Diseño de un prototipo de bajo coste computacional para detección de arritmias cardiacas

Abstract

Palabras-clave: Arritmia cardíaca, Arduino Mega, base de datos de MIT, señales ECG de tipo Holter Abstract: This research presents the design of a prototype for the detection of cardiac arrhythmias that incorporates an embedded low-cost computational system in an environment of limited computational resources capable of analyzing characteristics of the QRS complexes. To do this, a strategy for classifying normal and pathological heart beats is developed in long-term electrocardiographic recordings (Holter), which are representative waves of the beat and their analysis allows identifying ventricular arrhythmias. For the development of this initial prototype, it is found that the use of the k nearest neighbors (k-NN) algorithm together with a stage of selection of variables from the training set is a good alternative and represents an important contribution of this work to experimental level. The experiments were carried out on the basis of cardiac arrhythmia data from the Massachusetts Institute of Technology (MIT).

Headnote

Resumen: Esta investigación presenta el diseño de un prototipo para la detección de arritmias cardíacas que incorpora un sistema embebido de bajo costo computacional en un entorno de recursos computacionales limitados capaz de analizar características de los complejos QRS. Para ello, se desarrolla una estrategia de clasificación de latidos cardiacos, normales y patológicos, en registros electrocardiográficos de larga duración (Holter), los cuales son ondas representativas del latido y su análisis permite identificar arritmias de tipo ventricular. Para el desarrollo de este prototipo inicial, se comprueba que el uso del algoritmo de k vecinos más cercanos (k-NN) junto con una etapa de selección de variables del conjunto de entrenamiento es una buena alternativa y representa una contribución importante de este trabajo a nivel experimental. Los experimentos se realizaron sobre la base de datos de arritmias cardiacas del Massachusetts Institute of Technology (MIT). Los resultados son satisfactorios y promisorios.

Palabras-clave: Arritmia cardíaca, Arduino Mega, base de datos de MIT, señales ECG de tipo Holter

Abstract: This research presents the design of a prototype for the detection of cardiac arrhythmias that incorporates an embedded low-cost computational system in an environment of limited computational resources capable of analyzing characteristics of the QRS complexes. To do this, a strategy for classifying normal and pathological heart beats is developed in long-term electrocardiographic recordings (Holter), which are representative waves of the beat and their analysis allows identifying ventricular arrhythmias. For the development of this initial prototype, it is found that the use of the k nearest neighbors (k-NN) algorithm together with a stage of selection of variables from the training set is a good alternative and represents an important contribution of this work to experimental level. The experiments were carried out on the basis of cardiac arrhythmia data from the Massachusetts Institute of Technology (MIT). The results are satisfactory and promising.

Keywords: Arduino Mega, Cardiac arrhythmias, Holter ECG signal, MIT arrhythmia database.

(ProQuest: Formulae omitted.)

1.Introducción

De acuerdo con (Raj, Ray, y Shankar 2016) el aumento de muertes por enfermedades cardiovasculares (ECV) ha motivado el interés en el estudio de EEG . La Organización Mundial de la Salud (WHO) manifiesta que las enfermedades cardiovasculares (Cardiovascular Diseases, CVDs) son la causa número uno de muerte a nivel mundial. Se estima que 17.9 millones de personas han muerto de CVDs en el 2016, representando el 31% del fallecimiento global (W.H. Organization 2019). Las arritmias cardiacas ocurren cuando los impulsos eléctricos que coordinan los latidos cardíacos no funcionan adecuadamente provocando un comportamiento irregular en el corazón, y por tanto, el análisis de señales electrocardiográficas (ECG) es usado en la detección de un amplio rango de condiciones cardiacas.

Existe una gran variedad de estrategias aplicadas por varios investigadores para obtener resultados satisfactorios en la caracterización de los latidos, mediante el uso de diferentes herramientas para mejorar la precisión en la detección de arritmias. En la investigación planteada por (Isin y Ozdalili 2017), se aplica Deep Learning con una red neuronal con propagación hacia atrás obteniendo una precisión de 92% de detección, mientras, (Rajesh y Dhuli 2017) utilizan un clasificador SMO-SVM obteniendo una precisión promedio del 97%; ambas investigaciones trabajan con la base de datos MITBIH. Existe varios algoritmos para la detección de complejos QRS, explicados de manera detallada por (Elgendi et al. 2014), (Niazi, Khan, Shaukat, & Akhtar, 2015) realiza el estudio de selección del mejor subconjunto de características para la clasificación de arritmias cardíacas. La literatura reporta algunos sistemas de análisis de ECG que han exhibido resultados notables, aunque el coste computacional relativamente alto para un sistema embebido, entre ellos se resalta a (Polat, Şahan, y Güneş 2006), (Pourbabaee, Roshtkhari, y Khorasani 2018),(Kocamaz, Aydin, & Uçar, 2011), (Yildirim et al. 2018), (Rodríguez-Sotelo et al. 2010), (Özçift 2011) (Polat y Güneş 2007), (Rodríguez-Sotelo et al. 2010), (Guvenir et al. 1997), (Rodriguez-Sotelo et al. 2009) y (Rodríguez-Sotelo et al. 2017) o estudios comparativos para la detección de arritmias cardiacas: SVM, Logistic Regression, KNN, Random Forest, LVQ, Naive Baye (Babu, Senapathi, Sahini, & Sudha, 2020).

Esta investigación contribuye en el análisis de señales ECG y detección de arritmias cardiacas en un entorno de bajo costo computacional. Particularmente, se presenta el desarrollo de un prototipo que involucra una metodología de clasificación de latidos y una implementación en un sistema embebido. La metodología propuesta incluye las etapas descritas a continuación: inicia con la etapa de pre-procesamiento, en la cual se realiza una normalización de amplitud y filtrado de la señal ECG. Continúa con la extracción de características basadas en la evolución, el cambio y la forma del complejo QRS. Después, un grupo de características es elegido aplicando los métodos de selección de características Bestfirst y Ranker. Por último, los latidos representados con las características seleccionadas son clasificados usando el clasificador de ^-Nearest Neighbor (KNN). Para propósitos de experimentos, la metodología es evaluada sobre la base de datos MIT-BIH, y el sistema embebido considerado es Arduino Mega. Como resultado se aprecia que la metodología es bastante satisfactoria y presenta resultados prometedores para alcanzar un buen compromiso entre coste computacional y desempeño. En efecto, en promedio alcanza un desempeño del 94.10% y un tiempo de procesado promedio de 62 segundos cuando se evalúan 372 latidos de una muestra de 5 minutos de duración.

El resto del manuscrito se organiza de la siguiente manera: La Sección 2 describe los tipos de latido, y la base de datos considerados, así como la metodología propuesta de clasificación de latidos. La sección 3 reúne los resultados con su respectiva discusión. Finalmente, las conclusiones y los comentarios finales se mencionan en la Sección 4.

2.Materiales y métodos

2.1.Tipos de arritmias

La AAMI (Association for the Advanced of Medical Instrumentation) recomienda analizar 5 tipos de latidos para la detección de arritmias cardiacas, las cuales se muestran en la Figura 1.

2.2.Base de datos

El sistema de soporte diagnóstico se encarga de la detección, caracterización y clasificación de los complejos QRS, además de la visualización de resultados. En la Figura 1 se observa la metodología propuesta para el procesamiento de la señal ECG. La base de datos de arritmias cardiacas MIT-BIH contiene 48 registros de señales ECG, con una duración aproximada de media hora cada uno, adquiridos de 47 pacientes (los registros 201 y 202 son de la misma persona). En la Tabla 1 se muestra un resumen detallado.

2.3.Metodología

El sistema de soporte diagnóstico se encarga de la detección, caracterización y clasificación de los complejos QRS, además de la visualización y validación de resultados. En la Figura 2 se observa la metodología propuesta para el procesamiento de la señal ECG.

Normalización: Antes de someter las señales cardíacas (s) a la caracterización se elimina el nivel DC y se normaliza la señal en el rango (-1,1) de acuerdo con la Ecuación 1:

... (1)

Donde j·(s) representa promedio de la señal ECG.

Filtrado: El filtrado de la señal ECG se lo realiza mediante un filtro de media móvil, el cual es de fácil implementación y de bajo coste computacional para el sistema embebido, de acuerdo con la Ecuación 2:

... (1)

Donde sn representa el promedio de las 5 últimas muestras de la señal ECG.

Segmentación: El proceso de segmentación se compone de dos etapas, la primera se encarga de extraer el latido cardiaco en porcentaje de la duración del latido anterior, como se muestra en la Figura 3.

La segunda etapa de la segmentación es la extracción del complejo QRS en un intervalo del ±10% del tiempo de muestreo a partir de la onda R, tal como se muestra en la Figura 4.

Caracterización: Se considera trabajos previos de señales ECG, se usan las características de bajo costo computacional que se muestran en la Tabla 2.

Se genera como resultado una matriz de características, cuyas filas representan la cantidad de latidos de cada paciente y las columnas las 9 características normalizadas a través de la EQ 1.

Selección de características: para obtener las características más significativas, se utiliza dos métodos de Weka (Hall et al. 2009) los cuales permiten obtener un conjunto más pequeño para el posterior análisis.

1. Se usa el evaluador de atributos CfsSubsestEval y el método de búsqueda BestFirst (Hall 1999).

2. Se usa el evaluador de atributos InfoGainAttributeEval y el método de búsqueda Ranker.

Se analiza los atributos encontrados y se selecciona aquellos que generen un mejor rendimiento de clasificación. Se obtienen matrices de características reducidas, diferentes para cada paciente.

Clasificación: las características obtenidas son usadas para entrenar y evaluar el rendimiento del clasificador KNN.

* K - Nearest Neighbour (k - NN): k-NN encuentra un grupo k de objetos de un conjunto de entrenamiento, los cuales son más cercanos a un nuevo objeto de prueba; donde se asigna la etiqueta de la clase predominante.

Todos los experimentos fueron implementados en el dispositivo Arduino Mega, el cual se controla mediante una pantalla táctil compatible donde también se muestra los resultados.

3.Resultados y discusión

Debido a la diferencia en la fisiología cardiaca de cada paciente, se generan modelos de entrenamiento por separado, tanto en la selección de características como en la cantidad de datos entrenamiento.

Con las mejores características seleccionadas, se extrae un reducido conjunto de entrenamiento representativo, que ofrezca una buena calidad de detección y reduzca el tiempo de procesamiento. Se puede observar en la Tabla 3 un subconjunto de resultados de varios pacientes.

Aquí se puede apreciar que el conjunto de entrenamiento de mayor dimensión corresponde al registro 106, con un total de 60 datos correspondientes al 2.96% de los latidos del paciente. Además, el mejor resultado de clasificación se encuentra en el paciente 231, obteniendo un 100% de clasificación con 14 datos de entrenamiento.

Los resultados de la selección de características se pueden observar en la Figura 5, donde se observa la separabilidad de las clases en el registro 100.

El sistema de soporte diagnóstico muestra los resultados de manera gráfica en tiempo real como se observa en la Figura 6. Aquí se puede apreciar la cantidad total de latidos analizados, la cantidad de latidos normales y patológicos, el registro analizado y el tiempo total de procesamiento.

El dispositivo embebido tiene un promedio de i minuto de análisis para una señal cardiaca de 5 minutos de duración, demostrando que Arduino tiene la capacidad computacional suficiente para manejar el sistema de soporte diagnóstico en tiempo real. Un vídeo ilustrativo de cómo funciona la interfaz desarrollada puede verse en el siguiente enlace: https://sdas-group.com/gallery/.

4.Conclusiones y trabajo futuro

Este trabajo ha presentado una propuesta y resultados preliminares para el diseño de un sistema de detección de arritmias cardíacas, a nivel de prototipo, en un entorno de bajo coste computacional. Como conclusión, se comprueba que el uso del algoritmo de k vecinos más cercanos (k-NN) junto con una etapa de selección de variables del conjunto de entrenamiento es una buena alternativa. En efecto, k-NN alcanza un buen rendimiento de clasificación en la mayoría de los registros para la detección de arritmias cardiacas. Además, la reducción de características ayuda a mejorar el desempeño y disminuir el tiempo computacional de clasificación, dado que elimina información innecesaria, y reduce el ruido.

A nivel de prototipo, se comprueba que el sistema embebido considerado (Arduino Mega) tiene la capacidad computacional suficiente para procesar en tiempo real las señales ECG, lo cual da un buen indicio para establecer un sistema viable y aplicable como sistema de soporte diagnóstico.

Como trabajo futuro, diversas alternativas de sistemas embebidos, así como de técnicas de procesado de señales y análisis de datos serán exploradas.

References

Referencias

Babu, C., Senapathi, M., Sahini, R., & Sudha, R. (2020). Neural network based arrhythmia classification. Journal of Advanced Research in Dynamical and Control Systems, 12(6 Special Issue), 154-159. https://doi.org/10.5373/JARDCS/V12SP6/ SP20201019

Elgendi, Mohamed, Björn Eskofier, Socrates Dokos, y Derek Abbott. 2014. "Revisiting QRS Detection Methodologies for Portable, Wearable, Battery-Operated, and Wireless ECG Systems" editado por L. A. Nunes. Amaral. PLoS ONE 9(i):e840i8.

Guvenir, H. A., B. Acar, G. Demiroz, y A. Cekin. 1997. "Supervised machine learning algorithm for arrhythmia analysis". Pp. 433-36 en.

Hall, Mark A. 1999. "Correlation-Based Feature Selection for Machine Learning".

Hall, Mark, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, y Ian H. Witten. 2009. "The WEKA Data Mining Software: An Update". ACM SIGKDD Explorations Newsletter 11(1):10.

Isin, Ali, y Selen Ozdalili. 2017. "Cardiac Arrhythmia Detection Using Deep Learning". Procedía Computer Science 120:268-75.

Kocamaz, A. F., Aydin, F., & Uçar, E. 2011. Developing of a learning-based system to assist treatment process of arrhythmia patients. Scientific Research and Essays, 6(32), 6654-6665. https://doi.org/10.5897/SRE11.1043

Morizet-Mahoudeaux, P., C. Moreau, D. Moreau, y J. J. Quarante. 1981. "Simple Microprocessor-Based System for on-Line e.c.g. Arrhythmia Analysis". Medical and Biological Engineering and Computing 19(4)^97-500.

Mustaqeem, A., Anwar, S. M., Majid, M., & Khan, A. R. 2017. Wrapper method for feature selection to classify cardiac arrhythmia. In Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS (pp. 3656-3659). https://doi.org/10.1109/EMBC.2017.8037650

Niazi, K. A. K., Khan, S. A., Shaukat, A., & Akhtar, M. 2015. Identifying best feature subset for cardiac arrhythmia classification. In Proceedings of the 2015 Science and Information Conference, SAI 2015 (pp. 494-499). https://doi.org/10.1109/ SAI.2015.7237188

Özçift, A. 2011. "Random forests ensemble classifier trained with data resampling strategy to improve cardiac arrhythmia diagnosis". Computers in Biology and Medicine 41(5):265-71.

Polat, K., y S. Güneş. 2007. "Detection of ECG Arrhythmia using a differential expert system approach based on principal component analysis and least square support vector machine". Applied Mathematics and Computation 186(1^898-906.

Polat, K., S. Şahan, y S. Güneş. 2006. "A new method to medical diagnosis: Artificial immune recognition system (AIRS) with fuzzy weighted pre-processing and application to ECG arrhythmia". Expert Systems with Applications 31(2)^64-69.

References

Pourbabaee, B., M. J. Roshtkhari, y K. Khorasani. 2018. "Deep Convolutional Neural Networks and Learning ECG Features for Screening Paroxysmal Atrial Fibrillation Patients". IEEE Transactions on Systems, Man, and Cybernetics: Systems 48(12):2095-2104.

Raj, S., K. C. Ray, y O. Shankar. 2016. "Cardiac arrhythmia beat classification using DOST and PSO tuned SVM". Computer Methods and Programs in Biomedicine 136:163-77.

Rajesh, Kandala N. V. P. S., y Ravindra Dhuli. 2017. "Classification of ECG Heartbeats Using Nonlinear Decomposition Methods and Support Vector Machine". Computers in Biology and Medicine 87:271-84.

Rodriguez-Sotelo, J. L., D. Cuesta-Frau, D. Peluffo-Ordonez, y G. Castellanos-Dominguez. 2009. "Unsupervised feature selection in cardiac arrhythmias analysis". Pp. 257174 en 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society.

Rodríguez-Sotelo, J. L., E. Delgado-Trejos, D. Peluffo-Ordóñez, D. Cuesta-Frau, y G. Castellanos-Dominguez. 2010. "Weighted-PCA for unsupervised classification of cardiac arrhythmias". Pp. 1906-9 en 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology.

Rodríguez-Sotelo, J. L., D. H. Peluffo-Ordoñez, D. López-Londoño, y A. Castro-Ospina. 2017. "Segment Clustering for Holter Recordings Analysis". Pp. 456-63 en Natural and Artificial Computation for Biomedicine and Neuroscience, Lecture Notes in Computer Science, editado por J. M. Ferrández Vicente, J. R. Álvarez-Sánchez, F. de la Paz López, J. Toledo Moreo, y H. Adeli. Cham: Springer International Publishing.

W.H. Organization. 2019. "Cardiovascular Diseases". Recuperado el 1 de junio de 2019 (https://www.who.int/cardiovascular_diseases/en/).

Yildirim, Ö., P. Pławiak, R. S. Tan, y U. R. Acharya. 2018. "Arrhythmia detection using deep convolutional neural network with long duration ECG signals". Computers in Biology and Medicine 102:411-20.