Comparacion de metodos de clasificacion

Comparacion de metodos de clasificación de arritmias cardiacas Gonzalo Jiménez Pinto Estudiante de Maestría en Ciencias de la Información y las Comunicaciones Universidad Distrital Francisco José de Caldas.

Resumen

1. Introducción

La detección del complejo QRS es un paso previo al tratamiento de la señal ECG, del cual también hace parte la clasificación. El propósito de este trabajo es hacer una comparación del uso de dos métodos usados con este propósito. Las redes neuronales y lógica difusa en la detección de arritmias cardiacas. Se revisaron documentos relacionados con las técnicas aplicadas para el análisis de diferentes tipos de ritmo cardiaco (sujetos con ritmo sinusal normal, y sujetos con arritmias), con el fin de observar las herramientas matemáticas y métodos que permiten la clasificación señal ECG para su posterior análisis y clasificación.

Algunas de las enfermedades que más cobran vidas hoy día son las que tienen que ver con los problemas cardiacos y especialmente con arritmias cardiacas. Estas se presentan en todas las edades; es por eso que el ciclo cardiaco se viene estudiando desde aproximadamente cuarenta años. Los estudios buscan caracterizar las señales electrocardiográficas que presentan patologías a fin de poder comparar las presentadas con cualquier paciente y así permitir un diagnostico temprano; esto también lleva al desarrollo de dispositivos equipados con software que ayudan al médico en la detección de dichas arritmias. Con este objetivo se han planteado diferentes métodos para la caracterización y extracción de las características principales de las señales ECG. En este trabajo con este propósito se hace uso de la transformada Wavelet [1], en donde se descarta únicamente la porción de los detalles que exceden cierto límite, para luego reconstruir las señales empleando wavelet inversa. Una vez caracterizadas las señales se procede a su clasificación en muchos casos se propone el uso de redes neuronales como en [2] o se plantea el uso de otros métodos como en [1] basados en maquinas vectoriales o en [3]usando lógica difusa para este propósito. El objetivo de este trabajo es comparar lo realizado en trabajos anteriores basándose en el uso de Transformada Wavelet para la caracterización de las señales y el uso de diferentes formas de clasificación de las señales estudiadas, específicamente redes neuronales y lógica difusa.

Palabras clave: clasificadores, detección de arritmias, ECG, wavelet.

Comparison of methods for classification of cardiac arrhythmias Abstract QRS detection is a preliminary step to the processing of the ECG signal, which is also part classification. The purpose of this paper is to compare the use of two methods used for this purpose. Neural networks and fuzzy logic to detect cardiac arrhythmias. We reviewed documents related to the techniques used to analyze different types of heart rhythm (patients with normal sinus rhythm, and patients with arrhythmias), in order to observe the mathematical tools and methods for ECG signal classification for analysis and classification. Key words: classification, arrhythmia detection, ECG, wavelet.

2. Descripción de las ondas componentes del ECG. Siendo el objetivo de este trabajo mostrar lo realizado sobre el estudio de las señales del ciclo cardiaco, es importante hacer una descripción de las características de una señal 1

(Electro Cardio Grama) ECG. Las distancias entre las ondas se denominan intervalos mientras que las porciones de ECG que aparecen entre las deflexiones se denominan segmentos

Fig. 1. Señal cardiaca con sus componentes Fig. 2. Imagen de corazón y sus partes[4]

En un periodo del ciclo cardiaco tomado a un individuo sano está compuesto de una onda P, un complejo QRS, una onda T y una onda U. La onda P representa la despolarización de la aurícula. Un aumento del voltaje de esta onda indica una anomalía auricular. Su duración normal es de 0,1s. El complejo QRS representa la despolarización de los ventrículos, lo que es consecuencia de la contracción o sístole ventricular. Está formado por ondas Q, R, S, su duración aproximada es de 100ms. La onda T es consecuencia de la re polarización de los ventrículos (relajación o diástole ventricular). La onda T normal es simétrica en sus ramas

4. Transformada Wavelet Un factor importante dentro del análisis y tratamiento de la señal cardiaca es la identificación y caracterización del complejo QRS, con el fin de utilizarlo como referencia para la toma de otras mediciones. En el diseño de detectores se han empleado varias técnicas, como la de utilizar la transformada wavelet a partir de la primera derivada de una función suavizante, para realzar la relación señal a ruido de la señal. Esto permite descartar la porción de la señal que excede ciertos límites para luego reconstruir las señales empleando la transformada inversa. Por otra parte se muestra como la Wavelet de Harr [5] es apropiada para detectar puntos de inflexión y discontinuidades de las señales, además muestra una morfología muy simple. Una vez establecidos los puntos característicos de la señal se procede a la clasificación de dichas características con el fin de identificar y relacionar las mismas con una patología. Para esto se recurre a herramientas como son algoritmos basados en redes neuronales.

3. Arritmias Antes de mostrar lo que se ha hecho sobre este tema es pertinente definir lo que es una arritmia, esto con el fin de entender la magnitud de este tipo de enfermedad. Las arritmias son variaciones irregulares de los latidos cardiacos. Estas variaciones se pueden clasificar, en dos categorías: ventriculares y supra ventriculares. Las arritmias ventriculares se producen en las cavidades inferiores del corazón, denominadas ventrículos. Las arritmias supra ventriculares se producen en la zona que se encuentra encima de los ventrículos, generalmente en las aurículas, que son las cavidades superiores del corazón. Los latidos irregulares pueden ser demasiado lentos (bradicardia) o demasiado rápidos (taquicardia).

Fig. 3 árbol jerárquico de descomposición de coeficientes wavelet

La detección fiable de arritmias constituyen un gran desafío para un sistema de diagnostico cardiovascular. Debido a esto muchas de 2

las investigaciones en este tema se enfoca en el desarrollo de algoritmos para la detección y clasificación de de las diferentes arritmias cardiacas. Una de las herramientas más usadas son las redes neuronales (RNA). Lo que se busca con estos estudios el desarrollo de métodos que permitan la detección de este tipo de patologías de manera confiable que permita un tratamiento temprano.

con poca capacidad de discriminación, los resultados de la clasificación no serán claros. Dentro de las trasformaciones usadas con este propósito se hace referencia a la Transformada Wavelet, el uso de la transformada de Hilbert [6], con muy buenos resultados en la detección de las componentes principales como lo son el complejo QRS de la señal, la Transformada de Fourier, el análisis estadístico multivariante. Este es un análisis aprovecha el hecho de que algunas variables actúan de una manera relacionada bajo un mismo principio fundamental. Dentro de los tipos de análisis multivariante están: análisis de componentes independientes, análisis de componentes principales, análisis multivariante de la varianza, Modelos ocultos de Markov. El método de componentes principales[7] consiste en una base que maximice la varianza entre los datos proyectados sobre esta. El conjunto de de las nuevas variables que de esto se generan son denominadas componentes principales del sistema. Cada una de las componentes principales es una combinación lineal de las variables originales que además es ortogonal al resto de componentes, así se elimina cualquier tipo de redundancia. Las componentes principales conforman una base ortogonal del conjunto de datos analizados (vectores Propios) y vienen ponderadas por un factor de peso dependiendo de su importancia en el estado final. La reducción del número de componentes principales, hace que se tengan altos porcentajes de varianza, de esta manera se elimina una gran cantidad de información redundante, todo esto facilita la interpretación de la información. Por otra parte se propone en[8] el uso de la (UTW) para la reducción de ruido pero con la desventaja del alto costo computacional.

5. Materiales y métodos Las señales utilizadas por los diferentes investigadores provienen de bases de datos de señales fisiológicas, siendo la más utilizada la base de datos MIT-BIH compuesta de un archivo de cabecera, un archivo de señal y un archivo de notaciones. Desde 1975 los laboratorios en Beth Israel Hospital de Boston (ahora conocido como Beth Israel Deaconess Medical Center) y en el MIT han apoyado la investigación en análisis de la arritmia y disciplinas relacionadas. Uno de los primeros productos de este esfuerzo fue la base de datos MIT-BIH, se termino y empezó a distribuir en 1980. La base MIT- BIH contiene 48 registros de media hora de grabaciones de dos canales de ECG ambulatorio, tomado de 47 sujetos estudiados por el laboratorio de de arritmias de Bosnia y Herzegovina entre 1975 y 1979. Una vez recolectadas las señales se debe establecer un método de extracción de las características de cada señal. El algoritmo que se propone se puede observar en la figura 4.

extraccion de caracteristicas

normalizacion

clasificacion

7. Normalización. Una vez extraídas las características de las señales es necesaria la normalización para colocar todos los valores de las muestras en un mismo nivel[9] para esto una de las funciones utilizadas es la función tansing que se describe a continuación.

Fig. 4. Diagrama de flujo de proceso de la señal ECG.

6. Reducción de las características La selección o reducción de características, se realiza a fin de extraer de los datos el menor número de características que proporcione la mayor cantidad de información y que además permita discriminar los datos en la fase de clasificación. Si se seleccionan características

(1)

3

Donde y son respectivamente la media y la varianza de los vectores componentes de las características de la señal. El rango de normalización de esta función está entre [1, 1].

vo para la detección de anomalías en la señal ECG presentes en un paciente durante le sueño.

8. Reducción de la dimensionalidad

El número de víctimas de muerte súbita cardiaca es elevado y las causas más comunes de la (SCD) son la arritmia cardiaca, la taquicardia ventricular (VT) y la fibrilación ventricular (VF).

Conclusiones

Para tener un manejo adecuado de la información es necesario reducir o limitar la dimensión de la muestra, por esto se escoge la mínima cantidad que sea más representativa.

Una comparación de diferentes familias de wavelets aplicadas a diferentes señales arroja como resultado que una sola familia no produce los resultados óptimos a la hora de extraer las características de las señales[7]. Uno de los problemas presentes a la hora de procesar las señales es la capacidad computacional y por esto se hace necesario el estudio de métodos que permita la reducción de los procesos computacionales, tanto en la extracción de las características como en la clasificación. También se observa que uno de los problemas en esta en la portabilidad de los equipos que permitan un diagnostico en tiempo real; para solucionar esto se propone por ejemplo en [17] métodos de transmisión de datos de manera selectiva (solo datos con anormalidades) de tal modo que la carga computacional sea baja, en comparación con otras soluciones.

9. Clasificación de arritmias Una vez lograda la extracción de las características principales de la señal, un paso importante es la clasificación a fin de que puedan ser usados los datos para la detección de las patologías de manera automática. Una de las herramientas más usadas son las redes neuronales [10] ya que como se muestra en [11] una red robusta ayuda a reducir el ruido en la clasificación. En [12] se presenta el uso del algoritmo backpropagation para la clasificación entre señales normales y anormales. En [13]y en [10] se usa el perceptrón multicapa como clasificador para fibrilación atrial.

Referencias bibliográficas [1]

Fig. 5. Arquitectura del perceptron multicapa.

Por otra parte se muestran métodos diferentes como el K NN [9], o método de los vecinos más cercanos, basado en la semejanza de las características entre un dato escogido y los datos que estén más cerca a esas características. En [14] se presenta el uso de algoritmos evolutivos para la clasificación de las arritmias, con el fin de usarla en dispositivos móviles como celulares. También en [15] se plantea el uso de arboles de decisión. Otra alternativa es la combinación de diferentes herramientas como en [16], en donde se utiliza un red neuronal y un sistema auto regresi-

[2]

[3] 4

H. H. Namarvar and A. V. Shahidi, "Cardiac arrhythmias predictive detection methods with wavelet-SVD analysis and support vector machines," in Engineering in Medicine and Biology Society, 2004. IEMBS '04. 26th Annual International Conference of the IEEE, 2004, pp. 365-368. L. Chia-Hung, et al., "Fractal features for cardiac arrhythmias recognition using neural network based classifier," in Networking, Sensing and Control, 2009. ICNSC '09. International Conference on, 2009, pp. 930935. F. M. Ham and H. Soowhan,

[4]

[5]

[6]

[7]

[8]

[9]

[10]

"Classification of cardiac arrhythmias using fuzzy ARTMAP," Biomedical Engineering, IEEE Transactions on, vol. 43, pp. 425-429, 1996. E. Cuestas, et al., "Análisis sobre la variabilidad de la frecuencia cardíaca: un nuevo enfoque en la metodología de la investigación clínica de la sepsis neonatal," Archivos argentinos de pediatría, vol. 109, pp. 333-338, 2011. J. C. Hsieh, et al., "Detecting ECG characteristic points by novel hybrid wavelet transforms: an evaluation of clinical SCPECG database," in Computers in Cardiology, 2005, 2005, pp. 751754. S. K. Mukhopadhyay, et al., "Time plane ECG feature extraction using Hilbert transform, variable threshold and slope reversal approach," in Communication and Industrial Application (ICCIA), 2011 International Conference on, 2011, pp. 1-4. L. Senhadji, et al., "Comparing wavelet transforms for recognizing cardiac patterns," Engineering in Medicine and Biology Magazine, IEEE, vol. 14, pp. 167-173, 1995. N. Akshay, et al., "ECG noise removal and QRS complex detection using UWT," in Electronics and Information Engineering (ICEIE), 2010 International Conference On, 2010, pp. V2-438-V2-442. F. A. Afsar, et al., "A pruned fuzzy k-nearest neighbor classifier with application to electrocardiogram based cardiac arrhytmia recognition," in Multitopic Conference, 2008. INMIC 2008. IEEE International, 2008, pp. 143-148. F. Vargas, et al.,

[11]

[12]

[13]

[14]

[15]

[16] 5

"Electrocardiogram pattern recognition by means of MLP network and PCA: a case study on equal amount of input signal types," in Neural Networks, 2002. SBRN 2002. Proceedings. VII Brazilian Symposium on, 2002, pp. 200-205. H. Shawkey, et al., "A low power VLSI neural network based arrythmia classifier," in Computer-Based Medical Systems, 1998. Proceedings. 11th IEEE Symposium on, 1998, pp. 282-288. S. M. Jadhav, et al., "Generalized Feedforward Neural Network based cardiac arrhythmia classification from ECG signal data," in Advanced Information Management and Service (IMS), 2010 6th International Conference on, 2010, pp. 351356. W. Binwei, et al., "Atrial fibrillation detection using stationary wavelet transform analysis," in Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE, 2008, pp. 1128-1131. K. Waseem, et al., "Using evolutionary algorithms for ECG Arrhythmia detection and classification," in Natural Computation (ICNC), 2011 Seventh International Conference on, 2011, pp. 2386-2390. N. Emanet, "ECG beat classification by using discrete wavelet transform and Random Forest algorithm," in Soft Computing, Computing with Words and Perceptions in System Analysis, Decision and Control, 2009. ICSCCW 2009. Fifth International Conference on, 2009, pp. 1-4. I. Deliba, et al., "ECG based sleep

[17]

apnea detection using wavelet analysis of instantaneous heart rates," presented at the Proceedings of the 4th International Symposium on Applied Sciences in Biomedical and Communication Technologies, Barcelona, Spain, 2011. J. Kim, et al., "A method for detecting arrhythmia using a RR interval from ECG data in UHealth system," presented at the Proceedings of the 5th International Conference on Ubiquitous Information Management and Communication, Seoul, Korea, 2011.

6