Measurement and feature extraction/selection in the automatic detection of ischemia and valvular pathologies on cardiac signals

La detección automática de patologías cardíacas depende fuertemente de la calidad de representación de los fenómenos fisiológicos subyacentes, y esto ha motivado la realización de estudios para encontrar la representación efectiva de los datos. La representación de la dinámica del corazón está relacionada con las propiedades temporales, morfológicas, espectrales y de complejidad de las señales cardíacas. Como el comportamiento cardíaco posee alta variabilidad intra-clase entonces la tarea de encontrar un espacio de representación efectivo es muy compleja, y desafortunadamente, muchas de las características estimadas son irrelevantes al concepto de clasificación. En este estudio, se presenta un nuevo método de entrenamiento para obtener la representación efectiva de datos involucrados en la dinámica cardíaca, con el fin de desarrollar un sistema de detección automática de isquemia y deficiencias valvulares sobre registros de la actividad cardíaca. Se expone una comparación de diferentes modelos de representación basados en medidas de diagnóstico y coeficientes de representación abstracta. Se presenta un método de reducción de dimensiones basado en un esquema nuevo compuesto por tres niveles de aplicación (proyección, interpretación y visualización), el cual ayuda a encontrar la interpretación del espacio inicial de entrenamiento, indicando cuales características son las que realmente aportan a la detección y también conecta esas características con la representación fisiológica de las señales cardíacas (electrocardiograma – ECG y fonocardiograma – FCG). Varias bases de datos fueron usadas para evaluar los modelos propuestos de representación, encontrando que el análisis de complejidad permitió la conformación del espacio de representación más discriminante. También fueron evaluadas diferentes esquemas metodológicos de reducción de dimensiones, obteniendo resultados del 99.5% en la detección de eventos isquémicos y del 97.8% para la detección de soplos cardíacos (clasificador 5-NN – validación cruzada 15 × 2). Para incrementar la capacidad de generalización en la etapa de clasificación fue usado el modelo de complejidad de Rademacher y comparado con técnicas convencionales de entrenamiento, resultando que la penalización de Rademacher suma capacidad de generalización al clasificador, lo cual es una restricción necesaria debida a la alta variabilidad intra-clase de las señales cardíacas. Esta componente de incertidumbre incluida en la reducción de dimensiones permite hallar una representación efectiva de los datos. / Abstract: The automatic detection of cardiac pathologies strongly depends on the representation quality of subjacent physiological phenomena, and this has been the motivation behind several studies to seek effective data representation. Representation of heart dynamics is mostly related to timing, morphology, spectral and complexity properties of cardiac signals. It is important to note that because cardiac behavior has high within-class variability then the task of finding an effective representation space is very complex, and unfortunately, many of the candidate features are irrelevant to the target concept. In this study, a new training method for obtaining the effective data representation involved in cardiac dynamics is presented, with the aim of achieving an automatic detection system of ischemia and valvular pathologies on cardiac signals. A comparison of different representation models based on clinical measures and abstract coefficients was carried out. A dimensionality reduction method based on a new scheme founded in three applicability layers (projection, interpretation and visualization) is presented, which helps to find interpretation of the initial space, locating the features that increase the detection capability of cardiac pathologies and also connecting these features with the physiologic representation of the cardiac signals (electrocardiogram – ECG and phonocardiogram – PCG). Several databases were used for evaluating the proposed representation models, finding that complexity analysis made the representation space more discriminant. Also, different dimensionality reduction methodologies were evaluated obtaining results over 99.5% of classification accuracy for detecting ischemia events and 97.8% for episodes with cardiac murmurs, using a 5-NN classifier and 15 × 2 cross-validation. For increasing the generalization capability in the classification stage, the Rademacher complexity model was used and compared with conventional training techniques, as a result that the Rademacher penalty added generalization capability to the classifier, which is a necessary constraint due to the high within-class variability of cardiac signals. This uncertainty included in the dimensionality reduction procedure allowed effective data representation.Doctorad