Artificial intelligence method for time series data mining - implementation on the human ECG signal

Tehnološki razvoj u modernom društvu kao jednu od posljedica ima i povećan broj generiranih podataka čija brojnost predstavlja značajan tehnički i znanstveni izazov u smislu pohrane i obrade.Za podatke koji u sebi ne sadrže vremensku komponentu, metode i tehnike za pohranu i analizu su veoma razvijene, ali za podatke koji su producirani slijedno ovo je još uvijek izazov. Podaci u vremenskim serijama nisu podobni za analizu klasičnim statističkim metodama jer je svaki podatak mjerenja direktno ovisan o prethodnom podatku mjerenom na istom izvoru. Ovime je prekršeno temeljno načelo klasičnih statističkih metoda o nezavisnosti opservacija u uzorku. Jedan od složenijih problema u analizi vremenskih serija je analiza elektrokardiograma (EKG-a). Ovaj rad predlaženovu metodu za analizu vremenskih serija te predstavlja istraživanje u kojem je ista metoda primijenjena u analizi ljudskog EKG signala. EKG kao postupak relativno niskih troškova koji je k tome ineinvazivan jest jedna od osnovnih dijagnostičkih metoda. Kako dugotrajno pregledavanje mnogo-brojnih EKG valova može biti naporno i neprakticno za ljudskog eksperta, računalna analiza EKG signala je značajan znanstveni i tehnički izazov s mnogim potencijalnim primjenama. Problem analize EKG signala obuhvaća nekoliko podrucja istraživanja poput uklanjanja šumova i smetnjikoje nastaju tijekom snimanja, detekcije otkucaja srca, analize ritma te raspoznavanja oblika EKG valova. Ovo istraživanje fokusirano je na detekciju otkucaja srca i raspoznavanje oblika valova.Inspiracija za razvoj metode dolazi iz spoznaja racunalne neuroznanosti, a metoda je u okviruovog istraživanja implementirana u programskom jeziku C++. Provedeni su eksperimenti u detekciji QRS kompleksa bez filtriranja signala, te detekciji QRS kompleksa i prepoznavanja oblikavalova nakon filtriranja signala. U tu svrhu su implementirani i digitalni filtri. U istraživanjusu dobiveni rezultati koji nadmašuju trenutno stanje tehnike te su dobivene spoznaje za daljnjirazvoj i primjenu metode i u podrucju racunalnog vida. Postignuta je tocnost detekcije otkucaja srca bez primjene filtara u prosjeku iznad 95% izracunato prema metodi unakrsne validacije nadsvakim zapisom, te iznad 99% nakon filtriranja signala prema više realisticnoj metodi testiranja baziranoj na subjektu te iznad 96% u raspoznavanju oblika EKG valova testirano prema prepo-rukama AAMI standarda. Takvo testiranje realno simulira potencijalnu klinicku primjenu. U smislu racunalnog vida, provedeni su eksperimenti u raspoznavanju rukom napisanih brojeva i drugih dvodimenzionalnih oblika. Rezultati u tim eksperimentima su približni trenutnom stanjutehnike i kreću se oko 90% tocnosti u raspoznavanju rukom napisanih brojeva iz MNIST skupa podataka.In this research, a new method (algorithm) of artificial intelligence for pattern recognition is proposed. The method is based on principles of human perception and it is a part of computer engineering domain, the field of artificial intelligence. Method is the result of perennial scientific research and development. The main implementation of the algorithm within the project is on the example of the human ECG signal analysis, which is one of the most demanding problems within the field of time series analysis. Research scope included software implementation and testing on the officially recognized databases of the human ECG signal (MIT-BIH Arrhythmia Database) by using the scientifically recognized metrics (specificity, sensitivity, positive predictivity etc.). The essence of the method is its algorithm, which, in the authors opinion, reminds of human perception principles. In the scientific literature no similar approach is yet known. The approach is based ona study of a specific field in Computational Neuroscience and also, on the conclusions about how brain neurons perceive stimuli coming from sensors (human senses). Beyond the analysis of ECG signals, the above method has many other applications, such as applications in finance, industry,energy, computer vision (recognition of 2D and 3D shapes or photographs after pre-processing) etc. Results achieved in the research are competitive with the current state of the art methods.Without signal filtering, QRS detection is accurate in more than 95% cases. After signal filtering, accuracy is above 99% tested with the subject-based methodology, which is the most realistic one. Heartbeat classification is accurate above 96% tested by the AAMI standard methodology.Handwritten character recognition is accurate around 90% (MNIST dataset). Methods are implemented in C++ programming language