Atrial Fibrillation Detection Based on Artificial Neural Networks

Fibrilacija atrija česta je srčana aritmija čija su obilježja brzi i nepravilni srčani ritam, pri čemu atrij i ventrikul rade asinkrono. Kao jedna od posljedica fibrilacije atrija može biti stvaranje ugruška, a posljedično i moždani udar, pa čak i smrt. Zato je od iznimne važnosti takvo stanje pravovremeno i ispravno prepoznati. FA moguće je dijagnosticirati na elektrokardiogramu (EKG) na temelju morfologije jer kod AF-a dolazi do pojave tzv. fibrilacijskih valova (f-valova), ali i na temelju nepravilnosti u srčanom ritmu pri čemu se u tom slučaju računaju i analiziraju različiti matematički i statistički parametri na temelju RR intervala. Jedan od načina detektiranja prisutnost fibrilacije atrija je uz pomoć umjetnih neuronskih mreža, što je i način detektiranja AF u ovom radu. Kao ulaz u umjetnu neuronsku mrežu koristila su se dva različita ulaza, ovisno o tome da li se detekcija bazira na morfologiji ili srčanom ritmu. Prilikom detekcije, odnosno klasifikacije, zasnovane na morfologiji ulaz u neuronsku mrežu predstavljaju same vrijednosti signala EKG-a između dva R zupca, odnosno RR interval. Kod detekcije zasnovane na srčanom ritmu, ulaz u neuronsku mrežu su izračunati matematički i statistički parametri čije se vrijednosti mijenjaju sukladno promjenama u srčanom ritmu. Postupkom učenja umjetne neuronske mreže, mreža uči kako razlikovati različite signale, npr. kako razlikovati signal s normalnim sinus ritmom od signala u kojem je prisutna fibrilacija atrija. Tijekom samog testiranja umjetne neuronske mreže provjerava se točnost klasifikacije sa signalima koji se nisu upotrebljavali u fazi učenja, odnosno na prethodno neviđenim podacima. Izvedbom i provedbom umjetnih neuronskim mreža može se zaključiti da je točnost detekcije veća kada se signali klasificiraju na temelju ritma u odnosu na morfologiju, također je točnost veća i prilikom klasifikacije na manji broj klasa. Točnost klasifikacije signala prilikom uporabe dvije klase (NSR i AF) bazirane na morfologiji iznosi 91,33% na razini RR intervala, te 95,02% na razni pacijenta, dok točnost klasifikacije bazirane na ritmičkim parametrima iznosi 96,03%.Atrial fibrillation (atrial fibrillation, AF) is a common cardiac arrhythmia characterized by rapid and irregular heart rhythm, with the atrium and ventricle operating asynchronously. One of the consequences of atrial fibrillation can be the formation of a clot, consequently a stroke, and even death. That is why it is extremely important to recognize such a situation in a timely and correct manner. It is possible to diagnose this on an electrocardiogram (ECG) based on morphology, because in AF the so-called fibrillation waves (f-waves), but also on the basis of irregularities in heart rhythm, in which case various mathematical and statistical parameters are calculated and analysed based on the RR interval. One of the ways to detect the presence of atrial fibrillation is with the help of artificial neural networks, which is also the way to detect AF in this paper. Two different inputs were used as input to the artificial neural network, depending on whether the detection was based on morphology or heart rate. During the detection, i.e. classification, based on the morphology, the input to the neural network is represented by the values of the ECG signal between the two R teeth, i.e. the RR interval. In heart rate-based detection, the input to the neural network is calculated using mathematical and statistical parameters whose values change according to changes in heart rate. By learning artificial neural network, the network learns how to distinguish different signals, e.g., how to distinguish signals with a normal sinus rhythm from a signal in which atrial fibrillation is present. During the testing of the artificial neural network, the accuracy of the classification is checked with signals that were not used in the learning phase, i.e. on previously unseen data. By performing and implementing artificial neural networks, it can be concluded that the accuracy of detection is higher when signals are classified based on rhythm compared to morphology, also the accuracy is higher when classifying into a smaller number of classes. The accuracy of signal classification when using two classes (NSR and AF) based on morphology is 91.33% at the level of RR interval, and 95.02% on various patients, while the accuracy of classification based on rhythmic parameters is 96.03%