DOI:
https://doi.org/10.14483/22484728.17430Publicado:
2021-01-30Número:
Vol. 15 Núm. 1 (2021)Sección:
Visión de Caso1D neural network design to detect cardiac arrhythmias
Diseño de red neuronal 1D para detectar arritmias cardiacas
Palabras clave:
Database, Neural network, Convolution, Cardiac arrhythmias, Residual block, Keras (en).Palabras clave:
Database, Red neuronal, Convolución, Arritmias cardíacas, Bloque residual, Keras (es).Descargas
Resumen (en)
This article shows a neuronal network for deep learning focused on recognizing and classification five types of cardiac signals (Sinus, Ventricular Tachycardia, Ventricular Fibrillation, Atrial Flutter, and Atrial Fibrillation). The final objective is to obtain an architecture that can be implemented in an embedded system as a pre-diagnostic device linked to a Holter monitoring system. The network was designed using the Keras API programmed in Python, where it is possible to obtain a comparison of different types of networks that vary the presence of a residual block, with the result that the network with said block obtains the best response (100% success rate) and a model loss of approximately 0.15%. On the other hand, a validation by means of confusion matrices was carried out to verify the existence of false positives in the network results and evidence what type of arrhythmia can be presented according to the network output against an input signal through the console.
Resumen (es)
El presente artículo muestra el diseño de una red neuronal para aprendizaje profundo enfocado al reconocimiento y clasificación de cinco tipos de señales cardiacas (Sinusal, taquicardia ventricular, fibrilación ventricular, flutter atrial y fibrilación atrial). El objetivo es obtener una arquitectura que pueda ser implementada en un sistema embebido como un dispositivo de prediagnóstico que se pueda vincular a un sistema de monitorización de un holter. La red fue diseñada por medio de la API de Keras programada en Python, en donde se logra obtener una comparación de diferentes tipos de redes que varían la presencia de un bloque residual, teniendo como resultado que la red con dicho bloque obtiene la mejor respuesta (porcentaje de aciertos de 100%) y una pérdida del modelo aproximadamente del 0.15%. Por otro lado, se realizó una validación mediante matrices de confusión para verificar la existencia de falsos positivos en los resultados otorgados por la red y adicionalmente evidenciar que tipo de arritmia se puede presentar conforme la salida de la red frente a una señal de entrada por medio de la consola.
Referencias
C. Vidal Silva, L. Pavesi Farriol, “Desarrollo De Un Sistema De Adquisición Y Tratamiento De Señales Electrocardiográficas”, Rev. Fac. Ing. - Univ. Tarapacá, vol. 13, no. 1, pp. 39–46, 2005. https://doi.org/10.4067/s0718-13372005000100005
C. Correa Flórez, R. Bolaños Ocampo, A. Escobar, “Análisis de esquemas de filtrado análogo para señales ecg”, Sci. Tech., vol. 5, no. 37, pp. 103–108, 2007.
G. Tortora, “Principios de Anatomía y Fisiología”, 11ª. Edición. Editorial Médica Panamericana. México DF. México. 2006.
M. A. Ferrag, L. Maglaras, S. Moschoyiannis, H. Janicke, “Deep learning for cyber security intrusion detection: Approaches, datasets, and comparative study”, J. Inf. Secur. Appl., vol. 50, 2020. https://doi.org/10.1016/j.jisa.2019.102419
G. Zeng, Y. He, Z. Yu, X. Yang, R. Yang, L. Zhang, “Preparation of novel high copper ions removal membranes by embedding organosilane-functionalized multi-walled carbon nanotube”, J. Chem. Technol. Biotechnol., vol. 91, no. 8, pp. 2322–2330, 2016. https://doi.org/10.1002/jctb.4820
T. Park, “Introduction to digital signal processing. Singapore: World Scientific, 2010.
M. O. Alzate, “Clasificación de Arritmias Cardíacas usando Transformada Waveleth”, 2003.
L. Ramirez, “Mediante Aprendizaje De Máquina Con Interfaz a Usuario”, Ciencia e ingeniería neogranadina, vol. 16, pp. 86–95, 2006.
A. Behrad, K. Faez, “New method for QRS-wave recognition in ECG using MART neural network”, ANZIIS 2001 - Proc. 7th Aust. New Zeal. Intell. Inf. Syst. Conf., pp. 291–296, 2001. https://doi.org/10.1109/ANZIIS.2001.974093
M. Mitrokhin, A. Kuzmin, N. Mitrokhina, S. Zakharov, M. Rovnyagin, “Deep learning approach for QRS wave detection in ECG monitoring”, 11th IEEE Int. Conf. Appl. Inf. Commun. Technol. AICT 2017 - Proc., pp. 1–3, 2019. https://doi.org/10.1109/ICAICT.2017.8687235
I. A. Tarmizi, S. Hassan, U. K. Ngah, W. Ibrahim, “A journal of real peak recognition of electrocardiogram (ECG) signals using neural network”, 2nd Int. Conf. Digit. Inf. Commun. Technol. its Appl. DICTAP 2012, pp. 504–510, 2012. https://doi.org/10.1109/DICTAP.2012.6215429
M. Llamedo, J. P. Martínez, “Clasificación de ECG basada en Características de Escala, Dirección y Ritmo”, Caseib, pp. 2–5, 2009.
E. D. A. Botter, C. L. Nascimento, T. Yoneyama, “A neural network with asymmetric basis functions for feature extraction of ECG P waves”, IEEE Trans. Neural Networks, vol. 12, no. 5, pp. 1252–1255, 2001. https://doi.org/10.1109/72.950154
S. H. El-Khafif and M. A. El-Brawany, “Artificial Neural Network-Based Automated ECG Signal Classifier”, ISRN Biomed. Eng., vol. 13, pp. 1–6, 2013. https://doi.org/10.1155/2013/261917
N. Maglaveras, T. Stamkopoulos, K. Diamantaras, C. Pappas, M. Strintzis, “ECG pattern recognition and classification using non-linear transformations and neural networks: A review”, Int. J. Med. Inform., vol. 52, no. 1–3, pp. 191–208, 1998. https://doi.org/10.1016/S1386-5056(98)00138-5
C. Rose-Gómez and M. Serna-Encinas, “Procesamiento del Electrocardiograma para la Detección de Cardiopatías”, pp. 3–6, 2015, [Online]. Available at http://enc2014.cicese.mx/Memorias/paper_19.pdf%5Cnhttps://www.researchgate.netprofile/Cesar_Rose/publication/277324231_Procesamiento_del_Electrocardiograma_para_la_Deteccion_de_Cardiopatias/links/5567b77d08aeab77721eac2b.pdf
S. Jiménez Serrano, “Clasificación automática de registros ECG para la detección de Fibrilación Auricular y otros ritmos cardíacos”, 2018, [Online]. Available at https://riunet.upv.es:443/handle/10251/111113
S. G. Artis, R. G. Mark, and G. B. Moody, “Detection of atrial fibrillation using artificial neural networks”, Comput. Cardiol., pp. 173–176, 1992. https://doi.org/10.1109/cic.1991.169073
J. Wang, W. Lu, “A method of electrocardiogram classification based on neural network”, Chinese J. Biomed. Eng., vol. 14, no. 4, pp. 306–311, 1995.
M. Hammad, A. Maher, K. Wang, F. Jiang, M. Amrani, “Detection of abnormal heart conditions based on characteristics of ECG signals”, Meas. J. Int. Meas. Confed., vol. 125, pp. 634–644, 2018. http://doi.org/10.1016/j.measurement.2018.05.033
T. H. Chen, Z. Yu, L. Q. Han, P. Y. Guo, X. Y. He, “The sorting method of ECG signals based on neural network”, 2nd Int. Conf. Bioinforma. Biomed. Eng. iCBBE, pp. 543–546, 2008. http://doi.org/10.1109/ICBBE.2008.132
G. J. Taylor, “150 Practice ECGs: Interpretation and Review”, Blackwell Science, 2002.
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2021 Visión electrónica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
.png)
atribución- no comercial 4.0 International
.jpg)
