RESUMO
Las enfermedades cardiovasculares son la principal causa de mortalidad en el mundo, por lo que el desarrollo de algoritmos que detecten arritmias cardíacas en tiempo real se ha convertido en un campo de investigación importante. El desarrollo de estos algoritmos ha conllevado a la mejora de dispositivos cardiacos portátiles. Este artículo presenta el desempeño de dos algoritmos basados en aprendizaje de máquina no supervisado para la detección de latidos de contracción ventricular prematura en la señal ECG. Los latidos se extraen de las bases de datos del MIT-BIH, los cuales fueron pre-procesados y segmentados por el grupo de investigación de Dinámica Cardiovascular de la UPB. La Transformada Wavelet Discreta, el Análisis de Componentes Principales y un método híbrido propuesto son implementados para la extracción de características y reducción de dimensiones, a partir de los cuales se generan 8 espacios de características para la evaluación de los algoritmos. Kmeans y Mapas auto-organizados son desarrollados y comparados en términos de precisión y costo computacional. Se logró una especificidad del 96.22 % y una sensibilidad del 95.04 % con un tiempo de ejecución de 79.41µs por latido. Los resultados permiten concluir que estos métodos pueden implementarse en aplicaciones de detección de arritmias en tiempo real debido a su bajo costo computacional.
Cardiovascular diseases are the principal cause of mortality in the world, so that the development of algorithms that detect cardiac arrhythmias in real time has become an important field of research. The development of these algorithms has led to the improvement of wearable cardiac devices. This paper presents the performance of two algorithms based in unsupervised learning methods for the detection of Premature Ventricular Contraction in the ECG signal. The beats are extracted from MIT-BIH databases, which were preprocessed and segmented by the UPB’s Dynamic Cardiovascular research group. The Discrete Wavelet Transform (DWT), Principal Component Analysis (PCA) and a proposed hybrid method are implemented for the feature extraction and dimension reduction, from which 8 feature spaces are generated and tested. Kmeans and Self Organizing Maps are developed and compared in terms of accuracy and computational cost. Specificity of 96.22 % and sensitivity of 95.94% with 79.41µs per beat are accomplished. The results show that these methods can be implemented in applications of real time arrhythmia detection because of their low computational cost.
A doença cardiovascular é a principal causa de morte em todo o mundo, de modo que o desenvolvimento de algoritmos para detectar arritmias cardíacas, em tempo real, tornou-se um importante campo de pesquisa. O desenvolvimento desses algoritmos tem levado a melhores dispositivos cardíacos portáteis. Este artigo apresenta o desempenho dos dois com base na aprendizagem de máquina sem supervisão para detecção de batidas de contração ventriculares prematuras nos algoritmos de sinais de ECG. As batidas são extraídos das bases de dados do MIT-BIH, que foram pré-processados e segmentado pelo grupo da UPB Cardiovasculares Dynamics pesquisa. A Transformada Wavelet Discreta, Análise de Componentes Principais e uma abordagem híbrida proposta são implementadas para extração de características e redução de dimensão, a partir do qual 8 espaços de recursos para a avaliação dos algoritmos são gerados. Kmeans e mapas de auto-organização são desenvolvidos e comparados em termos de precisão e custo computacional. A especificidade de 96,22% e uma sensibilidade de 95,04% com um tempo de execução de 79.41µs por batida foi alcançado. Os resultados mostram que estes métodos podem ser implementados em aplicações de detecção de arritmia em tempo real, devido ao seu baixo custo computacional.