Reconhecimento de Contração Prematura Ventricular utilizando separação cega de fontes e comitê de máquinas bayesianas
Data
2020-09-17
Autores
Oliveira, Bruno Rodrigues de [UNESP]
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Resumo
As Contrações Prematuras Ventriculares (CPV) estão entre as arritmias que podem desenca- dear doenças cardíacas fatais. Seu diagnóstico é mais acurado quando utilizado monitoramento ambulatorial de 24 ou 48 horas. Estes exames geram muitos dados para serem analisados pelo especialista, logo, ferramentas computacionais são imprescindíveis para auxiliarem o diagnós- tico. Neste trabalho é proposta uma nova abordagem para reconhecimento das CPVs, por meio da análise de segmentos dos sinais de Eletrocardiograma (ECG), baseada na utilização do método de separação cega de fontes AMUSE para extração dos atributos característicos, se- guido da Análise Discriminante Linear para redução da dimensionalidade, e o algoritmo Naive Bayes para indução das máquinas de aprendizado, as quais são ponderadas em um comitê de máquinas cujas importâncias são obtidas pelo método Análise Hierárquica de Processos (AHP) empregando uma função de conversão adequada, também proposta. Vários experimentos são implementados a m de veri car a performance das abordagens propostas, incluindo: dados balanceados e desbalanceados, performances individuais por registros ECG, variações dos pa- râmetros das máquinas de aprendizado, ambiente ruidoso e diversas composições de comitês. No melhor dos casos, obteve-se medidas de acurácia, sensibilidade e especi cidade nos valo- res de 99,57%, 98,64% e 99,65%, respectivamente. A pesquisa apresentada traz contribuições relevantes para a área de aprendizado de máquina de sinais biomédicos, ao apresentar uma me- todologia simples, de baixo custo computacional e e ciente para o reconhecimento de arritmias CPV.
Premature Ventricular Contractions (PVC) are among the arrhythmias that can trigger fatal heart disease. Their diagnose are more accurate when 24- or 48-hour ambulatory monitoring are used. These exams generate a lot of data to be analyzed by the specialist, therefore com- putational tools are essential to helping the diagnosis. This work proposes a new approach for PVC recognition, analyzing ECG signal segments, using the AMUSE blind source separation method for attributes extraction, Linear Discriminant Analysis for dimensionality reduction and the Naive Bayes algorithm to induce learning machines which are weighted in a machine committee whose importances are obtained by the Analytic Hierarchy Process method through an appropriate conversion function. Several experiments are implemented, such as: balan- ced and unbalanced data, individual ECG record performances, variations in learning machine parameters, noisy environment, various committee compositions; in order to verify the perfor- mance of the proposed approaches. In the best of the cases, accuracy, sensitivity and speci city measures were 99,57%, 98,64% e 99,65%, respectively. The presented survey brings out relevant contributions to the biomedical signal machine learning area, presenting a simple, low compu- tational and e cient methodology for PVC arrhythmias recognition.
Premature Ventricular Contractions (PVC) are among the arrhythmias that can trigger fatal heart disease. Their diagnose are more accurate when 24- or 48-hour ambulatory monitoring are used. These exams generate a lot of data to be analyzed by the specialist, therefore com- putational tools are essential to helping the diagnosis. This work proposes a new approach for PVC recognition, analyzing ECG signal segments, using the AMUSE blind source separation method for attributes extraction, Linear Discriminant Analysis for dimensionality reduction and the Naive Bayes algorithm to induce learning machines which are weighted in a machine committee whose importances are obtained by the Analytic Hierarchy Process method through an appropriate conversion function. Several experiments are implemented, such as: balan- ced and unbalanced data, individual ECG record performances, variations in learning machine parameters, noisy environment, various committee compositions; in order to verify the perfor- mance of the proposed approaches. In the best of the cases, accuracy, sensitivity and speci city measures were 99,57%, 98,64% e 99,65%, respectively. The presented survey brings out relevant contributions to the biomedical signal machine learning area, presenting a simple, low compu- tational and e cient methodology for PVC arrhythmias recognition.
Descrição
Palavras-chave
Contrações Prematuras Ventriculares, Reconhecimento de arritmias, Aprendizado de máquina, Separação cega de fontes, Análise Hierárquica de Processos, Premature Ventricular Contractions, Arrhythmia recognition, Machine learning, Blind source separation, Analytic Hierarchy Process