| Русский Русский | English English |
   
Главная Архив номеров
18 | 10 | 2021
10.14489/vkit.2021.05.pp.018-027

DOI: 10.14489/vkit.2021.05.pp.018-027

Щетинин Е. Ю.
АВТОМАТИЧЕСКОЕ ОБНАРУЖЕНИЕ НАРУШЕНИЙ СЕРДЕЧНОГО РИТМА НА ОСНОВЕ АНАЛИЗА ЭЛЕКТРОКАРДИОГРАММ МЕТОДАМИ ГЛУБОКОГО ОБУЧЕНИЯ
(c. 18-27)

Аннотация. Рассмотрено применение компьютерных алгоритмов для обнаружения нарушений сердечного ритма человека по его электрокардиограмме. Для этого использована база данных MIT-BIH Physionet, содержащая пять классов различных типов сердечного ритма. Предложена модель классификатора электрокардиограмм, представляющая собой ансамбль сверточной (CNN) и рекуррентной (LSTM) глубоких нейронных сетей. Анализ результатов проведенных компьютерных экспериментов показал, что предложенная модель успешно классифицирует сердечную аритмию с общей точностью 99,37 %. Разработанная компьютерная система может эффективно применяться для диагностики аритмии сердца на ранней стадии.

Ключевые слова:  аритмия; электрокардиограмма; глубокие нейронные сети.

 

Shchetinin E. Yu.
AUTOMATIC ARRHYTHMIA DETECTION BASED ON THE ANALYSIS OF ELECTROCARDIOGRAMS WITH DEEP LEARNING
(pp. 18-27)

Abstract. According to the World Health Organization, cardiovascular diseases (CVD) are one of the most common causes of death in the world. The most effective clinical method for visualizing the cardiac electrical activity is electrocardiography (ECG). Automated ECG analysis has been of great interest in the medical researches. The problem of automated detection of cardiac arrhythmias may be reduced to the ECG signals classification. To solve this task such methods were used as Hidden Markov Models (HMM), discrete wavelet transforms (DWT), support vector machine (SVM) etc. Now days, the deep learning models  began to play the  major role in solving this problem. In this paper, for the classification of ECG signals, a number of models of deep neural networks, including deep convolutional, recurrent based on short-term long memory have been developed and implemented. To improve the classification accuracy of individual classes of the studied data, the CNN-LSTM deep model was built, which combines convolutional and recurrent networks. In addition the following machine learning algorithms were used for ECG signals classification: support vector machine (SVM), decision trees (DT), random forest (RF) and extreme gradient boosting (XGB). To test the performance of the proposed models, MIT-BIH database was used, a freely available dataset that is widely used to evaluate the effectiveness of ECG signal classification algorithms. The results of a comparative analysis of various algorithms for the quality of classification for individual classes showed that machine learning algorithms classify classes with a large volume of samples well. For example, SVM and DT classify samples from class N and Q with an accuracy of 92 and 97%, respectively, while samples from classes S and F are classified with much worse accuracy of 63%. At the same time, analyzing and comparing the performance of various neural network models based on the obtained estimates of the classification accuracy, it can be argued that CNN LSTM model allows not only a high classification accuracy of 99.37%, but also high values of other indicators of classification quality, such as F1- metric, precision, and recall.The proposed algorithms for the automated detection of cardiac arrhythmias can be applied in biomedical applications that analyze the electrocardiogram and help physicians diagnose cardiac arrhythmias more accurately.

Keywords: Arrhythmia; Electrocardiogram; Deep neural networks.

Рус

Е. Ю. Щетинин (Финансовый университет при Правительстве Российской Федерации, Департамент математики, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

E. Yu. Shchetinin (Financial University under the Government of the Russian Federation, Mathematics Department, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход; пер. с англ. под ред. А. П. Немирко. М.: ФизМатЛит, 2010. 440 с.
2. Дубровин В. И., Твердохлеб Ю. В., Харченко В. В. Автоматизированная система анализа и интерпретации ЭКГ // Радиоэлектроника, информатика, управление. 2014. № 1. С. 150 – 157.
3. Heart Disease and Stroke Statistics–2018 Update: A Report from the American Heart Association / E. J. Benjamin, S. S. Virani, C. W. Callaway at al. // Curculation. 2018. V. 137, No. 12. P. 67 – 492.
4. Coast D. A., Stern R. M., Cano G. G., Briller S. A. An Approach to Cardiac Arrhythmia Analysis Using Hidden Markov Models // IEEE Trans. Biomed. Eng. 1990. V. 37, No. 9. P. 826 – 836.
5. Isin A., Ozdalili S. Cardiac Arrhythmia Detection Using Deep Learning // Procedia Comput. Sci. 2017. V. 120. P. 268 – 275.
6. Zhai X., Tin C. Automated ECG Classification Using Dual Heartbeat Coupling Based on Convolutional Neural Network // IEEE Access. 2018. V. 6. P. 27465 – 27472.
7. A Deep Convolutional Neural Network Model to Classify Heartbeats / U. R. Acharya et al. // Comput. Biol. Med. 2017. V. 89. P. 389 – 396.
8. Kiranyaz S., Ince T., Gabbouj M. Real-Time patient-specific ECG Classification by 1-D Convolutional Neural Networks // IEEE Trans. Biomed. Eng. 2015. V. 63, No. 3. P. 664 – 675.
9. ECG Arrhythmia Classification Using a 2-D Convolutional Neural Network / J. Jun, H. M. Nguyen, D. Kang et al. ArXiv Prepr.: ArXiv1804.06812. 2018.
10. Mark R. and Moody G. MIT-BIH Arrhythmia Database Directory. Cambridge: Massachusetts Institute of Technology, 1988.
11. Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2020. 400 с.
12. Щетинин Е. Ю., Севастьянов Л. А., Демидова Н. В., Кулябов Д. С. Классификация повреждений кожи по данным дермаскопии с использованием методов глубокого обучения // Математическая биология и биоинформатика. 2020. Вып. 15. Т. 2. С. 180 – 194. DOI 10.17537/2020.15.180
13. Севастьянов Л. А., Щетинин Е. Ю. О методах повышения классификации точности многоклассовой классификации на несбалансированных данных // Информатика и ее применения. 2020. № 14(1). С. 63 – 70.

Eng

1. Rangayyan R. M. (2010). Analysis of biomedical signals. A handson approach. Moscow: FizMatLit. [in Russian language]
2. Dubrovin V. I., Tverdohleb Yu. V., Harchenko V. V. (2014). Automated ECG Analysis and Interpretation System. Radioelektronika, informatika, upravlenie, (1), pp. 150 – 157. [in Russian language]
3. Benjamin E. J., Virani S. S., Callaway C. W. at al. (2018). Heart Disease and Stroke Statistics–2018 Update: A Report from the American Heart Association. Curculation, Vol. 137, (12), pp. 67 – 492.
4. Coast D. A., Stern R. M., Cano G. G., Briller S. A. (1990). An Approach to Cardiac Arrhythmia Analysis Using Hidden Markov Models. IEEE Transactions on Biomedical Engineering, Vol. 37, (9), pp. 826 – 836.
5. Isin A., Ozdalili S. (2017). Cardiac Arrhythmia Detection Using Deep Learning. Procedia Computer Science, Vol. 120, pp. 268 – 275.
6. Zhai X., Tin C. (2018). Automated ECG Classification Using Dual Heartbeat Coupling Based on Convolutional Neural Network. IEEE Access, Vol. 6, pp. 27465 – 27472.
7. Acharya U. R. et al. (2017). A Deep Convolutional Neural Network Model to Classify Heartbeats. Computers in Biology and Medicine, Vol. 89, pp. 389 – 396.
8. Kiranyaz S., Ince T., Gabbouj M. (2015). Real-Time patient-specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Transactions on Biomedical Engineering, Vol. 63, (3), pp. 664 – 675.
9. Jun J., Nguyen H. M., Kang D. et al. (2018). ECG Arrhythmia Classification Using a 2-D Convolutional Neural Network. ArXiv Preprint: ArXiv1804. 06812.
10. Mark R. and Moody G. (1988). MIT-BIH Arrhythmia Database Directory. Cambridge Massachusetts Institute of Technology.
11. Sholle F. (2020). Deep Learning in Python. Saint Petersburg: Piter. [in Russian language]
12. Shchetinin E. Yu., Sevast'yanov L. A., Demidova N. V., Kulyabov D. S. (2020). Dermascopic classification of skin lesions using deep learning methods. Matematicheskaya biologiya i bioinformatika, 15, Vol. 2, pp. 180 – 194. [in Russian language] DOI 10.17537/ 2020.15.180
13. Sevast'yanov L. A., Shchetinin E. Yu. (2020). On methods for improving the classification of the accuracy of multiclass classification on unbalanced data. Informatika i ee primenenie, 14(1), pp. 63 – 70. [in Russian language]

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 450 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2021.05.pp.018-027

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 450 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2021.05.pp.018-027

and fill out the  form  

 

.

 

 

 
Поиск
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
SEMIEXPO 2021
Баннер
Rambler's Top100 Яндекс цитирования