Conference PaperPDF Available

Metodología para la reconstrucción y extracción de caracaterísticas del complejo QRS basada en el modelo parmétrico de Hermite

Authors:

Abstract and Figures

En este trabajo se desarrolla una metodología para la reconstrucción y caracterización de los complejos QRS empleando el modelo paramétrico de Hermite. Los complejos son extraídos de la base de datos MIT-BIH. La reconstrucción se realiza empleando el valoróptimovalor´valoróptimo del parámetro de escala de las bases de Hermite obtenido mediante la minimización de la disimilitud de la señalse˜señal original y la reconstruida. Se emplea DTW como medida de disimilitud. Adicionalmente, se presenta un método para obtener la cantidad mínima de bases que generan una reconstrucción con alta confiabilidad basado en la comparación de los espectros de frecuencia en el rango de 1 − 20 Hz. La evaluación de la caracterización se realiza mediante el algoritmo de clustering K-means Max-Min.
Content may be subject to copyright.
V SEMANA T´
ECNICA ING. EL´
ECTRICA Y ELECTR ´
ONICA 1
Metodolog´
ıa para la reconstrucci´
on y extracci´
on de
caracater´
ısticas del complejo QRS basada en el
modelo parm´
etrico de Hermite
D. Peluffo, J. L. Rodr´ıguez, C. G. Castellanos
Abstract—En este trabajo se desarrolla una metodolog´ıa
para la reconstrucci´
on y caracterizaci´
on de los complejos
QRS empleando el modelo param´
etrico de Hermite. Los
complejos son extra´ıdos de la base de datos MIT - BIH.
La reconstrucci´
on se realiza empleando el valor ´
optimo
del par´
ametro de escala de las bases de Hermite obtenido
mediante la minimizaci´
on de la disimilitud de la se˜
nal
original y la reconstruida. Se emplea DTW como medida
de disimilitud. Adicionalmente, se presenta un m´
etodo
para obtener la cantidad m´ınima de bases que generan
una reconstrucci´
on con alta confiabilidad basado en la
comparaci´
on de los espectros de frecuencia en el rango de
120 Hz. La evaluaci´
on de la caracterizaci´
on se realiza
mediante el algoritmo de clustering K-means Max-Min.
I. INTRODU CCI ´
ON
El electrocardiograma (ECG) es la prueba diagn´ostica
as importante y definitiva para el an´alisis del compor-
tamiento el´ectrico del coraz´on [1]. Adem´as, es de uso
muy frecuente por tratarse de una t´ecnica no invasiva.
El test electrocardiogr´afico m´as com´un es el ECG de
superficie de 12 derivaciones que se realiza por un breve
periodo de tiempo. Sin embargo algunas patolog´ıas
card´ıacas transitorias y de alta variabilidad espont´anea
en el ritmo y frecuencia no puden detectarse en este
tipo de test. Por esta raz´on existe la electrocardiograf´ıa
ambulatoria que se realiza para evaluar al paciente
durante prolongados periodos de tiempo, sin alterar su
actividad diaria, lo que permite el examen din´amico del
ECG en su ambiente natural. Los registros obtenidos
del test ambulatorio se les conoce como registros Holter
(Holter, 1961).
Debido a la extensi´on de los registros Holter, la
inspecci´on visual resulta una tarea compleja para el
especialista. Por esta raz´on se han desarrollado sistemas
de detecci´on automatizada, aunque a´un exiten problemas
abiertos relacionados, principalmente, con la cantidad
de latidos y costo computacional.
Algunas arritmias card´ıacas, principalmente las de
tipo ventricular, pueden detectarse analizando el ritmo,
frecuencia y contorno de los complejos QRS [1]. Esto
ocurre porque el trazo del QRS se genera cuando el
flujo de despolarizaci´on atraviesa los ventr´ıculos. La
taquicardia ventricular, el bloqueo de las ramas derecha
(R) e izquierda (L) del haz de His, fl´uter ventricular y la
contracciones ventriculares prematuras (V) son algunos
ejemplos de arritmias ventriculares.
V
N
R
L
Fig. 1. Complejos de algunas arritmias ventriculares
En tareas de reconstrucci´on y caracterizaci´on del
complejo QRS, las funciones ortogonales de Hermite
constituyen una buena alternativa. En [8] se emplea el
modelo de Hermite como representaci´on param´etrica
de los QRS, por su similitud con las bases de
Karhunen - L`oeve (KL). Las bases de Hermite, al igual
que las de KL, son ortonormales y por tanto cada
coeficiente representa informaci´on independiente de las
caracter´ısticas de la snal, por lo que la misma puede
representarse con pocos coeficientes [7]. A diferencia
de las bases KL, las bases de Hermite no dependen de
la estad´ıstica de la se˜nal, sino que son constantes salvo
por un par´ametro de escala ajustable.
En este trabajo se propone una metodolog´ıa para
la reconstrucci´on y extracci´on de caracter´ısticas del
complejo QRS empleando el modelo param´etrico de
Hermite. La reconstrucci´on de las se˜nales se realiza
obteniendo, con m´etodos iterativos, el valor ´optimo
del par´ametro de escala y el menor n´umero de bases
V SEMANA T´
ECNICA ING. EL´
ECTRICA Y ELECTR ´
ONICA 2
de Hermite que generan una reconstrucci´on con poca
erdida de informaci´on. Los snales empleadas en este
estudio (latidos R, L, V y normales (N)) se extrajeron
de la base de datos de arritmias del MIT (MIT - BIH) [5].
El valor ´optimo del par´ametro de escala se obtuvo
a partir del menor grado de disimilitud entre la se˜nal
original y la reconstruida. El m´etodo de alineamiento
temporal no lineal DTW (“Dynamic Time Warping“),
fue escogido como medida de disimilitud porque en este
proceso se ajusta s´olo la longitud de aquellas tramos de
las se˜nales que resulte as conveniente desde el punto
de vista de su comparaci´on, es decir, que considera
caracater´ısticas morofol´ıgicas [2].
Para estimar la cantidad m´ınima de bases se analizan
los espectros de frecuencia de las se˜nales reconstruidas
considerando que las variaciones m´as significativas
del espectro de potencia del QRS se presentan en el
rango de 120 Hz [7]. Adeas, estos componentes
frecuenciales no se alteran por componentes de alta
frecuencia (superior a los 20 Hz) como la interferencia
de la l´ınea de potencia (50 Hz / 60 Hz) y el ruido
muscular, ni por componentes de muy baja frecuencia
(1Hz) [6].
La caracterizaci´on se eval´ua empleando el algoritmo
K-means Max-Min, implementado como se sugiere en
[3]. Se prefieren los algoritmos de clasificaci´on no super-
visada porque la detecci´on de arritmias exige un aalisis
detallado de cada latido, y un esquema supervisado
necesitar´ıa entrenamiento para cada paciente haciendo
la tarea m´as compleja para el especialista [3].
El conjunto de caracter´ısticas lo conforman la energ´ıa
del QRS, la difrencia espectral y las caracter´ısticas de
Hermite.
II. MODELO PARM ´
ETRICO DE HERMITE
El polinomio de Hermite Hde orden nes una
soluci´on de la ecuaci´on diferencial
ϕ′′(z)2zϕ(z) + 2(z) = 0
donde nes un entero no negativo. Con esto se puede
definir los polinomios de Hermite como:
Hn(z) = (1)nez2dn
dznez2(1)
Los polinomios de Hermite forman un conjunto
ortonormal con respecto a la funci´on peso ez2, es decir
que:
1
p2nn!πhez2Hn(z), Hm(z)i=δm,n
donde δm,n es el delta de Kronecker y ,·i es el
producto interno.
Haciendo z=t
σes posible construir bases de la
forma:
φσ
n(t) = et2/2σ2
p2nσn!πHn(t/σ)(2)
donde σes el par´ametro de escala (ver Fig. 3).
A (2) se le conoce como modelo param´etrico de
Hermite.
Los coeficientes de Hermite asociados a las se˜nal x(t)
se obtienen con:
Cσ
n=1
F s
Z
t=−∞
x(t)φσ
n(t)dt (3)
Por ´ultimo, la reconstrucci´on de la snal ser´ıa:
x(t) =
X
n=0
Cσ
nφσ
n(t)(4)
III. MATERIALES Y M´
ETODOS
A. Extracci´
on del complejo QRS
La extracci´on de los complejos QRS se realiz´o em-
pleando las anotaciones de la base de datos del MIT que
se encuentran sobre el pico R, as´ı:
QRSi=y(piαFs :pi+βFs) = xi(5)
donde pies la ubicaci´on del pico R del i-´esimo latido
del registro yyFs es la frecuencia de muestreo.
La extracci´on se hizo de manera que el ancho de la
ventana fuese de 200 ms y el pico R estuviese centrado.
Por tanto α=β= 0.1s. Adicionalmente se realiz´o una
normalizaci´on de manera que:
xn=xµ(x)
max |x|(6)
donde µ(·)es la media.
B. Reconstrucci´
on de la se˜
nal
En este trabajo se aplic´o la ecuaci´on recursiva de los
polinomios de Hermite como sigue:
Hn(z) = 2zHn1(z)2(n1)Hn2(z)(7)
con H0= 1 yH1= 2z.
V SEMANA T´
ECNICA ING. EL´
ECTRICA Y ELECTR ´
ONICA 3
Las bases son extendidas en el intervalo (t0, t0)con
t0= 100 ms. Luego, para ajustar la longitud de la base
a la de la se˜nal se emple´o el vector de tiempo
t=t0:2t0
LQRS1:t0
donde LQRS es la longitud de los complejos (200 ms).
−0.1 −0.05 0 0.05 0.1
−5
−4
−3
−2
−1
0
1
2
3
4
5
tiempo (s)
(a)
−0.1 −0.05 0 0.05 0.1
−4
−3
−2
−1
0
1
2
3
4
5
tiempo (s)
(b)
Fig. 2. Ejemplos de Bases de Hermite obtenidas con σ= 15 ms
(a) n = 2 (b) n = 4
El par´ametro de escala σse agrega para que la ventana
se ajuste al ancho del QRS.
−0.1 −0.05 0 0.05 0.1
0
2
4
6
8
10
12
tiempo (s)
σ = 5 ms
σ = 10 ms
σ = 20 ms
Fig. 3. Primera base de Hermite (n= 0) obtenida con diferentes
valores de σ
Los coeficientes de Hermite se obtuvieron con la
forma discreta de (3), asumiendo que los t´erminos por
fuera del intervalo (t0, t0)son cero:
Cσ
n=1
F s
t0
X
i=t0
x(i)σ
n(i) = 1
F s x.φσ
n(8)
Con esto la reconstrucci´on ser´ıa:
x(t) =
N1
X
n=0
Cσ
nφσ
n(t) + ξ(t) = ˆxσ
N(t) + ξ(t)(9)
donde ˆxσ
N(t)es la se˜nal reconstruida empleando las N
primeras bases y ξ(t) es el factor de truncamiento.
0 0.05 0.1 0.15 0.2
−0.4
−0.2
0
0.2
0.4
0.6
0.8
1
tiempo (s)
S. Original
S. Reconstruida
Fig. 4. Reconstrucci´on con las primeras 6 bases de Hermite con
σ= 25 ms (Latido 20 del registro 200)
La se˜nal ˆxσ
N(t)se normaliz´o aplicando (6).
C. Comparaci´
on de los espectros
En esta etapa se estudia el cambio del espectro de la
se˜nal reconstruida considerando diferentes valores de N
(N(3,20)).
Se compar´o el espectro de frecuencia de la se˜nal
original con el espectro de la se˜nal reconstruida (ˆxσ
n) en
el rango de 120 Hz para obtener el orden adecuado,
es decir, la cantidad m´ınima de bases (Nmin ) que deben
considerarse para que la p´erdida de informaci´on sea
despreciable en comparaci´on con los resultados de la
reconstrucci´on. Para esto se emple´o un valor de σfijo
(σ= 25 ms).
La densidad espectral de potencia se estim´o emple-
ando periodograma [4]:
S(e ) = 1
n|
n
X
l=1
xlejωl |2(10)
La diferencia de los espectros se realiz´o aplicando:
diffN=1
F
F
X
f=2 |Sf(x)Sfxσ
N)|(11)
donde F= 20 Hz y N(3,20).
D. B´
usqueda de σ´
optimo
El valor ´optimo del par´ametro de escala (σopt) se
obtiene aplicando una medida de disimilitud entre la
se˜nal original y su reconstrucci´on. En este trabajo se
emple´o el m´etodo b´asico de alineamiento temporal no
lineal DTW. El algoritmo DTW se emple´o como se
V SEMANA T´
ECNICA ING. EL´
ECTRICA Y ELECTR ´
ONICA 4
sugiere en [2], sin aplicar restricciones globales.
Coniderando que un valor de σmenor a 5ms o mayor
a100 ms no es necesario para la reconstrucci´on de los
complejos QRS, la obtencon de σopt se puede plantear
como el siguiente problema de optimizaci´on:
min
σDT W (xi,ˆxσ
Nmin )
S.T. σ (5,100)ms (12)
IV. RESULTADOS
Para evaluar los resultados de la caracterizaci´on se
aplic´o como t´ecnica de clustering el algoritmo K-means
Max-Min [3] con el siguiente conjunto de caracter´ısticas:
Energ´ıa del QRS
La morfolog´ıa de las arritmias ventriculares sugiere
que la energ´ıa es una caracter´ıstica adecuada:
E(x) =
LQRS
P
i=1
x2
i
σopt
Cn
σcon n= 6.
Diferencia de xiy un complejo plantilla xtemp
aplicando (11), donde:
xtemp =µ(xi)
En la tabla 1 se relaciona la cantidad y tipos de latido
con los registros empleados en este trabajo.
Registro Latidos
N R L V
118 2164 16
124 1529 47
207 85 1457 105
214 200 256
215 3194 164
217 244 162
219 2080 64
221 2080 64
223 2027 473
228 1686 362
230 2253 1
233 2229 830
234 2698 3
TABLE I
REGISTROS EMPLEADOS
Para evaluar los resultados del clustering se usaron
medidas de sensibilidad (Se), especificidad (Sp) y
porcentaje de clasificaci´on (C P ):
T P : Verdaderos positivos. Un latido normal clasifi-
cado como normal. En caso de que no existan normales,
se aplica como latidos V clasificados como V.
T N : Verdaderos negativos. Un latido patol´ogico es
clasificado como patol´ogico. En caso de que no existan
normales, se aplica como latidos diferentes de V (noV)
clasificados como noV.
F P : Falsos positivos. Un latido patol´ogico es clasifi-
cado como normal o un latido noV es clasificado como
V.
F N : Falsos negativos. Un latido normal es clasificado
como patol´ogico o un latido V es clasificados como noV.
Se =T N
T N +F P 100
Sp =T P
T P +F N 100
CP =T N +T P
T N +T P +F N +F P
La tabla 2 muestra los resultados del clustering.
Registros Se(%)Sp(%)CP (%)
118 99.26 51.61 98.52
124 99.53 74.89 95.94
207 98.9 99 99.5
214 70.2 80.94 78.14
215 100 100 100
217 100 100 100
219 100 100 100
221 100 100 100
223 100 100 100
228 100 100 100
230 100 100 100
233 100 100 100
234 100 100 100
TABLE II
RESULTADOS DEL CLUSTERING
5
10
15
20
25
30
−0.1
−0.05 0
0.05 0.1
0.15
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
σopt
Cn
σEnergia
N
R
L
V
Fig. 5. Caracter´ısticas de los registros 207(R, L, V) y 215 (N)
V SEMANA T´
ECNICA ING. EL´
ECTRICA Y ELECTR ´
ONICA 5
En todos los casos, se comprob´o que, para n>6la
diferencia del espectro de la se˜nal original y el espectro
de la se˜nal reconstruida con σ= 25 ms es peque˜na (ver
Fig. 7), y la reconstrucci´on es muy aproximada (ver Fig.
4).
0 5 10 15 20 25 30 35 40 45
−300
−250
−200
−150
−100
−50
0
Frecuencia (Hz)
Potencia (db)
S. Original
S. Reconstruida
Fig. 6. Espectro de la reconstrucci´on empleando las 3 primeras
bases (Latido 20 del registro 200)
0 5 10 15 20 25 30 35 40 45
−300
−250
−200
−150
−100
−50
0
Frecuencia (Hz)
Potencia (db)
S. Original
S. Reconstruida
Fig. 7. Espectro de la reconstrucci´on empleando las 6 primeras
bases (Latido 20 del registro 200)
El valor admisible para la difrencia de los espectros
de la se˜nal reconstruida y la original (11) se encuentra
en el rango max |diffn| ≤ 5.
V. AN´
ALISIS Y DISCUSI ´
ON
Con este trabajo se logr´o reducir el espacio de
b´usqueda del valor ´optimo del par´ametro de escala
σopt del modelo param´etrico de Hermite a trav´es
de la minimizaci´on de la disimilitud de la se˜nal
reconstruida y la original, y a la vez, se redujo el
costo computacional con el establecimiento de un valor
Nmin de reconstrucci´on que genera la menor p´erdida
de informaci´on espectral.
Emplear DTW como medida de disimilitud gener´o
buenos resultados porque este m´etodo considera factores
morfol´ogicos.
En general, el clustering exhibi´o buenos resultados.
En el caso de los registro 118, 124 y 214 se aprecia
que Sp fue bajo. Esto ocurri´o porque las caracter´ısticas
consideradas no generan, en todos los casos, buena
separabilidad de los latidos V. En los registros 118 y
124 el valor de Se es alto en contraste con el valor bajo
de Sp, debido a que la cantidad de los latidos V de estos
registros es mucho menor en comparaci´on a la cantidad
de los otros latidos (ver tabla 1).
VI. CONLCLUSIONES Y TRABAJO FUTURO
En este trabajo se estudi´o las caracater´ısticas del
modelo param´etrico de Hermite con el objetivo de
desarrollar una metodolog´ıa para la reconstrucci´on
y extracci´on de caracter´ısticas del complejo QRS
empleando un par´ametro de escala ´optimo y el menor
n´umero de bases que generan una buena aproximaci´on
morfol´ogica sin que exista p´erdida considerable de
informaci´on espectral.
En trabajos futuros, se pretende continuar estudiando
ecnicas de caracterizaci´on y clasificaci´on de se˜nales
ECG con el fin de desarrollar un sistema no supervisado
de detecci´on de arritmias que considere los principales
tipos de arritmia (A, V, R, L y N) como lo sugiere la
AHA (American Heart Association).
REFERENCES
[1] E. Braunwald. Tratado de Cardiolog´ıa. 1993.
[2] D. Cuesta. Estudio de m´etodos de para procesamiento y
agrupaci´on de se˜nales electrocardiogr´aficas. 2001.
[3] G. Castellanos D. Peluffo, J. L. Rodr´ıguez. Detecci´on de arrit-
mias de tipo bloqueo de rama mediante an´alisis no supervisado
y morfolog´ıa del QRS. Scientia et Technica, 2008.
[4] Pierre Dutilleul. Multi-frequential periodogram analysis and the
detection of periodic components in time series. Communications
in statistics, 2001.
[5] R. G. Mark G. B. Moody. The mit-bih arrhytmia database on
cd-rom and software for use with it. Computers in Cardiology,
1999.
[6] Takesshi Toyoshima. Kei-ichiro Minami, Hiroshi Nakajima.
Real-time discrimination of ventricular tachyarrhythmia with
fourier transform neural network. IEEE Transactions on Biomed-
ical Engineering, 1999.
[7] M. E. Nyg`ards O. Pahlm L. S¨ornmo, P. O. B¨orjensson. A method
for evaluation of qrs shape features using a mathematical model
for the ecg. IEEE Transactions on Biomedical Engineering,
1981.
[8] N. Loeff P. Aguirre, J. Cardelino. CARDIDENT: Sistema de
Detecci´on, Clasificaci´on e Identificaci´on en l´ınea de Complejos
QRS. PhD thesis, Universidad de la Rep´ublica, Montevideo,
Uruguay, 2002.
... donde σ es el parámetro de escala para ajustar la longitud de la ventana. En este trabajo se emplea un valoróptimo de este parámetro (σ opt ) estimado con el método explicado en [4]. ...
... En la tabla 1 se relaciona la cantidad y tipos de latido con los registros empleados. Diferencia espectral de y i y un complejo plantilla y temp como se explica en [4], donde: ...
... Para evaluar los resultados del clustering se empleó el siguiente conjunto de carcaterísticas descrito en[4]:Energía del QRS: La morfología de las arritmias ventriculares sugiere que la energía es una característica adecuada: ...
Conference Paper
Full-text available
En este trabajo se desarrolla una metodología para la clasificación de arritmias ventriculares de tipo extrasístole ventricular y bloqueo de rama izquierda y derecha con respecto a latidos normales de la base de datos de arritmias MIT-BIH, empleando características morfológicas del complejo QRS y clasificación no supervisada de tipo particional. El sistema propuesto incluye etapas de preproceso, extracción de características y clasificación no supervisada. El preproceso consiste en centrar y normalizar todas las señales. La extracción de características se realiza utilizando la reconstrucción de la señal a través del modelo paramétrico de Hermite con parámetros óptimos y características morfológicas. En la etapa de clustering se aplican los algoritmos H-means y K-harmonics deducidos del clustering iterativo (genérico) basado en centroides. Además, se realiza una modificación del algoritmo en el sentido de su inicialización utilizando el criterio max-min para garantizar y mejorar la convergencia. El desempeño del sistema para registros de la base de datos MIT/BIH, en promedio es de Se = 97,53 %, Sp = 93,7 %, siendo comparable con resultados publicados en la literatura.
... Aunque el proceso es relativamente rápido, el cálculo del parámetro σ debe realizarse para cada complejo QRS detectado, lo que retarda el proceso para requerimientos de tiempo real. En otros estudios [36,37], se emplea la caracterización de Hermite (coeficientes con n = 5, σóptimo) y morfológica (energía del QRS), y análisis no supervisado orientado a la detección de arritmias ventriculares (V, L y R). En [37], se propone una metodología para la reconstrucción y extracción de características del complejo QRS, empleando el modelo paramétrico de Hermite. ...
... En otros estudios [36,37], se emplea la caracterización de Hermite (coeficientes con n = 5, σóptimo) y morfológica (energía del QRS), y análisis no supervisado orientado a la detección de arritmias ventriculares (V, L y R). En [37], se propone una metodología para la reconstrucción y extracción de características del complejo QRS, empleando el modelo paramétrico de Hermite. La reconstrucción de las señales se realiza obteniendo, con métodos iterativos, el valoróptimo del parámetro de escala y el menor número de bases de Hermite que generan una reconstrucción con poca pérdida de información espectral. ...
Thesis
Full-text available
This work presents a comparative study of different partitional and spectral clustering techniques to cluster heartbeats patterns of long-term ECG signals. Due to the nature of signals and since, in many cases, it is not feasible labeling thereof, clustering is preferred for analysis. The use of a generic model of partitional clustering and the appropriate estimation of initialization parameters via spectral techniques represent some of the most important contributions of this research. The experiments are done with a standard arrhythmia database of MIT (Massachusetts Institute of Technology) and the feature extraction is carried out using techniques recommended by literature. Another important contribution is the design of a sequential analysis method which reduces the computational cost and improves clustering performance compared to traditional analysis that is, analyzing the whole data set in one iteration. Additionally, it suggests a complete system for unsupervised analysis of ECG signals, including feature extraction, feature selection, initialization and clustering stages. Also, some appropriate performance measures based on groups analysis were designed, which relate the clustering performance with the number of resultants groups and computational cost. This study is done taking into account the AAMI standard (Association for the Advance of Medical Instrumentation).
... To reconstruct the Hermite bases, a scale parameter of 0.25 ms and 9 polynomials are used as recommended [20]. The polynomials Hermite are defined as H n z ð Þ ¼ À1 ð Þ n e z 2 d n dz n e Àz 2 . ...
Article
Full-text available
The biometric is an open research field that requires analysis of new techniques to increase its accuracy. Although there are active biometric systems for subject identification, some of them are considered vulnerable to be fake such as a fingerprint, face or palm-print. Different biometric studies based on physiological signals have been carried out. However, these can be regarded as limited. So, it is important to consider that there is a need to perform an analysis among them and determine the effectivity of each one and proposed new multimodal biometric systems. In this work is presented a comparative study of 40 physiological signals from a multimodal analysis. First, a preprocessing and feature extraction was carried out using Hermite coefficients, discrete wavelet transform, and statistical measures of them. Then, feature selection was applied using two selectors based on Rough Set algorithms, and finally, classifiers and a mixture of five classifiers were used for classification. The more relevant results shown an accuracy of 97.7% from 3 distinct EEG signals, and an accuracy of 100% using 40 different physiological signals (32 EEG, and eight peripheral signals).
... El conjunto de características se compone de: -Características de prematuridad: RR, post-RR, pre-RR[4].-Características de representación: coeficientes wavelet de aproximación y detalle con función madre db2 y coeficientes de Hermite del QRS[5]. -Características morfológicas: energía y polaridad del QRS[3].La descripción detallada de estas características se encuentra en un estudio previo[6].En este trabajo, x i denota la i-ésima observación de q atributos o características y X = (x 1 , . . . ...
Conference Paper
Full-text available
Resumen Se propone una metodología para el análisis no supervisado de patrones descrip-tivos de latidos en señales ECG de registros Holter, con el fin de clasificar arritmias y mostrar la aplicabilidad y versatilidad de las técnicas de análisis no supervisado. El sistema propuesto incluye etapas de caracterización, selección de características, criterios de inicialización, es-timación del número de grupos y clustering, desarrolladas con técnicas de tipo particional y espectral. Los experimentos se realizan con la bases de de datos MIT/BIH.
Conference Paper
Full-text available
RESUMEN Se presenta un método para clasificar arritmias ventriculares de tipo bloqueo de rama izquierda (L) y derecha (R) con respecto a latidos normales (N) de la base de datos de arritmias de la MIT-BIH utilizando clasificación no supervisada debido principalmente a la variabilidad morfológica entre registros. Se desarrolla una etapa de extracción de características basada en la morfología del latido y una etapa de clustering que utiliza el algoritmo de búsqueda heurística k-means modificado en el sentido de su inicialización utilizando el criterio max-min. El sistema presenta resultados comparables con los reportados en la literatura. ABSTRACT This work describes a method to classify left (L) and right (R) bundle block branch beats as well as normal (N) beats from MIT-BIH arrhythmia database. Un-supervised classification is preferred in our approach due to factors that add variability, such as: signal length and different dynamic behaviour and morphology (different patient physiology and/or pathology). Features are obtained from heartbeat morphology. The classification algorithm is a k-means clustering, incorporating an initial partition stage based on max-min criterion. The proposed method shows comparable results to those reported in literature.
Article
Full-text available
We have developed a method to discriminate life-threatening ventricular arrhythmias by observing the QRS complex of the electrocardiogram (ECG) in each heartbeat. Changes in QRS complexes due to rhythm origination and conduction path were observed with the Fourier transform, and three kinds of rhythms were discriminated by a neural network. In this paper, the potential of our method for clinical uses and real-time detection was examined using human surface ECG's and intracardiac electrograms (EGM's). The method achieved high sensitivity and specificity (> or = 0.98) in discrimination of supraventricular rhythms from ventricular ones. We also present a hardware implementation of the algorithm on a commercial single-chip CPU.
Article
Full-text available
Automated classification of ECG patterns is facilitated by careful selection of waveform features. This paper presents a method for evaluating the properties of features that describe the shape of a QRS complex. By examining the distances in the feature space for a class of nearly similar complexes, shape transitions which are poorly described by the feature under investigation can be readily identified. To obtain a continuous range of waveforms, which is required by the method, a mathematical model is used to simulate the QRS complexes.
Article
The spectral analysis of Gaussian linear time-series processes is usually based on uni-frequential tools because the spectral density functions of degree 2 and higher are identically zero and there is no polyspectrum in this case. In finite samples, such an approach does not allow the resolution of closely adjacent spectral lines, except by using autoregressive models of excessively high order in the method of maximum entropy. In this article, multi-frequential periodograms designed for the analysis of discrete and mixed spectra are defined and studied for their properties in finite samples. For a given vector of frequencies ω, the sum of squares of the corresponding trigonometric regression model fitted to a time series by unweighted least squares defines the multi-frequential periodogram statistic IM(ω). When ω is unknown, it follows from the properties of nonlinear models whose parameters separate (i.e., the frequencies and the cosine and sine coefficients here) that the least-squares estimator of frequencies is obtained by maximizing I (ω). The first-order, second-order and distribution properties of I (ω) are established theoretically in finite samples, and are compared with those of Schuster's uni-frequential periodogram statistic. In the multi-frequential periodogram analysis, the least-squares estimator of frequencies is proved to be theoretically unbiased in finite samples if the number of periodic components of the time series is correctly estimated. Here, this number is estimated at the end of a stepwise procedure based on pseudo-Flikelihood ratio tests. Simulations are used to compare the stepwise procedure involving I (ω) with a stepwise procedure using Schuster's periodogram, to study an approximation of the asymptotic theory for the frequency estimators in finite samples in relation to the proximity and signal-to-noise ratio of the periodic components, and to assess the robustness of I (ω) against autocorrelation in the analysis of mixed spectra. Overall, the results show an improvement of the new method over the classical approach when spectral lines are adjacent. Finally, three examples with real data illustrate specific aspects of the method, and extensions (i.e., unequally spaced observations, trend modeling, replicated time series, periodogram matrices) are outlined.
Conference Paper
A compact-disk ROM containing the Massachusetts Institute of Technology (MIT)-Boston's Beth Israel Hospital (BIH) Arrhythmia Database as well as a large number of supplementary recordings assembled for various research projects was produced. In all, the CD-ROM contains approximately 600 megabytes of digitized electrocardiograms (ECG) recordings, most with beat-by-beat annotations, having a total duration in excess of 200 hours. The CD-ROM format makes this substantial collection of ECGs accessible to researchers with PCs as well as those with larger computer systems. The contents of the CD-ROM and the issues involved in its production are described. Software for use with the CD-ROM as well as for development of similar databases is also described
Tratado de Cardiología
  • E Braunwald
E. Braunwald. Tratado de Cardiología. 1993.
Estudio de métodos de para procesamiento y agrupación de señales electrocardiográficas
  • D Cuesta
D. Cuesta. Estudio de métodos de para procesamiento y agrupación de señales electrocardiográficas. 2001.
Detección de arritmias de tipo bloqueo de rama mediante análisis no supervisado y morfología del QRS
  • G Castellanos
  • D Peluffo
  • J L Rodríguez
G. Castellanos D. Peluffo, J. L. Rodríguez. Detección de arritmias de tipo bloqueo de rama mediante análisis no supervisado y morfología del QRS. Scientia et Technica, 2008.
The mit-bih arrhytmia database on cd-rom and software for use with it
  • R G Mark
  • G B Moody
R. G. Mark G. B. Moody. The mit-bih arrhytmia database on cd-rom and software for use with it. Computers in Cardiology, 1999.