Classical versus deep learning methods for anomaly detection in ECG using wavelet transformation

• Autorzy: Osowski Stanislaw , Gołgowski Maciej

Identyfikatory

DOI

10.15199/48.2021.06.13

Warianty tytułu

PL

Porównanie metod klasycznych i uczenia głębokiego w problemie wykrywania zaburzeń ECG wykorzystując analizę falkową

• Języki publikacji: EN

Abstrakty

EN

The paper describes and compares two forms of wavelet transformation: discrete (DWT) and continuous (CWT) in the analysis of electrocardiograms (ECG) to detect the anomaly. The anomalies have been limited to two types: cardiac and congestive heart failure. Two independent approaches to the problem have been considered. One is based on discrete wavelet transformation and feature generation based on statistical parameters of the results of the transformed ECG signals. These descriptors, after selection, are delivered as the input attributes to different classifiers. The second approach applies continuous wavelet transformation of ECG signals and the resulting two-dimensional image formed in time-frequency dimensions represents the input to the convolutional neural network, which is responsible for the generation of the diagnostic features and final classification. The experiments have been performed on the publically available database Complex Physiologic Signals PhysioNet. The calculations have been done in Python. The results of both approaches: DWT and CWT have been discussed and compared.

PL

Artykuł predstawia dwa podejścia do wykrywania anomalii w sygnalach ECG. Jako anomalie rozważane są: arytmia i zastoinowa niewydolność serca. Podstawą analizy jest sygnał ECG poddany transformacji falkowej w dwu postaciach: transformacja dyskretna oraz transformacja ciągła. W przypadku transformacji dyskretnej sygnał ECG poddany jest dekompozycji falkowej na kilku poziomach a wyniki tej dekompozycji (sygnały szczegółowe i sygnał aproksymacyjny ostatniego poziomu) podlegają opisowi statystycznemu tworząc zbiór deskryptorów numerycznych – potencjalnych cech diagnostycznych. Po przeprowadzonej selekcji stanowią one atrybuty wejściowe dla zespołu 9 klasyfikatorów. W drugim podejściu sygnał ECG jest poddany ciągłej transformacji falkowej generując dwuwymiarową macierz w postaci obrazu. Zbiór takich obrazów podawany jest na wejście głębokiej sieci neuronowej CNN, która w jednej strukturze dokonuje jednocześnie generacji cech diagnostycznych i klasyfikacji. Eksperymenty numeryczne przeprowadzone zostały na ogólnie dostępnej bazie danych Complex Physiologic Signals PhysioNet. Wyniki eksperymentów wykazały przewagę podejścia wykorzystujacego dyskretną transformację falkową.

Słowa kluczowe

EN

anomaly detection; wavelet transform; diagnostic features of ECG; classification; CNN

PL

wykrywanie anomalii; transformacja falkowa; cechy diagnostyczne EKG; CNN

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2021
• Tom: R. 97, nr 6
• Strony: 72--76
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Osowski Stanislaw

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, 00-661 Warszawa, Koszykowa 75 oraz Wojskowa Akademia Techniczna, Instytut Systemów Elektronicznych, 00-908 Warszawa, Kaliskiego 2

autor

Gołgowski Maciej

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, 00-661 Warszawa, Koszykowa 75 oraz Wojskowa Akademia Techniczna, Instytut Systemów Elektronicznych, 00-908 Warszawa, Kaliskiego 2v

Bibliografia

• [1] Singh R., Mehta R., Rajpal N., Efficient wavelet families for ECG classification using neural classifiers, Procedia Computer Science, vol. 132. Pp. 11-21, 2018
• [2] Rai H. M., Trivedi A., Shukla S., ECG signal processing for abnormalities detection using multi-resolution wavelet transform and Artificial Neural Network classifier, Measurement, vol. 46, 3238-3246, 2013
• [3] Patil D. D., Singh R. P., ECG classification using wavelet transform and wavelet network classifier, Artificial Intelligence and Evolutionary Computations in Engineering Systems, vol. 668, pp 289-303, 2018
• [4] Arumugam M., Sangaiah A. K., Arrhythmia identification and classification using wavelet centered methodology in ECG signals, Concurrency and Computation, Practice and Experience, 2019, http,//doi.org/10.1002/cpe.5553
• [5] Lenis G., Pilia N., Loewe A., Schulze W. H., Dössel O., Comparison of Baseline Wander Removal Techniques considering the Preservation of ST Changes in the Ischemic ECG, A Simulation Study, Comput. & Mathematical Methods in Medicine, vol. 2017, https,//doi.org/10.1155/2017/9295029
• [6] PhysioNet - The Research Resource for Complex Physiologic Signals, https,//physionet.org/
• [7] Zheng B. Murugappan S., Frequency Band Analysis of Electrocardiogram (ECG) Signals for Human Emotional State Classification Using Discrete Wavelet Transform (DWT), J. Phys. Ther. Sci.., vol. 25, No 7, pp. 753–759, 2013
• [8] Daubechies I., Ten lectures on wavelets, SIAM, Philadelphia, 1992
• [9] S. Mallat, A Wavelet Tour of Signal Processing: The Sparse Way, Academic Press, London, 2011.
• [10] Teolis A., Computational signal processing with wavelets, Springer Science& Business Media,2012
• [11] Matlab user manual, MathWorks, 2020, Natick, USA.
• [12] Llamedo M., Martınez J. P., Heartbeat classification using feature selection driven by database generalization criteria, IEEE Trans. Biomedical Eng., vol. 58, No 3, pp.616-25, 2011
• [13] Tan P. N., Steinbach M., Kumar V., Introduction to data mining, 2014, Pearson Education Inc., Boston
• [14] Bulmer M. G., Principles of statistics, Courier Corporation, 2012
• [15] Breiman L., Random forests, Machine Learning, vol. 45, No 11, pp. 5–32, 2001
• [16] Osowski S., Sieci neuronowe do przetwarzania informacji, OWPW, 2020, Warszawa
• [17] Goodfellow I., Bengio Y., Courville A, Deep learning, MIT Press, Massachusetts, 2016
• [18] Chollet F., Deep Learning with Python, Manning Publications Co. 2017
• [19] Golgowski M., Osowski S., Anomaly detection in ECG using wavelet transformation, Int. on-line Conf. Computational Problems of Electrical Engineering, Warsaw, 2020, doi: 10.1109/CPEE50798.2020.9238709

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).