An algorithm to classify heartbeats using the electrocardiogram

Abstract

Cardiovascular diseases (CVD) are the leading cause of death in the world. Therefore, their early detection and prevention is an urgent task with important consequences for public health and quality of live. Low cost non-invasive monitoring techniques to assess the state of the heart like the electrocardiogram (EKG) are an essential tool for the prevention of CVDs, and the early detection of arrhythmia. Many arrhythmia are associated to disfunctions in heart rate and the nature or origin of the heartbeats. Consequently, an automatic algorithm to identify heartbeats and classify them using the EKG would be an important tool for the early detection of CVDs. The aim of this project has been to develop and implement an EKG based supervised algorithm to discriminate normal heartbeats from heartbeats originating in the ventricles, or ventricular heartbeats. To accomplish this goal several intermediate goals have been defined and achieved; first, the adaptation of an openly available EKG database following the international standards, and the development of an easy to use graphical user interface (GUI) for the visualisation and handling of those EKG signals and their annotations. Then, two algorithms were used to detect and delineate the heartbeats from the database, namely the Hamilton Tompkins heartbeat detector and the Wavedec heartbeat delineator. From each heartbeat fifteen characteristics were calculated, including morphological and interval features. Afterwards, these features were statistically characterised for normal and ventricular heartbeats to identify distinctive patterns that will help differentiate normal from ventricular beats. Finally, the best feature combination was determined and it included only four features. These features were used to train a machine learning logistic regression classifier to discriminate normal from ventricular beats, and a separate set of heartbeats was used to test the algorithm. The classifier correctly classified 90.98% of the ventricular beats and 85.98% of normal beats in the test set. These results are comparable or even better than some of the algorithms proposed in the literature for heartbeat classification.

In conclusion an accurate algorithm for the discrimination of normal and ventricular heartbeats was developed. Furthermore, the best EKG delineation features for the discrimination of normal and ventricular heartbeats were identified, and we showed that a classifier based only on four features achieved the best results.

Las enfermedades cardiovasculares (ECV) son la principal causa de muerte en el mundo. Por lo tanto, su detección precoz y prevención es una tarea urgente con importantes consecuencias para la salud pública y la calidad de vida. Las técnicas de monitorización no invasiva de bajo coste para evaluar el estado del corazón como el electrocardiograma (ECG) son una herramienta esencial para la prevención de las ECVs y la detección precoz de arritmias. Muchas arritmias se asocian a disfunciones en la frecuencia cardíaca y la naturaleza y origen de los latidos. Por consiguiente, un algoritmo automático para identificar los latidos del corazón y clasificarlos utilizando el electrocardiograma sería una herramienta importante para la detección precoz de las ECV. El objetivo de este proyecto ha sido desarrollar e implementar un algoritmo supervisado basado en ECG para discriminar entre los latidos cardíacos normales de los latidos que se originan en los ventrículos o latidos cardíacos ventriculares. Para lograr este objetivo se han definido y cumplido varios objetivos intermedios. En primer lugar, la adaptación de una base de datos de electrocardiogramas de libre acceso siguiendo los estándares internacionales, y el desarrollo de una interfaz gráfica de usuario fácil de usar para la visualización y manejo de dichas señales de electrocardiograma y sus anotaciones. Luego, se utilizaron dos algoritmos para detectar y delinear los latidos cardíacos de la base de datos, concretamente, el detector de latidos de Hamilton Tompkins y el delineador de latidos cardíacos Wavedec. De cada latido se calcularon quince características, incluyendo características morfológicas y de intervalo. Posteriormente, estas características se caracterizaron estadísticamente para los latidos cardíacos normales y ventriculares con el fin de identificar patrones distintivos que ayuden a diferenciar los latidos normales de los ventriculares. Finalmente, se determinó la mejor combinación de características y se incluyeron sólo cuatro características. Estas características se utilizaron para entrenar un clasificador de regresión logística de aprendizaje automático para discriminar los latidos normales de los ventriculares, y se utilizó un conjunto separado de latidos cardíacos para probar el algoritmo. El clasificador clasificó correctamente el 90,98% de los latidos ventriculares y el 85,98% de los latidos normales en el conjunto de prueba. Estos resultados son comparables o incluso mejores que algunos de los algoritmos propuestos en la literatura para la clasificación de los latidos cardíacos. En conclusión, se ha desarrollado un algoritmo preciso para la discriminación de los latidos cardíacos normales y ventriculares. Además, se identificaron las mejores características de delineación del electrocardiograma para la discriminación de los latidos cardíacos normales y ventriculares, y se demostró que un clasificador basado sólo en cuatro características logró los mejores resultados.

Gaixotasun kardiobaskularrak (GKB) dira mundu mailan hilkortasun kausa nagusia. Beraz, GKBak garaiz detektatzea eta hauen prebentzioa premiazko zereginak dira, biek ere osasun publikoan zein bizi-kalitatean ondorio garrantzitsuak baitituzte. Elektrokardiograma (EKG) bihotzaren egoera monitorizatzeko kostu baxuko modu ez-inbaditzailea da, eta funtsezko tresna da GKBak sahiesteko eta arritmiak garaiz detektatzeko. Arritmia asko bihotz-maiztasunaren edota bihotz taupaden izaera edo jatorriaren disfuntzioekin lotzen dira. Horrengatik, bihotz-taupadak identifikatzeko eta EKGa erabiliz bihotz-taupadak sailkatzeko algoritmo automatikoa tresna garrantzitsua izango litzateke GKBn detekzio goiztiarrerako. Proiektu honen helburua izan da EKGn oinarritutako algoritmo bat garatu eta inplementatzea bentrikuletan sortzen diren taupadak taupada arruntetatik bereizteko. Helburu hori lortzeko, bitarteko helburuak zehaztu eta bete izan dira. Lehenik eta behin, sarbide libreko elektrokardiogramen datu-base bat nazioarteko estandarrak jarraituz egokitu da eta erabiltzaile-interfaze grafiko bat garatu da, elektrokardiograma seinaleak eta taupada anotazioak bistaratzeko eta erabiltzeko. Ondoren, bi algoritmo erabili dira datu-baseko bihotz-taupadak detektatzeko eta delineatzeko, Hamilton Tompkins taupada-detektagailua eta Wavedec taupada delineatzailea, alegia. Taupada bakoitzeko hamabost ezaugarri kalkulatu dira, horien artean ezaugarri morfologikoak eta denborazkoan barne. Ondoren, ezaugarri horiek estatistikoki karakterizatu dira taupada normal eta bentrikularrentzako. Horrela, taupada bentrikularrak arruntetatik bereizten laguntzen duten patroi bereizgarriak identifikatu dira. Azkenik, ezaugarrien konbinaziorik onena identifikatu da, lau ezaugarriz bakarrik osatuta dagoela ondorioztatu delarik. Ezaugarri horiek ikasketa automatikoko erregresio logistiko sailkatzaile bat entrenatzeko erabili dira, taupada bentrikularrak arruntetatik bereizteko. Algoritmoa entrenatzeko eta emaitzak lortzeko taupada multzo desberdinak erabili dira. Sailkatzaileak behar bezala sailkatzen ditu taupada bentrikularren %90.98 eta taupada arrunten %85.98. Emaitza horiek, halaber, bihotz-taupadak sailkatzeko literaturan proposatutako algoritmoetako batzuen antzekoak edota hobeagoak dira.

Ondorioz, bihotz-taupada normalak eta bentrikularrak bereizteko algoritmo zehatza garatu da. Gainera, bihotz-taupadak eta bentrikularrak bereizteko elektrokardiogramaren delineazioaren ezaugarri onenak identifikatu dira, eta lau ezaugarritan oinarritutako sailkatzaileak emaitzarik onenak ematen dituela frogatu da.