نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 دانشجوی دکتری، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر
2 دانشیار دانشکده مهندسی پزشکی، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر
3 دانشجوی کارشناسی ارشد، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر
چکیده
تاکنون از روشهای بسیاری برای طبقه‌بندی خودکار ضربان قلب استفاده شده است؛ اما تعداد بسیار اندکی از این روش‌ها در طبقه‌بندی مستقل از بیمار کارایی مناسبی داشته‌اند. در این مقاله، تئوری بازسازی فضای فاز برای طبقه‌بندی پنج نوع ضربان قلب (طبیعی، PVC، LBBB، RBBB و PB) در حالت مستقل از بیمار به کار رفته است. در روش اول و دوم ابتدا فضای فاز به دست آمده، مدلسازی شده و سپس با کمک طبقه‌بند بیزین کلاسیک، طبقه‌بندی انجام شده است. در روش اول مدل ترکیبی گوسین و و در روش دوم مدل بین به کار رفته است. در روش سوم، از بازسازی فضای فاز مستقیماً برای تعلیم تخمین‌زنندة شبکه عصبی با تأخیر زمانی استفاده شده؛ سپس طبقه‌بندی بر مبنای کمینه خطای پیش‌بینی، انجام شده است. نتایج هر سه روش در مقایسه با سایر روشهای طبقه‌بندی مستقل از بیمار بهبود قابل توجهی داشته است. بهترین نتایج مربوط به روش اول است که صحت طبقه‌بندی 5/92% در حالت مستقل از بیمار را نشان می‌دهد.
کلیدواژه‌ها
- طبقه‌بندی خودکار ضربان قلب
- طبقه‌بندی سیگنال الکتروکاردیوگرام مستقل از بیمار
- بازسازی فضای فاز
- مدل ترکیبی گوسین
- شبکه عصبی با تأخیر زمانی
موضوعات
عنوان مقاله [English]
Patient Independent Heart Beat Classification using Reconstructed Phase Space
نویسندگان [English]
- Isar Nejadgholi 1
- Mohammad Hasan Moradi 2
- Fateme Abdol Ali 3
1 Ph.D Student, Faculty of Biomedical Engineering, Amirkabir University of Technology
2 Associate Professor, Faculty of Group, iomedical Engineering, Amirkabir University of Technology
3 M.Sc Student, Faculty of Biomedical Engineering, Amirkabir University of Technology
چکیده [English]
Many methods for automatic heartbeat classification have been applied and reported in literature, but relatively little number of them concerned with patient independent classification because of the less significant results compared to patient dependent ones. In this work, Reconstructed Phase Space (RPS) theory is used to classify five heartbeat types (Normal, PVC, LBBB, RBBB and PB). In the first and second method, RPS is modeled by the Gaussian mixture model (GMM) and bins, respectively and then classified by classic Bayesian classifier. In the third method, RPS is directly used to train predictor time-delayed neural networks (TDNN) and classified based on minimum prediction error. All three methods highly outperform the results reported before for patient independent heartbeat classification. The best result is achieved using GMM-Bayes method with 92.5% accuracy for patient independent classification.
کلیدواژه‌ها [English]
- Automatic heart beat classification
- Patient independent Electrocardiogram (ECG) classification
- reconstructed phase space
- Gaussian mixture model
- Time-delayed Neural Network
[1] Minami H., Nakajima A., Toyoshima T., Real-time discrimination of ventri-cular tachyarrhythmia with Fourier-transform neural network; IEEE Trans. Biomed. Eng, 1999; 46:179–185.
[2] Evans S., Hastings H., Bodenheimer M., Differentiation of beats of ventricular and sinus origin using a self-training neural network; PACE, 1994; 17: 611–626.
[3] Clayton R., Murray A., Campbell R., Recognition of ventricular fibrillation using neural networks; Med. Biol. Eng. Comput, 1994; 32: 217–220.
[4] Barro S., Ruiz R., Cabello D., Mira J., Algorithmic sequential decision-making in the frequency domain for life threatening ventricular arrhythmias and imitative artifacts: a diagnostic system; J. Biomed. Eng, 1989; 11: 320–328.
[5] Yeap T.H., Johnson F., Rachniowski M., ECG beat classification by a neural network; in: Proceedings of the Annual International Conference on IEEE Engineering Medicine and Biology Society, 1990: 1457–1458.
[6] Chazal P., O’Dwyer M., Reilly R.B., Automatic classification of heartbeats using ECG morphology and heartbeat interval features; IEEE Trans. Biomed. Eng, 2004; 51: 1196–1206.
[7] Maglaveras N., Stamkopoulos T., Diamantaras K., Pappas C., Strintzis M., ECG pattern recognition and classification using non-linear transformations and neural networks: a review; Int. J. Med .Inf, 1998; 52: 191–208.
[8] Hu Y.H., Palreddy S., Tompkins W.J., A patient-adaptable ECG beat classifier using a mixture of experts approach; IEEE Trans. Biomed. Eng, 1997; 44: 891–900.
[9] Senhadji L., Carrault G., Bellanger J.J., Passariello G., Comparing wavelet transforms for recognizing cardiac patterns; IEEE Eng. Med. Biol.Mag, 1995; 14: 167–173.
[10] Lagerholm M., Peterson C., Braccini G., Edenbrandt L., Sornmo L., Clustering ECG complexes using hermite functions and self-organizing maps; IEEE Trans. Biomed.Eng, 2000; 47: 838–848.
[11] Ya S.N., Chou K.T., Integration of independent component analysis and neural networks for ECG beat classification; Expert Syst. Appl, 2008; 34: 2841–2846.
[12] Kampouraki M., Manis G., Nikou C., Heartbeat time series classification with support vector machines; IEEE Trans. Inf. Technol. Biomed, 2009; 13(4): 512–518.
[13] Jekova I., Bortolan G., Christov I., Assessment and comparison of different methods for heartbeat classification; Med. Eng. Phys, 2008; 30: 248–257.
[14] Sauer T., Yorke J.A., Casdagli M., Embedology; J. Stat. Phys, 1991, 65: 579–616.
[15] Grassberger P., Procaccia I., Measuring the strangeness of strange attractors; Physica D9, 1983: 189–208.
[16] Leung H., System identification using chaos with application to equalization of a chaotic modulation system; IEEE Trans. Circuits Syst. I, Fundam. Theory Appl, 1998; 45: 314–320.
[17] JPovinelli R., Johnson M.T., Lindgren A.C., Ye J., Time series classification using Gaussian mixture models of reconstructed phase spaces; IEEE Trans. Knowl. Data Eng, 2004; 16(6): 779–783.
[18] Povinelli R.J., Lindgren A.C, Ye J., Statistical Models of Reconstructed Phase Spaces for Signal Classification; IEEE Trans. Signal Process, 2006; 54(6).
[19] Kantz H., Schreiber T., Nonlinear Time Series Analysis; Cambridge University Press, Cambridge, 1997.
[20] Johnson M.T, Povinelli R.J., Lindgren A.C., Ye J.J., Liu X., Indrebo K.M., Time-domain isolated phoneme classification using reconstructed phase spaces; IEEE Trans. Speech Audio Process, 2005; 13(4).
[21] Liu L., He J., On the use of orthogonal GMM in speaker recognition, presented at ICASSP; Tempe, AZ, 1999.
[22] Moon T.K., The expectation-maximization algorithm; IEEE Signal Process. Mag, 1996: 47–59.
[23] Mitchell T.M., Machine Learning, McGraw-Hill, NewYork, 1997.
[24] Domingos P., Pazzani M., On the optimality of the simple Bayesian classifier under zero-one loss; Mach. Learn, 1997, 29: 103–130.
[25] Waibel A., Modular construction of time delay neural networks for speech recognition; Neural Comput, 1989, 1: 39–46.
[26] Physiobank Archive Index, MIT-BIH Arrhythmia Database. <http://www.physionet.org/physiobank/database>.
)