Effect of features extraction on improving LSTM network quality in ECG signal classification

• Autorzy: Kłosowski Grzegorz

Identyfikatory

DOI

10.15199/48.2020.12.41

Warianty tytułu

PL

Wpływ ekstrakcji cech na poprawę jakości sieci LSTM w klasyfikacji sygnału EKG

• Języki publikacji: EN

Abstrakty

EN

This article focuses on the extraction of features extracted from ECG measurement signals to improve the quality of LSTM network operation. Two features were distinguished from each individual sequence of ECG signals: instantaneous frequency (IF) and spectral entropy (SE). Both of these features are extracted from ECG signals using short-time Fourier transform. The applied approach enables the conversion of original measurement sequences into spectral images, from which IF and SE coefficients are then generated. As a result of the research, it was found that feature extraction significantly improves ECG signal classification both in terms of forecasting accuracy and in terms of network learning speed.

PL

W niniejszym artykule skupiono się na ekstrakcji cech wyodrębnionych z sygnałów pomiarowych EKG w celu poprawy jakości działania sieci LSTM. Z każdej indywidualnej sekwencji sygnałów EKG wyróżniono dwie cechy: częstotliwość chwilową (IF) i entropię widmową (SE). Obie te cechy są wyodrębniane z sygnałów EKG przy użyciu krótkotrwałej transformaty Fouriera. Zastosowane podejście umożliwia konwersję oryginalnych sekwencji pomiarowych na obrazy widmowe, z których następnie generowane są współczynniki IF i SE. W wyniku badań stwierdzono, że ekstrakcja cech znacząco poprawia klasyfikację sygnału EKG zarówno pod względem dokładności prognozowania, jak i szybkości uczenia się.

Słowa kluczowe

EN

ECG signal classification; artificial neural networks; machine learning; time series analysis

PL

klasyfikacja sygnału EKG; sztuczne sieci neuronowe; uczenie maszynowe; analiza szeregów czasowych

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2020
• Tom: R. 96, nr 12
• Strony: 194--197
• Opis fizyczny: Bibliogr. 28 poz., rys., tab.

Twórcy

autor

Kłosowski Grzegorz

• Lublin University of Technology, Nadbystrzycka 38A, Lublin, Poland

Bibliografia

• [1] Attia Z. I. et al., An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction, Lancet, 394 (2019), No. 10201, 861–867
• [2] Chen Y., Ota L. Yu, K., Dong M., Robust activity recognition for aging society, IEEE J. Biomed. Heal. Informatics, 22 (2018), No. 6, 1754–1764
• [3] Chen X. et al., IDiSC: A New Approach to IoT-Data-Intensive Service Components Deployment in Edge-Cloud-Hybrid System, IEEE Access, 7 (2019), 59172–59184
• [4] Gravina R., Alinia P., Ghasemzadeh H., Fortino G., Multisensor fusion in body sensor networks: State-of-the-art and research challenges, Inf. Fusion, 35 (2017), 1339–1351
• [5] Qiu H., Qiu M., Lu Z., Selective encryption on ECG data in body sensor network based on supervised machine learning, Inf. Fusion, 55 (2020), 59–67
• [6] Arsene C. T. C., Hankins R., Yin H., Deep learning models for denoising ECG signals, in European Signal Processing Conference, 2019, vol. 2019-September.
• [7] Mostayed A., Luo J., Shu X., Wee W., Classification of 12-Lead ECG Signals with Bi-directional LSTM Network, 05-Nov-2018. [Online]. Available: http://arxiv.org/abs/1811.02090. [Accessed: 02-Feb-2020]
• [8] Saadatnejad S., Oveisi M., Hashemi M., LSTM-Based ECG Classification for Continuous Monitoring on Personal Wearable Devices, IEEE J. Biomed. Heal. Informatics, pp. 1–1, May 2019
• [9] Filipowicz S.F., Rymarczyk T., The Shape Reconstruction of Unknown Objects for Inverse Problems, Przegląd Elektrotechniczny, 88 (2012), No 3A, 55-57
• [10] Rymarczyk T., Adamkiewicz P., Duda K., Szumowski J., Sikora J., New Electrical Tomographic Method to Determine Dampness in Historical Buildings, Archives of Electrical Engineering, 65 (2016), No 2, 273-283
• [11] Rymarczyk T., New Methods to Determine Moisture Areas by Electrical Impedance Tomography, International Journal of Applied Electromagnetics and Mechanics, 52 (2016), 79-87
• [12] Rymarczyk T., Using electrical impedance tomography to monitoring flood banks, International Journal of Applied Electromagnetics and Mechanics, 45 (2014), 489–494
• [13] Rymarczyk T, Kłosowski G., Innovative methods of neural reconstruction for tomographic images in maintenance of tank industrial reactors. Eksploatacja i Niezawodnosc – Maintenance and Reliability, 21 (2019); No. 2, 261–267
• [14] Rymarczyk T., Sikora J., Waleska B.: Coupled Boundary Element Method and Level Set Function for Solving Inverse Problem in EIT, 7th World Congress on Industrial Process Tomography, WCIPT7, 312-319, 2-5 September 2013, Krakow, Poland
• [15] Kłosowski G., Rymarczyk T., Kania K., Świć A., Cieplak T., Maintenance of industrial reactors based on deep learning driven ultrasound tomography, Eksploatacja i Niezawodnosc – Maintenance and Reliability; 22 (2020), No 1, 138–147
• [16] Grudzien, K.; Chaniecki, Z.; Romanowski, A.; Sankowski, D.; Nowakowski, J.; Niedostatkiewicz, M. Application of twin-plane ECT sensor for identification of the internal imperfections inside concrete beams. In Proceedings of the 2016 IEEE International Instrumentation and Measurement Technology Conference Proceedings, Taipei, Taiwan, 23–26 May 2016; 1–6
• [17] Romanowski, A. Big Data-Driven Contextual Processing Methods for Electrical Capacitance Tomography. IEEE Trans. Ind. Informatics, 15 (2019), 1609–1618
• [18] Szczesny, A.; Korzeniewska, E. Selection of the method for the earthing resistance measurement. Przegląd Elektrotechniczny, 94 (2018), 178–181
• [19] Galazka-Czarnecka, I.; Korzeniewska E., Czarnecki A. et al., Evaluation of Quality of Eggs from Hens Kept in Caged and Free-Range Systems Using Traditional Methods and Ultra- Weak Luminescence, Applied sciences-basel, 9 (2019), No. 12, 2430
• [20] Kosinski, T.; Obaid, M.; Wozniak, P.W.; Fjeld, M.; Kucharski, J. A fuzzy data-based model for Human-Robot Proxemics. In Proceedings of the 2016 25th IEEE International Symposium on Robot and Human Interactive Communication (RO-MAN), New York, NY, USA, 26–31 August 2016; 335–340
• [21] Fraczyk, A.; Kucharski, J. Surface temperature control of a rotating cylinder heated by moving inductors. Appl. Therm. Eng. 2017, 125, 767–779
• [22] Majchrowicz M., Kapusta P., Jackowska-Strumiłło L., Sankowski D., Acceleration of image reconstruction process in the electrical capacitance tomography 3d in heterogeneous, multi-gpu system, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska (IAPGOŚ) , 7 (2017), No. 1, 37-41
• [23] Goetzke-Pala A., Hoła A., Sadowski Ł., A non-destructive method of the evaluation of the moisture in saline brick walls using artificial neural networks. Archives of Civil and Mechanical Engineering, 18 (2018), No 4, 1729-1742
• [24] Kozłowski E., Mazurkiewicz D., Żabiński T., Prucnal S., Sęp J., Assessment model of cutting tool condition for real-time supervision system, Eksploatacja i Niezawodnosc – Maintenance and Reliability, 21 (2019); No 4, 679–685
• [25] Salem M., Taheri S., Yuan J. S., ECG Arrhythmia Classification Using Transfer Learning from 2- Dimensional Deep CNN Features, in 2018 IEEE Biomedical Circuits and Systems Conference, BioCAS 2018 - Proceedings, 2018
• [26] Zhao W. et al., Deep Learning Based Patient-Specific Classification of Arrhythmia on ECG signal, in Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, 2019, 1500–1503
• [27] Yildirim Ö., A novel wavelet sequences based on deep bidirectional LSTM network model for ECG signal classification, Comput. Biol. Med., 96 (2018), 189–202
• [28] Isasi I. et al., A Robust Machine Learning Architecture for a Reliable ECG Rhythm Analysis during CPR, in Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, 2019, 1903–1907

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).