Automatic classification of cardiac arrhythmias using a combination of neural networks

Orientador: Euripedes Guilherme de Oliveira NobregaTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia MecânicaResumo: Um novo método de classificação de batimentos cardíacos é proposto baseado no eletrocardiograma (ECG). O ECG é o registro da atividade elétrica cardíaca, onde é possível constatar padrões anormais do coração, podendo ser associados a alguma arritmia. A base de dados de arritmia dos laboratórios do Instituto de Tecnologia de Massachusetts e do Hospital Israelita de Boston (MIT-BIH Arrhythmia database) e as diretrizes propostas pela AAMI (Association for the Advancement of Medical Instrumentation) são usadas aqui para o treinamento e teste dos classificadores propostos. Os intervalos de tempo entre batimentos cardíacos, bem como as características morfológicas de cada batimento são usados para treinar e avaliar as redes neurais desenvolvidas. O primeiro classificador, denominado ecgCNN, faz uso de uma rede neural de convolução, submetida a um treinamento supervisionado, que recebe as características temporais e morfológicas dos batimentos cardíacos combinadas em uma única imagem. Esse classificador é aprimorado através da separação das características temporais e morfológicas dos sinais, que são geradas por duas redes distintas (uma rede neural convencional e uma rede convolucional) cujas saídas são concatenadas como o vetor de entrada de uma terceira rede neural que indica uma das classes AAMI. Esse segundo classificador é denominado ecgConcatNet. Com o objetivo de aumentar a precisão dos resultados através de um sistema que se adapte às características do próprio sinal de ECG a ser avaliado, o classificador ecgConcatNet é submetido a um método de treinamento adversário não-supervisionado, baseado nas redes adversárias generativas (GANs), chamado aqui de ecgAdvNet, que após o treinamento adaptativo apresenta parâmetros ajustados especificamente para cada sinal de teste. Os três classificadores alcançaram acurácia de 95.3%, 96.2% e 97.1%, respectivamente, o que permite esperar resultados efetivos quando aplicados a pacientes reaisAbstract: A new heartbeat classification method is proposed based on the electrocardiogram (ECG). The ECG is the record of the cardiac electrical activity, which may reveal abnormal patterns of the heart and may be associated with some arrhythmia. The arrhythmia database of the Massachusetts Institute of Technology and the Israelite Hospital of Boston (MIT-BIH Arrhythmia database) and the guidelines proposed by the AAMI (Association for the Advancement of Medical Instrumentation) are used here for training and testing purposes. Time intervals between heartbeats as well as morphological characteristics of each beat are used to train and evaluate the developed neural networks. The first classifier, called ecgCNN, uses a supervised convolutional neural network, which receives the temporal and morphological characteristics of the combined heartbeats in a single image. This classifier is improved by separating the temporal and morphological characteristics of the signals, which are generated by two distinct networks (a conventional neural network and a convolutional neural network) whose outputs are concatenated as the input vector of a third neural network which assigns confidence to one of the AAMI classes. This second classifier is called ecgConcatNet. Attempting to improve the accuracy through a system that adapts to the characteristics of the evaluated ECG signal, the ecgConcatNet is submitted to an unsupervised adversary training method, based on the Generative Adversarial Networks (GANs), called here ecgAdvNet. The trained ecgAdvNet network presents specific parameters set for each test signal. The classifiers achieved the overall accuracy of 95.3%, 96.2%, and 97.1%, respectively, which allow expecting effective results when applied to real patientDoutoradoMecatrônicaDoutor em Engenharia Mecânic