Additional data preprocessing and feature extraction in automatic classification of heartbeats

• Autorzy: Tadejko P.

Warianty tytułu

PL

Dodatkowe przetwarzanie wstępne i ekstrakcja cech w procesie automatycznej klasyfikacji rytmu serca

• Języki publikacji: EN

Abstrakty

EN

The paper presents the classification performance of an automatic classifier of the electrocardiogram (ECG) for the detection abnormal beats with new concept of feature extraction stage. Feature sets were based on ECG morphology and RR-intervals. This paper compares two strategies for classification of annotated QRS complexes: based on original ECG morphology features and proposed new approach - based on preprocessed ECG morphology features. The mathematical morphology filtering and wavelet trans-form is used for the preprocessing of ECG signal. Within this framework, the problem of choosing an appropriate structuring element in mathematical morphology filtering in signal processing was studied. Configuration adopted a Kohonen self-organizing maps (SOM) and Support Vector Machine (SVM) for analysis of signal features and clustering. In this study, a classifiers was developed with LVQ and SVM algorithms using the data from the records recommended by ANSI/AAMI EC57 standard. The performance of the algorithm is evaluated on the MIT-BIH Arrhythmia Database following the AAMI recommendations. Using this method the results of identify beats either as normal or arrhythmias was improved.

PL

Artykuł prezentuje nowe podejście do problemu klasyfikacji zapisów ECG w celu detekcji zachowań chorobowych. Podstawą koncepcji fazy ekstrakcji cech jest proces przetwarzania wstępnego sygnału ECG z wykorzystaniem morfologii matematycznej oraz innych transformacji. Morfologia matematyczna bazując na teorii zbiorów, pozwala zmienić charakterystyczne elementy sygnału. Dwie podstawowe operacje: dylatacja i erozja pozwalają na uwydatnienie lub redukcję wielkości i kształtu określonych elementów w danych. Parametry charakterystyki zapisów ECG stanowią bazę dla wektora cech. Do klasyfikacji przebiegów ECG w pracy wykorzystano samoorganizujące się mapy (SOM) Kohonena z klasyfikatorem LVQ oraz algorytm Support Vector Machines (SVM). Eksperymenty przeprowadzono klasyfikując sygnały pomiędzy trzynaście kategorii rekomendowanych przez standard ANSI/AAMI EC57, to jest: prawidłowy rytm serca i 12 arytmii. Zaproponowany w artykule algorytm opiera się na wykorzystaniu elementarnych operacji morfologii matematycznej i ich kombinacji. Ocenę wyników eksperymentów przeprowadzono na sygnałach z bazy MIT/BIH. Na tej podstawie zaproponowano wyjściową architekturę bloku filtrów morfologicznych dla celów ekstrakcji cech oraz unifikacji wejściowego sygnału ECG jako danych wejściowych do budowy wektora cech.

Słowa kluczowe

EN

ECG; preprocessing; mathematical morphology; ECG filtering; wavelet approximation; feature extraction; heartbeat classification

PL

EKG; przetwarzanie wstępne; morfologia matematyczna; filtrowanie EKG; ekstrakcja cech; klasyfikacja rytmu serca

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Zeszyty Naukowe Politechniki Białostockiej. Informatyka
• Rocznik: 2007
• Tom: Z. 2
• Strony: 155--173
• Opis fizyczny: Bibliogr. 30 poz., rys., tab., wykr.

Twórcy

autor

Tadejko P.

• Politechnika Białostocka, Wydział Informatyki, Białystok

Bibliografia

• [1] Hu, Y.H., Palreddy, S., Tompkins, W.J.: A patient-adaptable ECG beat classifier using a mixture of experts approach, IEEE Transactions on Biomedical Engineering, Volume 44, Issue 9, pp. 891-900, 1997.
• [2] de Chazal, P., Reilly, R.B.: A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features, IEEE Transactions on Biomedical Engineering, Volume 53, Issue 12, pp. 2535-2543, 2006.
• [3] Zhang, Z.G., Jiang, H.Z., Ge, D.F., Xiang, X.J.: Pattern recognition of cardiac arrhythmias using scalar autoregressive modeling, Fifth World Congress on Intelligent Control and Automation WCICA, Volume 6, pp. 5545-5548, 2004.
• [4] Shyu, L.Y., Wu, Y.H., Hu, W.: Using wavelet transform and fuzzy neural network for VPC detection from the holter ECG, IEEE Transactions on Biomedical Engineering, Volume 51, Issue 7, pp.1269-1273, 2004.
• [5] de Chazal, P., O'Dwyer, M., Reilly, R.B.: Automatic classification of heartbeats using ECG morphology and heartbeat interval features, IEEE Transactions on Biomedical Engineering, Volume 51, Issue 7, pp. 1196-1206, 2004.
• [6] Mitra, S., Mitra, M., Chaudhuri, B.B.: A rough-set-based inference engine for ECG classification, IEEE Transactions on Instrumentation and Measurement, Volume 55, Issue 6, pp. 2198-2206, 2006.
• [7] Khadra, L., Al-Fahoum, A.S., Binajjaj, S.: A quantitative analysis approach for cardiac arrhythmia classification using higher order spectral techniques, IEEE Transactions on Biomedical Engineering, Volume 52, Issue 11, pp. 1840-1845, 2005.
• [8] Chu-Song, C., Ja-Ling, W., Yi-Ping, H.: Theoretical aspects of vertically invariant gray-level morphological operators and their application on adaptive signal and image filtering, IEEE Trans. on Signal Processing, Volume 47, no. 4, 1999.
• [9] Maragos, P., Schafer, R.W.: Morphological systems for multidimensional signal processing, Proceedings of the IEEE, Volume 78, no. 4, 1990.
• [10] Maragos, P., Schafer, R.W.: Morphological filters-part I: Their set-theoretic analysis and relations to linear shift-invariant filters, IEEE Trans. On Acoustic, Speech and Signal Processing, Volume ASSP-35, no. 8, 1987.
• [11] Maragos, P.: Morphological Signal and Image Processing, CRC Press, 2000.
• [12] Serra, I.: Image Analysis and Mathematical Morphology, New York Academic, 1982.
• [13] Köhler, B-U., Hennig, C., Orglmeister, R.: The Principles of Software QRS Detection, IEEE Engineering in Medicine and Biology, 2002.
• [14] Kohonen, T.: Self-organizing Maps, Springer-Verlag, 1995.
• [15] Kohonen, T., Hynninen, J., Kangas, J., Laaksonen, J.: SOM_PAK - The Self-organizing Map Program Package, 1995.
• [16] Kivimoto, K.: Topology Preservation in SOM, Proc. of International Conference on Neural NetWorks. Washington, DC, Volume 1, pp. 294-300, 1996.
• [17] Harvard-MIT Division of Health Sciences and Technology, MIT/BIH Arrhythmia Database: The MIT/BIH arrhythmia database CD-ROM, [http://www.physionet.org/physiobank/database/mitdb/], 1992.
• [18] Tadejko, P., Rakowski, W.: Matlab Simulink in modeling morphological filters for electrocardiogram signal processing, Simulation in Research and Expansion, XIII Science Work-shop, PTSK, 2005.
• [19] Piekarski, K., Tadejko, P., Rakowski, W.: Properties of Morphological Operators Applied to Analysis of ECG Signals, Biometrics, Computer Security Systems and Artificial Intelligence Applications, Springer US, p. 279-288, 2006.
• [20] Mark, R., Wallen, R.: AAMI-recommended practice: Testing and reporting performance results of ventricular arrhythmia detection algorithms, Association for the Advancement of Medical Instrumentation, Arrhythmia Monitoring Subcommittee, AAMI ECAR, 1987.
• [21] J. Vesanto, J. Himberg, E. Alhoniemi, J. Parhankangas, SOM Toolbox for Matlab, Som Toolbox Team, Helsinki University of Technology, Finland, http://www.cis.hut.fi/projects/somtoolbox/ ver. 2, 2007
• [22] T. Kohonen, J. Kangas, J. Laaksonen, K. Torkkola, LVQ_PAK: A program package for the correct application of Learning Vector Quantization algorithms, In Proceedings of the International Joint Conference on Neural Networks, Baltimore, IEEE, vol. 1, pp. 725-730, 1992
• [23] M. Lagerholm, C. Peterson, G. Braccini, L. Edenbrandt, L. Sornmo, Clustering ECG complexes using Hermite functions and self-organizing maps, IEEE Trans. on Biomed. Eng., vol. 47, pp. 838-848, 2000
• [24] I. Daubechies, Ten lectures on wavelets, In: SIAM CBMS–NSF Regional Conference Series in Applied Mathematics, 1992.
• [25] S. Mallat, A theory for multiresolution signal decomposition: The wavelet representation, IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 11, pp. 674-693, 1989.
• [26] C. Cortes, V. Vapnik, Support vector machines, Machine Learning, vol. 20, pp. 273-297, 1995
• [27] C.J.C. Burges, A Tutorial on Support Vector Machines for Pattern Recognition, Data Mining and Knowledge Discovery, vol. 2, pp. 121-167, 1998
• [28] S. Osowski, L.T. Hoai, T. Markiewicz, Support vector machine-based expert system for reliable heartbeat recognition, IEEE Trans. on Biomed. Eng., vol. 51, pp. 582-589, 2004
• [29] I.H. Witten, E. Frank, Data Mining: Practical machine learning tools and technique, 2nd Edition, Morgan Kaufmann, San Francisco, 2005
• [30] O. Zhao, L. Zhang, ECG Feature Extraction and Classification Using Wavelet Transform and Support Vector Machines, International Conference on Neural Networks and Brain, ICNN&B, vol.2, pp. 1089-1092, 2005