Análisis no supervisado aplicado a la detección de arritmias cardiacas

Autores/as

  • Mónica Moreno-Revelo Universidad de Nariño
  • Sandra Patascoy-Botina Universidad de Nariño
  • Andrés Pantoja-Buchelli Universidad de Nariño
  • Javier Revelo Fuelagán Universidad de Nariño
  • José Rodríguez-Sotelo Universidad autónoma de Manizales
  • Santiago Murillo-Rendón Universidad autónoma de Manizales
  • Diego Peluffo-Ordoñez Universidad Técnica del Norte

DOI:

https://doi.org/10.29019/enfoqueute.v8n1.125

Palabras clave:

Agrupamiento, Metodología por Segmentos, Inicialización, Medidas de desempeño.

Resumen

Una arritmia es una patología que consiste en la alteración de los latidos del corazón. A pesar de que el electrocardiograma de 12 derivaciones permite evaluar el comportamiento eléctrico del corazón para determinar ciertas patologías, existen algunas arritmias que son de difícil detección con este tipo de electrocardiografía. Por tanto, es necesario recurrir al uso del monitor Holter, debido a que facilita el registro de la actividad eléctrica del corazón durante largos periodos de tiempo, por lo general de 24 a 48 horas. Debido a la extensión de los registros proporcionados por el monitor, es común acudir al uso de sistemas computacionales para evaluar características diagnósticas y morfológicas de los latidos con el fin de determinar si existe algún tipo de anormalidad. Estos sistemas computacionales pueden basarse en técnicas supervisadas o no supervisadas de reconocimiento de patrones, pero teniendo en cuenta que en la primera opción el realizar una inspección visual de la gran cantidad de latidos presentes en un registro Holter, resulta ser una ardua tarea, además de implicar costos monetarios, en este trabajo se presenta el diseño de un sistema completo para la identificación de arritmias en registros Holter usando técnicas no supervisadas de reconocimiento de patrones. El sistema propuesto involucra etapas de pre-procesamiento de la señal, segmentación y caracterización de latidos, además de selección de características y agrupamiento. En este caso, la técnica utilizada es k-medias. Dichas etapas se aplican dentro del marco de una metodología basada en segmentos que mejora la detección de clases minoritarias. Asimismo, se considera criterios de inicialización que permiten mejorar las medidas de desempeño, en especial, la sensibilidad. Como resultado, se determina que usar k-medias con el criterio de inicialización máx-mín y un número de grupos igual a 12, permite obtener los mejores resultados, siendo: 99,36 %, 91,31 % y 99,16 % para exactitud, sensibilidad y especificidad, respectivamente.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aggarwal, C. C., & Zhai, C. (2012). Mining text data. Springer Science & Business Media.
Aldahdooh, R. T., & Ashour, W. (2013). DIMK-means" Distance-based Initialization Method for K-means Clustering Algorithm". International Journal of Intelligent Systems and Applications, 5(2), 41.
Anderberg, M. R. (2014). Cluster analysis for applications: probability and mathematical statistics: a series of monographs and textbooks (Vol. 19). Academic press.
Balachandran, A., Ganesan, M., & Sumesh, E. P. (2014, March). Daubechies algorithm for highly accurate ECG feature extraction. In Green Computing Communication and Electrical Engineering (ICGCCEE), 2014 International Conference on (pp. 1-5). IEEE.
Bhateja, V., Urooj, S., Mehrotra, R., Verma, R., Lay-Ekuakille, A., & Verma, V. D. (2013, December). A composite wavelets and morphology approach for ECG noise filtering. In International Conference on Pattern Recognition and Machine Intelligence (pp. 361-366). Springer Berlin Heidelberg.
Byrne, C. L. (2014). Signal Processing: a mathematical approach. CRC Press.
Carreiras, C., Lourenço, A., Aidos, H., da Silva, H. P., & Fred, A. L. (2016). Unsupervised Analysis of Morphological ECG Features for Attention Detection. In Computational Intelligence (pp. 437-453). Springer International Publishing.
Celebi, M. E., Kingravi, H. A., & Vela, P. A. (2013). A comparative study of efficient initialization methods for the k-means clustering algorithm. Expert Systems with Applications, 40(1), 200-210.
Chandrashekar, G., & Sahin, F. (2014). A survey on feature selection methods. Computers & Electrical Engineering, 40(1), 16-28.
Chen, Y. H., & Yu, S. N. (2012). Selection of effective features for ECG beat recognition based on nonlinear correlations. Artificial intelligence in medicine, 54(1), 43-52.
Chung, E. K. (2013). Ambulatory electrocardiography: holter monitor electrocardiography. Springer Science & Business Media.
Jannah, N., & Hadjiloucas, S. (2015, December). Detection of ECG arrhythmia conditions using CSVM and MSVM classifiers. In 2015 IEEE Signal Processing in Medicine and Biology Symposium (SPMB) (pp. 1-2). IEEE.
Kavitha, B., Karthikeyan, S., & Chitra, B. (2010). Efficient intrusion detection with reduced dimension using data mining classification methods and their performance comparison. In Information Processing and Management (pp. 96-101). Springer Berlin Heidelberg.
Khan, T. T., Sultana, N., Reza, R. B., & Mostafa, R. (2015, May). ECG feature extraction in temporal domain and detection of various heart conditions. In Electrical Engineering and Information Communication Technology (ICEEICT), 2015 International Conference on (pp. 1-6). IEEE.
Martis, R. J., Acharya, U. R., & Min, L. C. (2013). ECG beat classification using PCA, LDA, ICA and discrete wavelet transform. Biomedical Signal Processing and Control, 8(5), 437-448.
Peshave, J. D., & Shastri, R. (2014, April). Feature extraction of ECG signal. In Communications and Signal Processing (ICCSP), 2014 International Conference on (pp. 1864-1868). IEEE.
Revathi, S., & Nalini, D. T. (2013). Performance comparison of various clustering algorithm. International Journal of Advanced Research in Computer Science and Software Engineering, 3(2).
Rodriguez, C. A., Gallego, J. H., Mora, I. D., Orozco-Duque, A., & Bustamante, J. (2014). Clasificación de latidos de contracción ventricular prematura basados en métodos de aprendizaje no supervisado. Revista Ingeniería Biomédica, 8(15), 51-58.
Rodríguez-Sotelo, J. L., Peluffo-Ordoñez, D., & Dominguez, G. C. (2015, January). Segment clustering methodology for unsupervised Holter recordings analysis. In Tenth International Symposium on Medical Information Processing and Analysis (pp. 92870M-92870M). International Society for Optics and Photonics.
Senapati, M. K., Senapati, M., & Maka, S. (2014, August). Cardiac Arrhythmia Classification of ECG Signal Using Morphology and Heart Beat Rate. In Advances in Computing and Communications (ICACC), 2014 Fourth International Conference on (pp. 60-63). IEEE.
Tzortzis, G., & Likas, A. (2014). The MinMax k-Means clustering algorithm. Pattern Recognition, 47(7), 2505-2516.
Wang, J., Wang, J., Ke, Q., Zeng, G., & Li, S. (2015). Fast approximate k-means via cluster closures. In Multimedia Data Mining and Analytics (pp. 373-395). Springer International Publishing.
Xie, X. Q., Wang, L. H., Jiang, S. Y., Lee, S. Y., Lin, K. H., Wang, X. K., ... & Deng, N. (2015, October). An ECG feature extraction with wavelet algorithm for personal healthcare. In Bioelectronics and Bioinformatics (ISBB), 2015 International Symposium on (pp. 128-131). IEEE.
Ye, C., Kumar, B. V., & Coimbra, M. T. (2012). Heartbeat classification using morphological and dynamic features of ECG signals. IEEE Transactions on Biomedical Engineering, 59(10), 2930-2941.

Descargas

Publicado

2017-02-24

Cómo citar

Moreno-Revelo, M., Patascoy-Botina, S., Pantoja-Buchelli, A., Revelo Fuelagán, J., Rodríguez-Sotelo, J., Murillo-Rendón, S., & Peluffo-Ordoñez, D. (2017). Análisis no supervisado aplicado a la detección de arritmias cardiacas. Enfoque UTE, 8(1), pp. 257 – 272. https://doi.org/10.29019/enfoqueute.v8n1.125

Número

Vol. 8 Núm. 1 (2017): Edición Especial INCISCOS 2016

Sección

Misceláneos

Licencia

Los artículos e investigaciones publicadas por la Universidad UTE, se realizan en régimen de Acceso Abierto [Open Access] en formato electrónico. Esto significa que todo el contenido está disponible de forma gratuita sin costo para el usuario o su institución. Los usuarios pueden leer, descargar, copiar, distribuir, imprimir, buscar o enlazar los textos completos de los artículos, o usarlos para cualquier otro propósito legal, sin necesidad de pedir permiso previo al editor o al autor. Esto está de acuerdo con la definición de acceso abierto de la Iniciativa de Acceso Abierto de Budapest (BOAI). Al enviar un artículo a cualquiera de las revistas científicas de la Universidad UTE, el o los autores aceptan estas condiciones.

La UTE aplica la licencia Creative Commons Attribution (CC-BY) a los artículos de sus revistas científicas. En virtud de esta licencia de acceso abierto, como autor usted acuerda que cualquier persona puede reutilizar su artículo en su totalidad o en parte para cualquier propósito, de forma gratuita, incluso para fines comerciales. Cualquiera puede copiar, distribuir o reutilizar el contenido siempre y cuando el autor y la fuente original estén correctamente citados. Esto facilita la libertad de reutilización y también asegura que el contenido pueda ser extraído sin barreras para necesidades de investigación.

 

Esta obra está bajo una Creative Commons Attribution 3.0 International (CC BY 3.0).

 

Además, la Revista Enfoque UTE garantiza y declara que los autores conservan siempre todos los derechos de autor y todos los derechos de publicación sin restricciones [© Los Autores].  El reconocimiento (BY) permite cualquier explotación de la obra, incluyendo una finalidad comercial, así como la creación de obras derivadas, la distribución de las cuales también está permitida sin ninguna restricción.