幅で見るか」「どのくらいの数の基準点を使うか」といった設定を、まるで料理の味付けを調整するように丁寧にいじりました。
• 結果：
  • 2 つの病気の区別（正常 vs 異常）：ウェーブレットの方が少し良かった。
  • 4 つの病気の区別（細かい分類）：調整済みのコップマンが圧勝！
  • さらに、この方法を使えば、AI が「なぜその病気を判断したのか」を、心臓の「リズムの振る舞い」として説明できる（解釈可能）というメリットもあります。

まとめ

この研究は、**「AI に心電図を読ませる時、ただの画像認識だけでなく、心臓の『動きの法則（力学）』を理解させるのが重要だ」**ということを教えてくれました。

• 単純な異常発見には「顕微鏡（ウェーブレット）」が強い。
• 複雑な病気の分類には、「動きの法則を解き明かす魔法（調整済みのコップマン）」が最強。
• 何でもかんでも混ぜるのではなく、**「最適な道具を、丁寧に使いこなす」**ことが大切だ、という教訓が得られました。

今後は、この「動きの法則」を学ぶ AI が、心臓だけでなく、脳波やその他の生体信号の分析にも使われるようになるかもしれません。

技術概要

論文要約：Koopman 演算子とウェーブレット特徴量を用いたトランスフォーマーによる心電図（ECG）分類

1. 研究の背景と課題 (Problem)

心電図（ECG）解析は心臓異常の検出に不可欠ですが、生理学的信号の複雑さと変動性により、堅牢な自動分類を実現することは困難です。

• 既存手法の限界: 従来の手動特徴量設計や、CNN/RNN などの深層学習モデルは高い性能を示すものの、解釈性の欠如や生理学的ダイナミクスの捕捉能力の限界といった課題を抱えています。
• 新たなアプローチ: 近年、トランスフォーマー（Transformer）は時系列データの長期依存関係のモデル化において優れていますが、Koopman 演算子（非線形力学系を線形化する枠組み）とウェーブレット変換を組み合わせ、トランスフォーマーに入力する手法は未探索でした。
• 本研究の目的: ECG 分類タスクにおいて、Koopman 演算子に基づく特徴量（EDMD による近似）とウェーブレット特徴量をトランスフォーマーとどのように組み合わせれば最適化できるかを体系的に評価すること。

2. 手法 (Methodology)

本研究では、MIMIC-IV-ECG データセットを用いて、以下の 2 つの分類タスクを実行しました。

1. 二値分類: 正常 vs 異常
2. 4 クラス分類: 正常、心房細動（AFib）、心室性不整脈、伝導ブロック

主要な構成要素:

• 特徴量抽出:
  • ウェーブレット変換: 離散ウェーブレット変換を用い、多分解能の時間 - 周波数表現を取得。
  • Koopman 特徴量: 拡張動的モード分解（EDMD）を用いて Koopman 演算子を近似。特に半径基底関数（RBF）辞書を使用し、信号の時間的ダイナミクスを符号化する固有スペクトル（実部・虚部・振幅・成長率）を特徴量として抽出。
• モデルアーキテクチャ:
  • 抽出された特徴量（Koopman またはウェーブレット）をトークンとして埋め込み、トランスフォーマーエンコーダーに入力して分類を行う。
  • ハイブリッドアプローチ: ウェーブレット特徴量と Koopman 特徴量を連結（concatenation）して入力する試み。
  • 再構成分析: 支配的なモードから ECG 信号を近似再構成し、Koopman 演算子が波形の本質的なダイナミクスを捉えているか検証。
• ベースライン:
  • 生 ECG 波形を入力とした RNN 分類器。
  • 既存のウェーブレット＋トランスフォーマーモデル。

3. 主要な貢献 (Key Contributions)

1. Koopman 特徴量とトランスフォーマーの体系的評価: ECG 分類において、Koopman 演算子に基づく特徴量がどのように機能するかを初めて体系的に検証。
2. ウェーブレットベースラインとのベンチマーク: 二値分類ではウェーブレットが優位であることを示しつつ、多クラス分類では Koopman 特徴量の方が優れていることを明らかにした。
3. Koopman 特徴量抽出の最適化提案: 単なるハイブリッド化（連結）では性能が向上しないことを示し、代わりにEDMD のハイパーパラメータ（遅延埋め込み次元、RBF 中心数、カーネルバンド幅、スペクトル截断など）を調整した RBF 辞書の選択が、単独のウェーブレットシステムやハイブリッドシステムを上回る性能をもたらすことを実証した。

4. 実験結果 (Results)

MIMIC-IV-ECG データセットでのテスト結果（F1 スコア、平均±標準偏差）は以下の通りです。

手法	二値分類 (F1)	4 クラス分類 (F1)
ウェーブレット + トランスフォーマー	0.750 ± 0.02	0.700 ± 0.03
Koopman + トランスフォーマー (初期)	0.697 ± 0.01	0.771 ± 0.02
ハイブリッド (ウェーブレット + Koopman)	0.677 ± 0.01	0.533 ± 0.02
Koopman + トランスフォーマー (最適化後)	0.786 ± 0.01	0.764 ± 0.02
RNN ベースライン (生波形)	0.782 ± 0.01	0.700 ± 0.02

• 二値分類: ウェーブレット特徴量が良好な性能を示しましたが、パラメータ調整後の Koopman 特徴量（最適化後）が最も高い F1 スコア（0.786）を記録し、ウェーブレットを凌駕しました。
• 4 クラス分類: 初期の Koopman 手法はウェーブレットより優れていましたが、ハイブリッド化は逆に性能を大幅に低下させました（0.533）。最適化された Koopman 手法は 0.764 を達成し、多クラス分類において最も効果的でした。
• ハイブリッドの失敗: 単純な特徴量の連結は、重複する情報やノイズを導入し、性能を低下させることが判明しました。
• 再構成精度: 再構成された ECG 波形は元の波形とほぼ一致し（P 波、QRS 複合波、T 波の形状やタイミングが再現）、Koopman 演算子が心拍のダイナミクスを適切に捉えていることを示しました。

5. 意義と結論 (Significance and Conclusion)

• 力学系理論の応用: 非線形な ECG 信号をスペクトル領域（Koopman 固有値・固有関数）で捉えることで、トランスフォーマーが構造化された特徴を効果的に活用できることを実証しました。
• パラメータ調整の重要性: Koopman 手法の性能は辞書の選択（特に RBF 辞書）とハイパーパラメータの調整に敏感であり、適切なチューニングが不可欠であることが示されました。
• 解釈可能性: 再構成分析を通じて、学習されたダイナミクス（振動モードなど）を可視化でき、臨床的な解釈可能性の向上に寄与する可能性があります。
• 将来展望: このフレームワークは EEG や PPG などの他の生体信号への拡張、異なるデータセットでの汎化性評価、および臨床専門家による解釈性の検証へと発展させる余地があります。

総じて、本研究は「Koopman 演算子に基づく特徴学習とトランスフォーマーの組み合わせ」が、特に多クラス分類タスクにおいて、従来の深層学習アプローチや単純なハイブリッド手法を上回る可能性を秘めていることを示唆しています。