Klasyfikacja sygnału EKG przy użyciu konwolucyjnych sieci neuronowych

• Autorzy: Ogryczak Maria

Identyfikatory

DOI

10.32016/1.71.08

Warianty tytułu

EN

ECG signal classification using convolutional neural networks

• Konferencja: Zastosowanie komputerów w nauce i technice 2020 (XXX ; 2020 ; Gdańsk ; Polska)
• Języki publikacji: PL

Abstrakty

PL

Podniesienie jakości i zautomatyzowanie procesu diagnozy jest istotnym elementem rozwoju medycyny i samokontroli stanu zdrowia pacjentów. Od dłuższego czasu istnieją i są stosowane różne metody analizy i klasyfikacji sygnału EKG, jednak nie zawsze ich dokładność jest zadowalająca. Największym problemem jest trudność rozpoznania istniejącej nieprawidłowości, w przypadku gdy jej reprezentacja jest podobna do prawidłowej pracy serca np. przedwczesny skurcz komorowy. W ostatnich latach obserwujemy dynamiczny rozwój nowego narzędzia z rodziny metod sztucznej inteligencji - głębokich sieci neuronowych. Cechuje je duża selektywność klasyfikacji nawet najbardziej skomplikowanych sygnałów w postaci szeregów czasowych czy obrazów, często na podstawie cech niezauważalnych dla ludzkiego oka. W niniejszym artykule przedstawiono sposób analizy zarejestrowanego sygnału elektrycznej czynności mięśnia sercowego (EKG), na podstawie pojedynczego, wyodrębnionego cyklu pracy serca. Celem badania było zdiagnozowanie sześciu różnych typów ewolucji mogących świadczyć o występowaniu arytmii. Badania przeprowadzono z wykorzystaniem ogólnodostępnej bazy danych MIT-BIH Arrhythmia Database. W celu podniesienia jakości ekstrakcji cech analizowanego sygnału, dokonano jego dekompozycji czasowo-przestrzennej przy wykorzystaniu transformacji falkowej. W rezultacie uzyskano zadowalające wyniki klasyfikacji: dokładność 92,4% i swoistość (zdolność do wykrycia braku cechy) 96,5%. Osiągnięte wyniki potwierdzają skuteczność systemu automatycznej klasyfikacji cyklów pracy serca, mogącego wspomóc lekarzy w procesie żmudnej analizy dużej liczby zarejestrowanych danych.

EN

Automation and improvement of diagnostic process is a vital element of medicine development and patient’s condition self-control. For a long time different ECG signal classification methods exist and are successfully applied, nevertheless their accuracy is not always satisfying enough. The lack of identification of an existing abnormality, which is very similar to a normal heartbeat is the biggest issue - for example premature ventricular contraction. Over the past few years there was a rapid development of an artificial intelligence tool - deep neural networks. They characterise by a high classification ability even the most complicated patterns in the form of time series or images, often based on features unnoticeable for human eye. In this paper the approach to electrocardiography (ECG) analysis was presented, taking into consideration a single heartbeat. The aim of this research was diagnosis of six different types of beat that may indicate arrhythmia occurrence. The study were performed on the public database MIT-BIH Arrhythmia Database. In order to enhance feature extraction quality of the analysed signal the time-space decomposition was made using wavelet transform. The satisfying performance with 92.4% accuracy and 96.5% specificity were accomplished. The achieved results may be used to develop an automatic heartbeat classification system that would significantly contribute medicians in the arduous process of data analysis.

Słowa kluczowe

PL

EKG; arytmia; uczenie głębokie; konwolucyjne sieci neuronowe

EN

ECG; arrhythmia; deep learning; convolutional neural networks

• Wydawca: Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
• Rocznik: 2020
• Tom: Nr 71
• Strony: 51--54
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Ogryczak Maria

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki

Bibliografia

• 1. Ogryczak M.: Klasyfikacja sygnału EKG przy użyciu głębokich sieci neuronowych, praca magisterska, Warszawa: Politechnika Warszawska, 2019.
• 2. Kachuee M., Fazeli S., Sarrafzadeh M.: ECG Heartbeat Classification: A Deep Transferable Representation, 2018 IEEE international conference on healthcare informatics (ICHI), Nowy Jork, 2018.
• 3. Jose da S., Luz E., Schwartz W., Camara-Chavez G., Menotti D.: ECG-based heartbeat classification for arrhythmia detection: a survey, Computer Methods and Programs in Biomedicine, vol.127, 2016, pp. 144-164.
• 4. Haddadi R., Abdelmounim E., El Hanine M.: Discrete Wavelet Transform Based Algorithm for Recognition of QRS Complexes, World of Computer Science and Information Technology Journal, vol. 4, nr 9, 2014, pp. 127-132.
• 5. Goodfellow I., Bengio Y., Courville A.: Deep Learning, MIT Press, 2016.
• 6. Goldberger A., Amaral L., Glass L., Hausdorff J., Ivanov P., Mark R., Mietus J., Moody G., Peng C.-K., Stanley H.: PhysioBank, [Online]. Available: Circulation Electronic Pages; http://circ.ahajournals.org/content/101/23/e215.full [Data uzyskania dostępu: 2019 06 25].
• 7. Celesti F., Celesti A., Carnevale L., Galletta A., Campo S., Romano A., Bramanti P., Villari M.: Big data analytics in genomics: the point on deep learning solutions, New York, 2017.
• 8. Białasiewicz J. T.: Falki i aproksymacje, Wydawnictwo Naukowo-Techniczne, 2000.
• 9. Berkowski P., Transformata falkowa, [Online]. https://iel.pl/uploads/PL/PL_3_Nasza_Oferta/3_Działalnosc_Naukowa/5_Studia%20doktoranckie/wykłady/wyklad_falki.pdf [Data uzyskania dostępu: 21 05 2019].
• 10. Alfaras M., Soriano M., Ortin S.: A Fast Machine Learning Model for ECG-Based Heartbeat Classification and Arrhythmia Detection, Front. Phys., 18 07 2019.
• 11. Alarsan F., Younes M.: Analysis and classification of heart diseases using heartbeat features and machine learning algorithms, Journal of Big Data, 31 08 2019.
• 12. Acharya U., Lih Oh S., Hagiwara Y., Hong Ten J., Adam M., Gertych A., San Tan R.: A deep convolutional neural network model to classify heartbeats, vol. 89, 2017, pp. 389-396.

Uwagi

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