Robust ECG Classification under Patient-Wise Evaluation: A Study of Dynamical and Deep Representations

Motivation

• Known: deep CNN 및 transformer 기반 모델은 ECG 분류에서 강력한 성능을 보이지만 주로 random split 기반 표준 평가에서 검증되었으며, wavelet 등 handcrafted time-frequency feature는 해석 가능하지만 local morphological pattern만 포착하고 global temporal dynamics를 모델링하지 못한다는 것이 알려져 있다.
• Gap: 기존 연구들은 random split 평가로 인해 patient-specific 정보가 train/test 간에 leakage되어 과도하게 낙관적인 성능 추정을 낳을 수 있음에도, 엄격한 patient-wise LOSO 평가 하에서 dynamical representation(Koopman)과 deep representation의 강건성(robustness)을 체계적으로 비교한 연구가 부족하다.
• Why: 임상 배치를 목표로 하는 ECG 분류 모델은 새로운 환자에 대한 cross-patient generalization이 필수적이며, evaluation protocol의 선택이 모델의 실제 임상 유용성 평가를 좌우하므로 이 연구는 robust clinical AI 설계 원칙에 실질적인 시사점을 제공한다.
• Approach: Koopman operator theory(EDMD)를 이용해 ECG의 global temporal 구조를 포착하는 dynamical feature를 추출하고, 이를 wavelet feature 및 raw ECG를 입력으로 하는 deep CNN/transformer representation과 개별적으로, 그리고 feature fusion을 통해 결합하여 strict patient-wise LOSO 프로토콜 하에서 비교 평가한다.

Achievement

Figure 2. Distribution of Macro F1 scores across LOSO folds for different representation strategies. Deep models achieve

1. Patient-wise 평가 프레임워크 구축: Koopman, wavelet, deep representation을 동일한 조건에서 비교할 수 있는 통제된 LOSO 평가 파이프라인을 제시하여 patient-level leakage를 제거했다.
2. Deep model의 강건성 한계 규명: deep architecture가 patient-wise 평가에서도 강한 예측 성능을 보이지만 환자 간 변동성에 민감하여 robustness가 낮음을 정량적으로 보였다.
3. Koopman representation의 안정성 입증: Koopman 기반 feature는 standalone 성능은 낮지만 LOSO fold 전반에서 더 안정적인 Macro F1 분포를 보여 global temporal structure 포착의 유효성을 확인했다.
4. Hybrid representation의 상호보완성 확인: Koopman feature와 deep CNN을 결합한 hybrid 모델이 순수 deep model보다 일관되게 향상된 robustness를 보여, 구조적 inductive bias와 data-driven 학습의 상호보완성을 실증했다.

How

Figure 1. Overview of the proposed representation framework for ECG classification under patient-wise Leave-One-Subject-

• 다채널 ECG 신호에서 time-shifted snapshot matrix X0, X1을 구성하고 EDMD 알고리즘으로 유한차원 근사 Koopman 행렬 K를 추정하여 dominant eigenvalue 및 operator statistics를 feature로 추출.
• 각 ECG 채널에 대해 discrete wavelet transform을 적용하고 scale별 평균, 분산, 에너지 등 요약 통계를 wavelet feature로 사용.
• raw ECG waveform을 입력으로 하는 CNN 및 transformer encoder를 강력한 deep baseline으로 사용.
• Koopman feature를 wavelet 또는 deep representation과 feature concatenation을 통해 결합한 후 classifier에 입력하는 feature fusion 전략을 적용.
• 모든 representation을 strict patient-wise Leave-One-Subject-Out(LOSO) 프로토콜로 평가하여 Macro F1 score의 fold별 분포를 비교.
• 다중 라벨 특성을 가진 ECG 진단을 keyword mapping 기반 simplified single-label formulation으로 추상화하여 통제되고 재현 가능한 비교를 수행.

Originality

• Koopman operator 이론 기반 dynamical representation을 ECG 분류에 적용하고, 이를 wavelet 및 deep representation과 함께 동일한 strict patient-wise LOSO 프로토콜 하에서 체계적으로 비교한 최초의 통제 실험 설계.
• 새로운 아키텍처를 제안하는 대신 representation 전략 자체의 강건성-성능 trade-off를 분석하는 데 초점을 맞춘 실험적 접근.
• dynamical constraint와 deep architecture를 결합하는 hybrid feature fusion을 통해 구조적 inductive bias가 순수 data-driven 모델이 놓치는 정보를 포착함을 실증적으로 제시.
• 평가 프로토콜(random split vs. patient-wise LOSO) 자체의 중요성을 강조하며, 임상 AI 평가 방법론에 대한 메타적 논의를 결합.

Limitation & Further Study

• Learned observable mapping(비선형 observable 학습)을 평가하지 않고 고정된 EDMD 기반 Koopman 근사만 사용하여 표현력의 한계가 있을 수 있음.
• 다중 라벨의 본질을 가진 ECG 진단을 keyword mapping 기반 single-label로 단순화하여 실제 임상 복잡성을 충분히 반영하지 못할 가능성이 있음.
• ECG-JEPA, ECG-Founder와 같은 대규모 self-supervised foundation model과의 비교가 이루어지지 않아 최신 기법 대비 상대적 위치가 불명확함.
• 실험이 단일(혹은 제한된) 데이터셋과 특정 모델 구성에 한정되어 있을 가능성이 있어 결과의 일반화 가능성에 대한 추가 검증이 필요함.
• 후속 연구로 learned Koopman observable, foundation model과의 통합, 더 정교한 multi-label 설정에서의 hybrid representation 검증이 제안됨.

Evaluation

총평: 새로운 모델을 제안하기보다 evaluation protocol과 representation 선택이 ECG 분류의 임상적 신뢰성에 미치는 영향을 체계적으로 분석한 실증 연구로서 의미가 있으나, 워크숍 페이퍼 수준의 제한된 실험 범위와 foundation model 비교 부재는 아쉬운 점이다.