Clasificación de arritmias cardiacas usando redes neuronales convolucionales en muestras de ECG

Classification of cardiac arrhythmias using convolutional neural networks in ECG samples

Publicado 2024-01-01

Abrir | Descargar
PDF FLIP
Número
Vol. 21 Núm. 41 (2024): Tabla de contenido Revista EIA No. 41
Sección
Artículos
Cómo citar
Clasificación de arritmias cardiacas usando redes neuronales convolucionales en muestras de ECG. (2024). Revista EIA, 21(41), 4105 pp. 1-22. https://doi.org/10.24050/reia.v21i41.1719
DOI

https://doi.org/10.24050/reia.v21i41.1719
Dimensions
PlumX
Citaciones
Crossref
Citas en Crossref
Scopus
Citas en Scopus
Google Scholar
Europe PMC
Citas en Europe PMC
Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Declaración del copyright

Los autores ceden en exclusiva a la Universidad EIA, con facultad de cesión a terceros, todos los derechos de explotación que deriven de los trabajos que sean aceptados para su publicación en la Revista EIA, así como en cualquier producto derivados de la misma y, en particular, los de reproducción, distribución, comunicación pública (incluida la puesta a disposición interactiva) y transformación (incluidas la adaptación, la modificación y, en su caso, la traducción), para todas las modalidades de explotación (a título enunciativo y no limitativo: en formato papel, electrónico, on-line, soporte informático o audiovisual, así como en cualquier otro formato, incluso con finalidad promocional o publicitaria y/o para la realización de productos derivados), para un ámbito territorial mundial y para toda la duración legal de los derechos prevista en el vigente texto difundido de la Ley de Propiedad Intelectual. Esta cesión la realizarán los autores sin derecho a ningún tipo de remuneración o indemnización.

La autorización conferida a la Revista EIA estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo en el Sistema Open Journal Systems de la Revista EIA, así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.

Todos los contenidos de la Revista EIA, están publicados bajo la Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional

Victor manuel astudillo Delgado
Corporación Universitaria Comfacauca - Unicomfacauca
Perfil Google Scholar
David Revelo Luna
Corporación Universitaria Comfacauca - Unicomfacauca
Perfil Google Scholar
Javier Andres Muñoz Chaves
Corporación Universitaria Comfacauca - Unicomfacauca
Perfil Google Scholar
Mostrar biografía de los autores

El electrocardiograma (ECG) es una herramienta esencial en el diagnóstico de enfermedades cardiovasculares, proporcionando información valiosa sobre el ritmo y la función del corazón. Tradicionalmente, los médicos se basaban en características heurísticas identificadas manualmente para detectar anomalías en el ECG. Sin embargo, esta metodología presentaba limitaciones en términos de precisión y fiabilidad. Con el objetivo de mejorar la precisión en la identificación de arritmias cardiacas, esta investigación se enfocó en el desarrollo de modelos basados en redes neuronales convolucionales. Se utilizaron dos conjuntos de datos: el dataset PhysioNet MIT-BIH, ampliamente utilizado en la comunidad científica, y datos adquiridos por el simulador de arritmias Bio-Tek BP Pump NIBP. Se entrenaron cinco modelos con diferentes arquitecturas, incluyendo modelos convencionales como VGG16, ResNet-50 y AlexNet, así como dos arquitecturas propuestas por los autores. Todos los modelos se entrenaron con el mismo número de muestras y configuración de hiperparámetros. La evaluación del desempeño se realizó utilizando métricas comunes como exactitud, recall, F1-score y exactitud —accuracy—. Los resultados demostraron que la arquitectura VGG16 fue la más eficaz en la clasificación de arritmias cardiacas, alcanzando una exactitud del 98,8% en el conjunto de datos MIT-BIH. Además, al evaluar los datos de prueba del simulador Bio-Tek BP Pump NIBP, el modelo customize-2 demostró el mejor rendimiento con una exactitud del 96,3%. Estos resultados son prometedores, ya que demuestran el potencial de las redes neuronales convolucionales para mejorar la precisión en el diagnóstico de arritmias cardiacas. Los modelos desarrollados en esta investigación podrían ser una herramienta útil para los médicos en la detección temprana y el tratamiento adecuado de estas afecciones cardiovasculares.

Visitas del artículo 632 | Visitas PDF 461

Descargas

Los datos de descarga todavía no están disponibles.
  1. Chazal, P.; O'Dwyer, M. and Reilly, R. (2004). Automatic classification of heartbeats using ECG morphology and heartbeat interval features. IEEE Transactions on Biomedical Engineering, 51(7), 1196-1206. doi:10.1109/TBME.2004.827359
  2. Goldberger, A.L; Amaral, L.A.; Glass, L; Hausdorff, J.M.; Ivanov, P.C.; Mark, R.G.; Mietus, J.E.; Moody, G.B.; Peng, C.K and Stanley, H.E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation, 101(23), 215–220. doi:https://doi.org/10.1161/01.CIR.101.23.e215
  3. Gómez Herrero, G.; Gotchev, A.; Christov, I. and Egiazarian, K. (2005). Feature extraction for heartbeat classification using independent component analysis and matching pursuits. Proceedings. (ICASSP '05). IEEE International Conference on Acoustics, Speech, and Signal Processing, 2005. Philadelphia, PA, USA 4, pp.725-728. doi:10.1109/ICASSP.2005.1416111
  4. Huang, J.; Chen, B.; Yao, B. and He, W. (2019). ECG Arrhythmia Classification Using STFT-Based Spectrogram and Convolutional Neural Network. IEEE Access, 7, 92871-92880. doi:https://doi.org/10.1109/ACCESS.2019.2928017
  5. Kachuee, M.; Fazeli, S., and Sarrafzadeh, M. (2018). ECG Heartbeat Classification: A Deep Transferable Representation. IEEE International Conference on Healthcare Informatics, 2018 IEEE International Conference on Healthcare Informatics. (ICHI). New York City, NY, USA pp. 443-444 doi:10.1109/ICHI.2018.00092
  6. Khorrami, H. and Moavenian, M. (2010). A comparative study of DWT, CWT and DCT transformations in ECG arrhythmias classification. Expert Systems with Applications, 37(8), 5751-5757. doi:https://doi.org/10.1016/j.eswa.2010.02.033
  7. Kojuri, J.; Boostani, R.; Dehghani, P.; Nowroozipour, F. and Saki, N. (2015). Prediction of acute myocardial infarction with artificial neural networks in patients with nondiagnostic electrocardiogram. Journal of Cardiovascular Disease Research, 6(2), 51-59. doi:10.5530/jcdr.2015.2.2
  8. Laguna, P.; Jane, R.; Olmos, S.; Thakor, N.; Rix, H. and Caminal, P. (1996). Adaptive estimation of QRS complex wave features of ECG signal by the Hermite model. Medical & biological engineering & computing, 34(1), 58-88. doi:https://doi.org/10.1007/BF02637023
  9. Lanatá, A.; Valenza, G.; Mancuso, C. and Scilingo, E. (2011). Robust multiple cardiac arrhythmia detection through bispectrum analysis. Expert Systems with Applications, 38(6), 6798-6804. doi:https://doi.org/10.1016/j.eswa.2010.12.066
  10. Li, T. and Zhou, M. (2016). ECG Classification UsingWavelet Packet Entropy and Random Forests. Entropy, 18(8), 285. doi:10.3390/e18080285
  11. Lin, S.W.; Ying, K.C.; Chen, S.C. and Lee, Z. J. (2008). Particle swarm optimization for parameter determination and feature selection of support vector machines. Expert Systems with Applications, 32(4), 1817-1824. doi:https://doi.org/10.1016/j.eswa.2007.08.088
  12. Liu, B.; Liu, J.; Wang, G.; Huang, K.; Li, F.; Zheng, Y.; Luo, Y. and Zhou, F. (2015). A novel electrocardiogram parameterization algorithm and its application in myocardial infarction detection. Computers in Biology and Medicine, 61, 178-184. doi:https://doi.org/10.1016/j.compbiomed.2014.08.010
  13. Luz, E.; Nunes, T.; de Albuquerque, V.; Papa, J. and Menotti, D. (2013). ECG arrhythmia classification based on optimum-path forest. Expert Systems with Applications, 40(9), 3561-3573. doi:https://doi.org/10.1016/j.eswa.2012.12.063
  14. Moavenian, M. and Khorrami, H. (2010). A qualitative comparison of Artificial Neural Networks and Support Vector Machines in ECG arrhythmias classification. Expert Systems with Applications, 37(4), 3088-3093. doi:https://doi.org/10.1016/j.eswa.2009.09.021
  15. Moody, G. and Mark, R. (2001). The Impact of the MIT-BIH Arrhythmia Database. IEEE engineering in medicine and biology, 20(3), 45-50. doi:https://doi.org/10.13026/C2F305
  16. Moody, G. and Mark, R. (1989). QRS morphology representation and noise estimation using the Karhunen-Loeve transform. Proceedings. Computers in Cardiology, 269-272. doi:10.1109/CIC.1989.130540
  17. National Library of Medicine. (10 de 12 de 2020). MedlinePlus. Recuperado el 24 de 02 de 2022, de MedlinePlus: https://medlineplus.gov/lab-tests/electrocardiogram/
  18. Pal, S. (2019). ECG Monitoring: Present Status and Future Trend. En Encyclopedia of Biomedical Engineering. University of Calcutta, Kolkata, India. pp. 363-379. doi:https://doi.org/10.1016/B978-0-12-801238-3.10892-X
  19. Pyakillya, B.; Kazachenko, N. and Mikhailovsky, N. (2017). Deep Learning for {ECG} Classification. Journal of Physics: Conference Series, IOP Publishing. 913, 012004. doi:https://doi.org/10.1088/1742-6596/913/1/012004
  20. Revelo Luna, D. A.; Mejía Manzano, J. E. and Munoz Chaves, J. A. (2021). Effect of Pre-processing of CT Images on the Performance of Deep Neural Networks Based Diagnosis of COVID-19. Journal of Scientific & Industrial Research, 80(11), 992-1000
  21. Safdarian, N.; Jafarnia D.N., and Attarodi, G. (2014). A New Pattern Recognition Method for Detection and Localization of Myocardial Infarction Using T-Wave Integral and Total Integral as Extracted Features from One Cycle of ECG Signal. Journal of Biomedical Science and Engineering, 07, 818-824. doi:10.4236/jbise.2014.710081
  22. Song, M.H.; Lee, J.; Cho, S.P.; Lee, K.J. and Yoo, S.K. (2005). Support vector machine based arrhythmia classification using reduced features. International journal of control automation and systems, 3(4), 571-579. doi:http://dx.doi.org/OAK-2005-06773
  23. Verma, K. K. (2021). Deep Learning Approach to Recognize COVID-19, SARS and Streptococcus. Journal of Scientific & Industrial Research, 80(01), 51-59.
  24. Wiggins, M.; Saad, A.; Litt, B. and Vachtsevanos, G. (2008). Evolving a Bayesian classifier for ECG-based age classification in medical applications. Applied Soft Computing, 8(1), 599-608. doi:https://doi.org/10.1016/j.asoc.2007.03.009
  25. World Heath Organization. (11 de 06 de 2021). World Heath Organization. Obtenido de https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
  26. Ye, C.; Coimbra, M. T.; and Kumar, V. (2010). Arrhythmia detection and classification using morphological and dynamic features of ECG signals. Annual International Conference of the IEEE Engineering in Medicine and Biology 2010, Buenos Aires, Argentina, pp.1918-1921. doi:10.1109/IEMBS.2010.5627645
  27. Yu, S. N. and Chen, Y. H. (2007). Electrocardiogram beat classification based on wavelet transformation and probabilistic neural network. Pattern Recognition Letters, 28(10), 1142-1150. doi:https://doi.org/10.1016/j.patrec.2007.01.017
  28. Yu, S. N. and Chou, K.T. (2009). Selection of significant independent components for ECG beat classification. Expert Systems with Applications, 36(2), 2088-2096. doi:https://doi.org/10.1016/j.eswa.2007.12.016
  29. Zhang, L.; Karimzadeh, M.; Welch, M.; McIntosh, C. and Wang, B. (2021). Chapter 7 - Analytics methods and tools for integration of biomedical data in medicine. Xing, L.; Giger, M.L., and Min, J.K. Artificial Intelligence in Medicine. Academic Press, pp. 113-129. doi:https://doi.org/10.1016/B978-0-12-821259-2.00007-7

Información

Sistema OJS 3.4.0.7 - Metabiblioteca |