Классификация эпизодов нарушений сердечного ритма по информативным признакам во временной области электрокардиограммы
https://doi.org/10.17586/0021-3454-2024-67-4-305-314
Аннотация
Исследованы особенности классификации нарушений сердечного ритма по сигналу одного отведения электрокардиограммы. Предложено первичное множество из восьми информативных признаков: три для длительности RR-интервала и пять — для формы R-зубца. Найдена эффективная комбинация предложенных признаков для классификации трех состояний сердечного ритма (нормальный кардиоцикл, желудочковая экстрасистола, предсердная экстрасистола) с помощью алгоритмов логистической регрессии и случайного леса. Для проведения экспериментальных исследований использовались записи отведения II из баз данных многоканальных электрокардиограмм MIT-BIH Arrhythmia DB и Санкт-Петербургского Института кардиологической техники. Определено, что наиболее информативными признаками для рассматриваемых классов нарушений сердечного ритма являются коэффициент сцепления ξRi и коэффициент эксцесса i-го R-зубца γi. Достигнутая наибольшая точность классификации по средней сбалансированной F-мере для набора данных без балансировки классов составляет 92,58 % в случае логистической регрессии и 92,11 % — случайного леса; с балансировкой — 86,17 % для логистической регрессии и 84,55 % — для случайного леса. Результаты экспериментов показывают, что для классификации рассматриваемых нарушений сердечного ритма целесообразно использовать по одному критерию из признаков длительности и формы. Полученные в ходе экспериментальных исследований результаты могут быть применены при синтезе и анализе систем классификации нарушений сердечного ритма.
Об авторе
Б. К. Акопян
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Россия
Россия
Белла Кареновна Акопян — старший преподаватель, кафедра прикладной информатики
Санкт-Петербург
Список литературы
1. Sun K. K., Xie C.-X., Kuo I.-C. et al. A Method for ECG R-wave Denoising and Detecting // IEEE Intern. Conf. on Consumer Electronics. 2022. P. 557—558.
2. Razavi S. R., Mohammadi M. H. D. R-peak Detection in Electrocardiogram Signals Using Continuous Wavelet Transform // Intern. J. Bioautomation. 2017. Vol. 21, N 2. P. 165—178.
3. Rakshit M., Panigrahy D., Sahu P. An improved method for R-peak detection by using Shannon energy envelope // Sadhana. 2016. Vol. 41, N 5. P. 469—477.
4. Bouchouareb R., Ferroudji K. Classification of ECG Arrhythmia using Artificial Intelligence techniques (RBF and SVM) // 4th Intern. Conf. on Pattern Analysis and Intelligent Systems (PAIS). 2022. P. 1—7.
5. Vadillo-Valderrama A., Goya-Esteban R., Caulier-Cisterna R. P. et al. Differential Beat Accuracy for ECG Family Classification Using Machine Learning // IEEE Access. 2022. Vol. 10. P. 129362—129381.
6. Nasim A., Nchekwube D. C., Munir F. et al. An Evolutionary-Neural Mechanism for Arrhythmia Classification with Optimum Features Using Single-Lead Electrocardiogram // IEEE Access. 2022. Vol. 10. P. 99050—99065.
7. Pradeepkumar A., Kaul A. ECG Arrhythmia Classification Using Ensemble of Features // 2nd Asian Conf. on Innovation in Technology (ASIANCON). 2022. P. 1—6.
8. Wang L. H., Yan Z. H., Yang Y. T. et al. A Classification and Prediction Hybrid-Model Construction with IQPSO-SVM Algorithm for Atrial Fibrillation Arrhythmia // Sensors. 2021. Vol. 19, N 21. P. 5222.
9. Соколова А. А. О распределении отношения соседних RR-интервалов в норме и при возникновении аритмии // Изв. СПбГЭТУ ЛЭТИ. 2012. Вып. 5. С. 112—118.
10. Алиева А. М., Голухова Е. З., Пинчук Т. В. Вариабельность сердечного ритма при хронической сердечной недостаточности (литературный обзор) // Архивъ внутренней медицины. 2013. № 6. С. 47—52.
11. Акопян Б. К., Жаринов О. О. Разработка и исследование показателей качества алгоритма обнаружения и классификации нарушений сердечного ритма // Обработка, передача и защита информации в компьютерных системах: Сб. докл. Второй Междунар. науч. конф. Санкт-Петербург, 11—15 апреля 2022. СПб: ГУАП, 2022. С. 15—18.
12. Ходашинский И. А., Сарин К. С. Отбор классифицирующих признаков с помощью популяционного случайного поиска с памятью // Автоматика и телемеханика. 2019. № 2. С. 161—172.
13. Гончаров Ю. В., Мучник И. Б., Шварцер Л. В. Алгоритм выбора признаков в задаче обучения классификации методом опорных векторов // Журнал вычислительной математики и математической физики. 2008. Т. 48, вып. 7. С. 1318—1336.
14. Глумов Н. И., Мясников Е. В. Метод отбора информативных признаков на цифровых изображениях // Компьютерная оптика. 2007. № 3. С. 73—76.
15. Картиев С. Б., Курейчик В. М. Алгоритм классификации, основанный на принципах случайного леса, для решения задачи прогнозирования // Программные продукты и системы. 2016. Т. 114, вып. 2. С. 11—15.
16. Попов Н. В., Размочаева Н. В., Клионский Д. М. Исследование алгоритмов снижения размерности пространства признаков в задаче анализа клиентских данных // Наука настоящего и будущего. 2020. С. 31—36.
17. Moody G. B., Mark R. G. The impact of the MIT-BIH Arrhythmia Database // IEEE Engineering in Medicine and Biology. 2001. Vol. 20, N 3. Р. 45—50.
18. St. Petersburg INCART 12-lead Arrhythmia Database. 2008 [Электронный ресурс]: <https://physionet.org/content/incartdb/1.0.0/>. (дата обращения 15.01.2024).
Рецензия
Для цитирования:
Акопян Б.К. Классификация эпизодов нарушений сердечного ритма по информативным признакам во временной области электрокардиограммы. Известия высших учебных заведений. Приборостроение. 2024;67(4):305-314. https://doi.org/10.17586/0021-3454-2024-67-4-305-314
For citation:
Akopyan B.K. Classification of Heart Rhythm Disorder Episodes by Informative Features in the Electrocardiogram Time Domain. Journal of Instrument Engineering. 2024;67(4):305-314. (In Russ.) https://doi.org/10.17586/0021-3454-2024-67-4-305-314
Просмотров:
22
Послать статью по эл. почте 