Sunteți pe pagina 1din 9

Clasificarea bătăilor cardiace folosind modelul de transformata

caracateristică și sistemul hibrid neuronal bazat pe logica Fuzzy și


pe harta de auto-organizare

Introducere

O clasificare automată a bătăilor cardiace folosind electrocardiograma este importantă în


asistarea doctorilor și experților cu diagnosticul de afecțiune cardiacă.

De-a lungul timpului au fost dezvoltate mai multe tehnici de investigare a cordului si a
activitatății sale, iar printre ele, o metodă neinvazivă și foarte eficientă este electrocardiograma,
acestă metoda neridicând de asemenea un preț de cost ridicat. Formele de undă relevate de
acestea pot genera informații importante despre starea în care se află inima. Spre exemplu,
aritmia cardiacă reprezintă o neregularitate a activității electrice a inimii (mai încet sau mai
rapid) care poate cauza durere în piept, junghi cardiac sau chiar deces. Pentru astfel de
afecțiune,investigația ECG este extrem de importantă.

Pe baza acestor semnale ECG pot fi executate investigații și prelucrări diverse pentru a afla de
exemplu, frecvența cardiacă, zgomotele musculare, artefecte de mișcare (cauzate de respirație).

Pentru prelucarea acestor


semnale au fost folosite mai
multe metode clasice, precum
aplicarea unor filtre, aplicarea
transfomatei Wavelet,
înlăturarea zgometelor de font
și a artefactelor, însă Acharay
et al. a propus folosirea unei
metode bazate mai mult pe
logică, un model de rețea
neuronală convoluțională
(CNN), iar Wu a propus un
model nou de clasificare a
artimiilor folosind rețele de
Figura 1. Schema bloc a metodei propuse pentru clasificarea intensitatea înaltă.
bătăilor cardiace
Recent, folosirea modelului
transfomatei caracteristice-model (LTP) precum modelul local binar (LBP), transformata locală
de gradient (LGP), și modelul local descriptiv al vecinătăților (LNDP) pentru procesarea de
biosemnale a crescut, deoarece acestea prezintă mari avantaje precum mai puțină sensibilitate a
semnalelor-zgomot și abilitatea de a extrage informații ascunse și în același timp importante din
cadrul semnalelor non-staționare.

1
Mai multe decât atât, metoda LTP pentru recunoașterea frecvenței cardiace prezintă o relevanță
și acuratețe scăzute din cauza faptului că se bazează pe metoda non-fluidicității care necesită
doar locația undei R.

Nu poate fi contestat faptul că această metodă prezintă și un număr de probleme și contrângeri,


însă idealul acestui studiu a fost să propună o altă modalitate de recunoaștere a frecvenței
cardiace folosind metoda LTP care constă în LBP, LGP și LNDP aplicate pe un sistem neuronal
hibrid ce are la bază logica fuzzy. Au fost extrase caracteristici multi-dimensionale care conțin
informații importante legate de tipurile de bătăi ale inimii din semnalele ECG nestaționare
folosind metoda LTP. Apoi, sistemul neuronal hibrid bazat pe logica fuzzy aplicat pe o hartă
auto-organizată a fost folosit pentru a îmbunătăți precizia rezolvării problemei de clasificare a
timpului de consum prin reducerea dimensiunilor caracteristice.

Materiale și metode

În cadrul acestui stadiu a fost folosită baza de date ce conținea informații despre cazurile de
artimie a Institutului Universitățiii Tehnice din Massachusetts și Spitalul MIT-BIH pentru a
putea valida metoda propusă.

Prelucarea semnalelor

Un semnal ECG oarecare conține zgomotul de font provenit de la respirație sau/și miscăre.
Aceasta scade acuratețea spectrului componentelor.
În acest studiu au fost folosite filtre mediane consecutive de 200ms și 600ms pentru corectarea
acestor zgomote de font.
Procedura de aplicare a filtrului a urmat pașii:

1. Filtru cu lungimea ferestrei de 200ms țintește complexul QRS și unda P, în timp ce al


doilea filtru cu o dimensiune a ferestrei de 600ms țintește unda T.
2. Fontul estimează de la 2 filtre mediane care sunt apoi sustrase de la ECG-u original.
3. Linia de font a corectat semnalul ulterior obținut.

1DBLP

Modelul local binar (DBLP) care a fost derivat pentru descrierea prezentată, este de obicei
utilizat pentru procesarea imaginolor 2D. Prezintă diverse avantaje precum puterea
discriminativă și computarea ușoară. Modelul LBP poate fi extras utilizând modelul propus de
Chatlani și poate fi calculat după ecuația:

2
1DLBP (xc) = ∑𝑐−2
𝑟=𝑜 (semn(xd-i – xc)*2i + semn(x2c+i-d – xc)* 2d-i-2) (1)

unde s este semnalul de intrare în noua zona unei noi vecinătăți


d este lungimea acestei zone
xc este punctul central al vecinătății

Adițional, funcția semn este în fapt semnul funcției și este difinită după ecuația:
1, 𝑥 ≥ 0
semnx = {0, 𝑎𝑙𝑡𝑓𝑒𝑙 (2)

Figure 2. Schema unei metode pentru extragerea caracteristicii histogramei folosind metoda modelului
de transformare locală.

3
1DLGP și LNDP

Metoda gradientului local model a fost gândită pentru procesarea imaginilor 2D. LNDP a fost
conceput cu scopul de a compara valorile din punctele vecine în cadrul modelul etalon. LGP și
LNDP pot fi calculate folosind urmatoarele ecuații:

1DLGPm(xc) = ∑𝑚−1
1
𝑖=0 semn(|xi-xc| -𝑚 ∑𝑚−1
𝑖=0 |xi-xc|) * 2i (3)

LNDPm(xc) = ∑𝑚−1
𝑖=0 semn (xi-xi+1)*2i (4)

unde xc și m reprezintă punctele centrale și (x0,x1 ….. xm-1) respectiv

Funcția semn(.) poate fi calculată utilizând Ecuația (2)

Caracteristicile Histogramei
Pentru a extrage aceste caracteristici, fiecare bandă de frecvență bj a LTP este numărată folosind
Ecuația 5:
0, LTP ≠ j
Cntjk = { (5)
1, 𝑎𝑙𝑡𝑓𝑒𝑙

𝑛
𝑐𝑛𝑡 , (k = 1, 2, … . n), (𝑗 = 0,1, … , 255)
bj = ∑
𝑖=1

unde k și j reprezintă numărul de eșantioane cât și numărul benziide frecvențe.

4
Sistem hibrid neuronal cu logică fuzzy cu SOM (hartă de organizare proprie)
Pentru a îmbunătăți interpretabilitatea, performanțele și pentru a reduce complexitatea
prelucrărilor sistemelor cu logică fuzzy pentru clasificarea bătăilor inimii, am selectat metoda
hărții de organizare proprie derivată de Kohonen , prezent în Figura 3. Metoda SOM are
avantajele reducerii dimensiunii vectorilor multidimensionali și a prelucrărilor de grupare
(clustering).
Deoarece SOM este bazat pe o metodă de învățare competitivă care folosește funcții adiacente
pentru a conserva proprietățile de structură ale spațiul datelor de intrare, există o diferență
comparativ cu alte rețele neuronale artificiale care aplică învățarea prin corectarea greșelilor.

Figure 3. Schema sistemului hibrid neuro-logic fuzzy pentru clasificarea bătăilor inimii: (a) hartă auto-
organizatoare (SOM); (b) Funcția de apartenență; (c) Reguli fuzzy.

5
Rezultate și discuție
Măsuri de performanță
Au fost folosite cele patru măsuri de perfomanță – sensibilitatea (SE), predicitibilitatea pozitivă
(+P), raport fals pozitiv (FPR) și clasificarea preciziei (AC) – pentru validarea metodei propuse
de clasificare a tipurilor bătăilor inimii. Aceste măsuri pot fi calculate folosind ecuațiile 6-9.
Pentru a calcula aceste măsuri, numărul adevăratelor pozitive (TP), adevăratelor negative (TN),
falselor pozitive (FP) și falselor negative (TN) a fost calculat pentru fiecare înregistrare.
SE = TP/ (TP + FN) (6)
+P = TP/ (TP + FP) (7)
FPR = FP/ (TN + FP) (8)
ACC = (TP + TN) / (TP + TN + FP + FN) (9)

Tabelul 1 este o matrice de confuzie pentru a calcula patru măsuri de performanță pentru
clasificarea bătăilor inimii. Bazat pe această matrice, performanța per ansamblu a acestei
performațe a metodei propuse (SE, +P și FPR) sunt specifice fiecărei clase. Mai mult decât atât,
au fost evaluate performanțele atât ale bătăilor ventriculare ectopice (VEB), cât și bătăilor
supraventriculare ectopice (SVEB) . TP, FP, FN și TN ale VEB sunt obținute folosind ecuațiile
10-13.

Tabel 1. Clasificarea matrice pentru calcularea parametrilor de performanță

TPv = Vv (10)
FPv = Nv + Sv (11)
FNv = Vv + Vs + Vf + Vq (12)
TNv = Nn + Ns + Nf + Nq + Sn + Ss + Sf + Sq +Fn + Fs + Ff + Fq + Qn + Qs +Qf + Qq (13)

6
Performanțele clasificării
bătăilor inimii
Datorită comparațiilor exacte cu
alte metode, evaluarea
performanțelor metodei propuse
de clasificare a bătăilor inimii
despre care vom discuta în
următorul paragraf, este bazată
pe adnotarea oferită de baza de
date MIT-BIH. Au fost evaluați
trei algortimi precum 1DLBP cu
sistemul hibrid neuronal cu
logică fuzzy (1DLBP + NF),
1DLGP + NF și LNDP + NF cu
Figura 4. Precizia de clasificare a diferitelor subseturi de
caracteristici respectă metodele de model transformată locală cu o referire la submulțimile de
logică neuronală hibridă (NF). caracteristici bazate pe metoda
de menținere deoarece bătăile
inimii din categoria Q sunt bătăi cu ritm necunoscut și numărul eșantioanelor este de numai 7.
Figura 4 arată rezultatul cu cele cu cele mai bune performanțe ale fiecărei metode de extracție a
caracteristicilor. Așa cum evidențiază Figura 4, 1DLBP + NF (dimenisiune: 121), 1DLGP + NF
(dimensiune: 196) și LNDP (dimensiune: 225) prezintă cele mai bune performanțe (ACC) la
97.1, 98.84 și respectiv 98.5%. Tabelele 2, 3 și 4 arată rezultatele de confuzie ale celei mai bune
configurații ale 1DLBP + NF, 1DLGP + NF și respectiv LNDP + NF. Dintre cei trei algoritmi,
1DLGP + NF are cele mai bune performanțe și tabelul 6 conține perforanțele tuturor evidențelor
din baza de date MIT-BIH.

Tabel 2. Matrice de confuzie cu cea mai bună configurație a 1DLBP

Tabel 3. Matrice de confuzie cu cea mai bună configurație a 1DLGP

7
Tabel 4. Matrice de confuzie cu cea mai bună configurație a 1DLGP

Timpul de prelucrare pentru extragerea caracteristicilor histrogramei


Monitorizarea ECG de lungă durată pentru detectarea bătăilor inimii necesită nu numai o
precizie ridicată, dar și un timp scurt de extragere a caracteristicilor. Mai mult decât atât,
tehnicile de extragere ale caracteristicilor pentru monitorizarea din viața reală ar trebui să fie
eficiente computațional. Experimentul a fost derulat pe un procesor Intel®core i5-6600 cu 4GB
memorie RAM.
Comparația cu metodele de ultimă generație
Au fost demonstrate performanțele recunoașterii bătăilor inimii ale metodei propuse folosind
setul de date DS2 din MITDB este comparat cu alți algoritmi. Mondéjar-Guerra și Nikan au
folosit metode bazate pe caracteristica LBP.

8
Concluzii
Acest studiu propune un algoritm nou pentru clasificarea automată a bătăilor inimii folosing
semnal ECG. Metoda propusă se bazează pe operatorul etalon local de transformare (LTP)
folosind sistem hibrid neuronal cu logică fuzzy (NF) cu hartă auto-organizată. Au fost folosiți
trei operatori LTP precum 1D etalon binar local (1DLBP), 1D etalon de gradient local (1DLGP)
și etalon de descriere locală a vecinilor (LNDP) pentru validarea algoritmului propus folosind
baza de date publică MIT-BIH de aritmie. Concomitent, algoritmul propus de clasificare a
bătăilor inimii arată performanțele robuste (1DLGP + NF, dimensiune: 14 pe 14) ca 87%
(sensibilitate), 73.8% (predicitibilitate pozitivă), 1.1% (raport fals pozitiv) și 98.84% (acuratețe)
bazat pe adnotările conform AAMI. Clasificarea bătăilor inimii a fost îmbunătățită prin
combinarea operatorului LTP cu NF, care a fost evaluat ca fiind superior în performanțe și
eficiență spre deosebire de o metodă potrivită prelucrării ECG. Metoda prezentată poate fi
folosită în detectarea tipurilor diferite de bătăi de inimă în mod eficient, extins în telemedicină și
în sistemul medical, dar și oferind un diagnostic îmbunătățit al bolilor cardiovasculare în
sistemul medical.