Examination of the applicability of Support Vector Machines in the context of ischaemia detection

Projecte final de carrera fet en col.laboració amb Technische Universität Dresden. Fakultät Elektrotechnik und InformationstechnikCatalà: El present treball constitueix una proposta per la detecció d'episodis isquemics ST-T basada en la classificació de batecs càrdiacs. Per classificar els batecs de la European ST-T Database (EDB) s'ha aplicat Support Vector Machines (SVMs). Diferents experiments respecte variants de SVM (SVM binària - multi-classe SVM, nucli lineal - nucli RBF, dades d'entrenament balancejades - dades d'entrenament desbalancejades) s'han dut a terme per tal d'extreure la informació adequada sobre els models de SVM. Els resultats obtinguts demostren l'aplicabilitat del SVM en el context donat. No obstant això, la comparació d'aquests resultats amb els resultats prèviament obtinguts en la detecció d'episodis de ST-T demostren la necessitat d'una major investigació sobre el tema. Les observacions que es dedueix d'aquesta tesi són motiu de la suposició que el nombre relativament reduit del patró d'entrenament és la principal raó de les limitacions que s'examinen en els resultats. No obstant això, l'ampliació del conjunt d'entrenament no és una tasca fàcil. Les futures línies de treball haurien d'abordar aquesta qüestió. De tal manera, dues estratègies es poden dur a terme: 1. El subconjunt d'entrenament podria ser ampliat mitjançant la inclusió de més morfologies però mantenint la mateixa mida; això implicaria que el nombre de registres d'entrenament ha de ser major i de cada registre un nombre menor nombre de batecs és seleccionat i mantenint LIBSVM com a mètode aplicat. 2. El subconjunt d'entrenament podria ser ampliat mitjançant la inclusió de més morfologies i l'augment de la mida; això implicaria que el nombre de registres d'entrenament ha de ser major, el total nombre de batecs és major i nous mètodes d?enstrenament han de ser aplicats. L'última estratègia, òbviament, constitueix l'enfocament més integral. Aquesta estratègia s'ha de dur a terme si l'aplicació de SVM està previst fins i tot en altres contextos dins del grup de treball. A més, un possible enfocament podria avaluar la utilitat i eficiència, respectivament, de LaSVM com a paquet base de programari. LaSVM esta especialment destinat a ser utilitzat en el cas de grans conjunts de dades (en el sentit d'un gran nombre de model d'entrenament). Com que LaSVM suporta el mateix format de dades que LIBSVM la majoria de l'experiència i alguns mètodes que s'han ideat en aquest treball podrien ser integrats fàcilment en les funcions de LaSVM.Castellano: El presente trabajo constituye una propuesta para la detección de episodios isquémicos ST-T basada en la clasificación de latidos cardíacos. Para clasificar los latidos de la European ST-T Database (EDB) se ha aplicado Support Vector Machines (SVMs). Diferentes experimentos respecto variantes de SVM (SVM binaria - multi-clase SVM, núcleo lineal - núcleo RBF, datos de entrenamiento balanceadas - datos de entrenamiento desbalanceadas) se han llevado a cabo para extraer la información adecuada sobre los modelos de SVM. Los resultados obtenidos demuestran la aplicabilidad del SVM en el contexto dado. Sin embargo, la comparación de estos resultados con los resultados previamente obtenidos en la detección de episodios de ST-T demuestran la necesidad de una mayor investigación sobre el tema. Las observaciones que se deducen de esta tesis son motivo de la suposición de que el número relativamente reducido del patrón de entrenamiento es la principal razón de las limitaciones que se examinan en los resultados. Sin embargo, la ampliación del conjunto de entrenamiento no es una tarea fácil. Las futuras líneas de trabajo deberían abordar esta cuestión. De tal modo, dos estrategias se pueden llevar a cabo: 1. El subconjunto de entrenamiento podría ser ampliado mediante la inclusión de más morfologías pero manteniendo el mismo tamaño, lo que implicaría que el número de registros de entrenamiento debe ser mayor y de cada registro un número menor de latidos es seleccionado y manteniendo LIBSVM como método aplicado. 2. El subconjunto de entrenamiento podría ser ampliado mediante la inclusión de más morfologías y el aumento del tamaño, lo que implicaría que el número de registros de entrenamiento debe ser mayor, el total número de latidos es mayor y nuevos métodos de enstrenament deben ser aplicados. La última estrategia, obviamente, constituye el enfoque más integral. Esta estrategia debe llevarse a cabo si la aplicación de SVM está previsto incluso en otros contextos dentro del grupo de trabajo. Además, un posible enfoque podría evaluar la utilidad y eficiencia, respectivamente, de LaSVM como paquete base de software. LaSVM está especialmente destinado a ser utilizado en el caso de grandes conjuntos de datos (en el sentido de un gran número de modelo de entrenamiento). Como LaSVM soporta el mismo formato de datos que LIBSVM la mayoría de la experiencia y algunos métodos que se han ideado en este trabajo podrían ser integrados fácilmente en las funciones de LaSVM.English: The presented work constitutes an approach to detect ST-T- ischaemic episodes based on beat classes. To classify the beats of the European ST-T Database (EDB) Support Vector Machines (SVMs) have been applied. Diferent experiments regarding variants of SVMs (binary SVM - multi-class SVM, linear Kernel - RBF Kernel, balanced training data - unbalanced training data) have been carried out in order to extract information on suitable SVM models. The obtained results show the applicability of SVMs in the given context. However, the comparison of these results to previously obtained results on the detection of ST-T-episodes even clarifies the need for further investigation on the topic. The observations which may be deduced from this thesis give cause for the assumption that the relatively small number of training pattern is the main reason of the limitations which are examined within the results. However, expanding the training set is not an easy task. Future works should address this issue. Thereby, two strategies may be pursued: 1. The training subset could be expanded by including more morphologies but maintaining the same size; this would imply that the number of training records should be increased, from each record a smaller number of beats is selected and the applied methods (LibSVM) could be maintained. 2. The training subset could be expanded by including more morphologies and increasing the size; this would imply that the number of training records should be increased, the overall number of beats is increased and new training methods must be applied. The latter strategy obviously constitutes the more comprehensive approach. This strategy should be pursued if the application of SVMs is planned even in other contexts within the working group. Thereto, a possible approach could evaluate the usability and eficiency, respectively, of the software package LaSVM. LaSVM especially is intended to be used in the case of large datasets (in the sense of a big number of training pattern). As LaSVM supports the same data formats as LibSVM most of the experience and some methods which have been devised in this work could be transfered thus allowing an easy integration of LaSVM functions