Las computadoras en Biología y Medicina 87 (2017) 271-284

listas de contenidos ofrecidos en ScienceDirect

Las computadoras en Biología y

Medicina
revista Página de inicio:
www.elsevier.com/locate/compbiomed

Clasificación de los latidos del corazón de ECG utilizando métodos de

descomposición no lineales y máquina de soporte vectorial
Kandala NVPS Rajesh, Ravindra Dhuli
Facultad de Ingeniería Electrónica de la Universidad de VIT, Vellore 632014, India

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

palabras La clasificación de electrocardiograma latidos del corazón (ECG) para la predicción de riesgo arrítmico es una tarea
clave: señal difícil debido a las variaciones diminutas en la amplitud, la duración y la morfología de la señal de ECG. En este
de ECG trabajo, se proponen dos enfoques de extracción de características para clasificar los cinco tipos de latidos: normal,
Arritmia contracción ventricular prematura, la contracción auricular prematura, bloqueo de rama izquierda y bloqueo de
Descomposición modo empírico
rama derecha. En el enfoque primero, latidos del ECG se descomponen en funciones del modo intrínsecas (IMFS)
Ensemble modo empírico de
utilizando descomposición modo empírico conjunto (EEMD). Más tarde cuatro parámetros, a saber, la entropía de
descomposición Clasi fi cación
la muestra, coeficiente de variación, valores singulares, y potencia de la banda de IMFs se extraen como
SMO-SVM
características. En el segundo enfoque, las mismas características se calculan a partir IMFs extraído por medio de
una descomposición modo empírico (EMD) algoritmo. Las características obtenidas a partir de los dos enfoques se
forma independiente alimentados a la máquina de optimización de soporte de vector mínimo secuencial (SMO-
SVM) para clasi fi. Se han utilizado dos bases de datos de arritmia para nuestra evaluación: MIT-BIH y INCART.
Comparamos los enfoques propuestos con los métodos existentes que utilizan las medidas de rendimiento dadas
por los valores medios de (i) específica de la ciudad, (ii) la sensibilidad, y (iii) la precisión. El primer enfoque
demuestra el rendimiento signi fi cativa con la sensibilidad 98,01%, 99,49% especificidad, y el 99,20% de precisión
para la base de datos MIT-BIH y sensibilidad 95,15%, 98,37% especificidad, y el 97.57% de precisión para la base
de datos INCART. Comparamos los enfoques propuestos con los métodos existentes que utilizan las medidas de
rendimiento dadas por los valores medios de (i) específica de la ciudad, (ii) la sensibilidad, y (iii) la precisión. El
primer enfoque demuestra el rendimiento signi fi cativa con la sensibilidad 98,01%, 99,49% especificidad, y el
99,20% de precisión para la base de datos MIT-BIH y sensibilidad 95,15%, 98,37% especificidad, y el 97.57% de
precisión para la base de datos INCART. Comparamos los enfoques propuestos con los métodos existentes que
utilizan las medidas de rendimiento dadas por los valores medios de (i) específica de la ciudad, (ii) la sensibilidad, y
(iii) la precisión. El primer enfoque demuestra el rendimiento signi fi cativa con la sensibilidad 98,01%, 99,49%
especificidad, y el 99,20% de precisión para la base de datos MIT-BIH y sensibilidad 95,15%, 98,37% especificidad,
y el 97.57% de precisión para la base de datos INCART.

1. Introducción investigadores para investigar la detección y métodos de clasificacion

El funcionamiento del cuerpo humano está bajo la profunda
influencia del corazón, que desempeña un papel significativo en el
sistema cardiovascular. Cualquier limitación funcionales en el corazón
puede conducir a enfermedades cardiovasculares (ECV). ECV están
aumentando la tasa de mortalidad en todo el mundo, especialmente en
los países de bajos y medianos ingresos[43]. El paro cardíaco repentino
debido a la arritmia cardiaca es una de las principales preocupaciones
en estos países. Las arritmias cardíacas se producen debido a la
conducción impropia eléctrica o la formación de impulsos im- en el
corazón, lo que puede afectar a la morfología del corazón o interrumpir
el ritmo de un latido regular. Una arritmia puede causar latidos
cardíacos anormales tales como latidos ectópicos y bloqueo de rama
del haz. latidos ectópicos se forman debido a la formación del impulso
eléctrica inadecuada. latidos ectópicos son más ed fi cación como
ventricular prematura y las contracciones auriculares. Estos golpes
perturbarán el ritmo normal del corazón y pueden inducir arritmias
graves como la ventricular o fibrilación auricular. bloques de rama
impiden la vía normal de los impulsos eléctricos a través del sistema de
conducción a los ventrículos.[52]. Estas situaciones están provocando
de arritmias cardíacas. Una secuencia de latidos del corazón se puede
asignar a una arritmia; por lo tanto, un paso importante en la
detección y clasificación de cationes fi de arritmias es latidos
caracterización[61].
Un electrocardiograma (ECG) es una herramienta de diagnóstico
popular para exami- nando la actividad eléctrica del corazón. Una
señal de ECG representa acciones de despolarización y repolarización
del músculo cardíaco como latidos del corazón. Manual de observación
de los cambios sutiles entre y dentro de los latidos del corazón en un
ECG es un trabajo tedioso. Por lo tanto, mediante el reconocimiento de
los diversos tipos de latidos de corazón, el diagnóstico asistido por
ordenador (CAD) juega un papel importante en la detección y clasi fi
cación de las arritmias cardiacas. Esto ayudará a cardiólogos para
supervisar las condiciones fisiológicas de la actividad del corazón a
intervalos regulares. Este trabajo investigó un método para la
clasificación de los latidos del corazón que podrían ayudar en la
detección de varios tipos de arritmias. La importancia de CAD en la
detección de la arritmia cardiaca y clasi fi cación fue trado demostrado
en estudios previos[29,40,41]. Una elección adecuada de
características y ampli fi caciones mejoraría el método de clasi fi
cación. métodos de clasi fi cación Heartbeat se pueden clasificar en
general en cuatro grupos basados en la selección de características[39],
Viz., El dominio del tiempo, de dominio de frecuencia, tiempo y frecuencia y los métodos no lineales.

Autor correspondiente.
Correos electrónicos: kandala.rajesh2014@gmail.com (KNVPS Rajesh), ravindradhuli@vit.ac.in (R. Dhuli).

http://dx.doi.org/10.1016/j.compbiomed.2017.06.006
Recibido el 14 de febrero de 2017. Recibido en forma 03 de junio 2017 revisado; Aceptadas 3

de junio de 2017 0010 a 4825 / © 2017 Elsevier Ltd. Todos los derechos reservados.
KNVPS Rajesh, R. Dhuli
En el dominio del tiempo, predicción lineal [36], morfología del
ECG, RR intervalos in- [13] y el análisis discriminante lineal (LDA)
[63] son usados. En fre- cuencia-dominio, los métodos de extracción
de características basados en transformada de Fourier[44], La
descomposición subbanda [2] y no paramétrico de densidad espectral
de potencia (PSD) [30] Se exploraron para la discriminación latido del
corazón. enfoques tiempo-frecuencia son populares debido a sus
capacidades de análisis multi-resolución. Afonso y Tompkins[1] usado
poco tiempo transformada de Fourier (STFT) y la distribución de
Wigner-Ville (WVD) para discriminar ritmos que requieren una
descarga de ritmos cardíacos no susceptibles de choque. Wavelets son
también ampliamente utilizados en este contexto[3,27,31,42]; Sin
embargo, las razones de los cambios de forma de onda y rítmicas en el
ECG son complicadas. tura de- de la actividad rítmica en la señal ECG
se denomina arritmia. se consideran Arritmias siendo causado por
condiciones patológicas, tales como trastornos en el sistema nervioso
autónomo, disfunciones de marcapasos naturales, o fallos en la vía de
conducción eléctrica en el miocardio. Los resultados de señal ECG a
partir de la combinación de señales de aliado mutu- relacionados y los
sistemas biológicos inherentemente no lineales. Por lo tanto, para
analizar esto, necesitamos una técnica de descomposición que es no
lineal y adaptativa. Los investigadores intentaron descomponer ECG
en varios modos de uso de algunas funciones de base[26,40].
características no lineales, como cumulantes de orden superior[42,64]
y la entropía aproximada [34] se extraen de estos modos. Sin embargo,
estas funciones de base no son dinámicos y por lo tanto incapaz de
responder a los cambios morfológicos. Hay una necesidad de un
mecanismo de adaptación para descomponer la señal ECG. Un popular
herramienta de análisis conocido como conjunto descomposición
modo empírico (EEMD)[59] se utiliza en este trabajo. EEMD
descompone señales no estacionarias procedentes de sistemas no
lineales en funciones intrínsecas de modo (IMFS), dependiendo de las
características de la señal, sin depender de ninguna base anterior.
Estos modos son regulares y se extendió a través de todo el intervalo de
tiempo con escalas similares[12]; por lo tanto, EEMD dará la
información sutil de una señal, en términos de modos. EEMD ha
mostrado su potencialidad en una variedad de aplicaciones, incluyendo
el diagnóstico de fallos en aplicaciones mecánicas[15,32,33], ECG fi
ltrado [10] y análisis de la señal sísmica [58]. Hasta el momento,
EEMD no se explota en el ECG señal de clasi fi cación. En este trabajo,
se intenta clasificar cinco tipos de latidos del corazón morfológicas
(normal, PVC, APC, BRI y BRD) en base a sus características EEMD.
Clasi selección fi er es crucial en la detección y clasificación problema fi
catión; diferentes ERS fi caciones se utilizaron en la literatura,
incluyendo mapas de auto-organización (SOM)[7], K-vecino más
cercano [26], ANN [21,47] y análisis de conglomerados [62]. En este
trabajo, se utilizó una máquina de optimización de soporte de vector
mínimo secuencial (SMO-SVM) para clasi fi. Martis et al.[39]
informaron de que en ciertos casos, los métodos no lineales se
comportan bien, incluso en condiciones ruidosas [28,54]; por lo tanto,
nosotros
probado el rendimiento de nuestro método en presencia de ruido.
Este documento está estructurado de la siguiente manera. Sección2
proporciona información sobre el conjunto de datos utilizado en este
trabajo también presenta el método propuesto incluyendo pre-
procesamiento, extracción de características y clasificacion.
Descripción del experimento y discusión de los resultados obtenidos se
presentan en la Sección3. Conclusión Se presenta en la Sección4.
2. Metodología
Para analizar el método propuesto, se optó por la base de datos de la
tabla 1
Número de tiempos utilizados en este trabajo.
Tipo de ECG golpear Número
272
Las computadoras en Biología y Medicina 87 (2017) 271-
284
Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIH)
arritmia base de datos [45]. En esta base de datos, varios tipos de
latidos del corazón obtenidas de pacientes masculinos y femeninos se
almacenan en 48 registros. Cada duración de la grabación se 30:06
min muestreado a 360 Hz. A partir de los datos recogidos, cinco tipos
de latidos del corazón: normal, PVC, APC, BRI y BRD se utilizan para
clasi fi. Los detalles de estos datos se proporcionan entabla 1. La
metodología propuesta se explica a continuación.
En general, el sistema de clasi fi cación latido automático
comprende tres bloques de construcción: pre-procesamiento,
extracción de características y clasificacion como se muestra en Figura
1. Vamos a discutir los detalles de los enfoques y también los
antecedentes teóricos de las técnicas empleadas.
2.1. Pre-procesamiento
Pre-procesamiento consta de eliminación de ruido y de segmentación
partes.
2.1.1. eliminación de ruido
Para un diagnóstico preciso, los médicos prefieren siempre las
señales de ECG libre de ruido. Sin embargo, en el escenario en tiempo
real, registros de ECG tienen artefactos inherentes. Destacan entre
ellos son ruido de alta frecuencia debido a la interferencia de línea de
energía y el ruido de baja frecuencia tales como fluctuación lenta de
fase de línea de base debido al movimiento o respiración del paciente.
Por lo tanto, es recomendable eliminar el ruido de los primeros
registros de ECG. Por eliminación de ruido de la técnica fi ltrado
propuesto por Ref.[5] se utiliza con una ligera modi fi cación.
Este método consiste en cuatro pasos:
1. Eliminar el sesgo medio de la señal de ECG ruidoso.
2. Mover fi promedio de filtro con el fin de cinco (frecuencia ¼ de corte
24 Hz) se utiliza para eliminar los componentes de alta frecuencia
debido a la interferencia de línea de energía y el ruido muscular.
3. De paso alto de filtro con frecuencia de corte 1 Hz se utiliza para la
supresión de fluctuación lenta de fase de línea de base.
4. Adicional de paso bajo de filtro con frecuencia de corte 45 Hz se
utiliza para suprimir aún más cualquier artefactos de alta
frecuencia dejado fuera, ya que la mayoría de la energía de la señal
ECG se encuentra entre 0,5 y 45 Hz [60].
Segmentación sigue el mecanismo de eliminación de ruido.
2.1.2. Segmentación
señal de ECG obtenida después de la eliminación de ruido tiene que
ser segregados en los latidos del corazón viduales indi-. Dos enfoques
principales disponibles para este propósito son
(1) detectar el complejo QRS, (2) el uso de la anotación fi les
proporcionada por los expertos.
complejos QRS pueden ser detectados utilizando varios algoritmos,
tales como [24,38,46,49].
En nuestro análisis, hacemos uso de la base de datos MIT anotación
de archivos [11,14,29]. Para obtener un latido del corazón, se aplica una
ventana de longitud 300 en la señal ECG. Estos golpes de cada clase se
presentan enFigura 2 con el eje de tiempo correspondiente. mediante
la observación deFigura 2, Se observan grandes variaciones
morfológicas entre y dentro de los latidos normales y anormales. Un
problema importante para el ECG automatizada venció clasi fi es
incierto morfología ECG. Puede ser diferente, incluso dentro de un
cable de re-paciente. Sin embargo, hay una posibilidad de que sea
similar a un tipo diferente de ritmo de ECG[48]. Esta situación puede
ser manejada por la elección de características adecuadas.
2.2. Extracción de características
d latidos
e
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
nombre de registro
284
Con la
ayuda de
extracción
de
característ
icas,
podemos
representa
r una gran
cantidad
de datos
en una
Normal (N) 2000100,101,108,112 algunas muestras, a menudo llamados, características. La elección de
elementos apropiados
Ventriculares 2000106.107.200.201 mejorar la precisión del rendimiento. Como se muestra enFigura 1,
prematuros
Ponemos en práctica la extracción de características en dos etapas.
auricular prematura
Contracción (PVC) 2000 100.101.103.108.112.114.116,
Contracción (APC) 118.121.124.200.201.202.205, En la primera etapa, los latidos de ECG se descomponen en IMFs
207.209.213.215.219.220.222, que utilizan EEMD y EMD.
223.228.231.232.233 En la etapa dos, la entropía de la muestra, el coeficiente de
Bloqueo de rama izquierda (BRI) 2000 109111207214 variación, los valores singulares y valores de potencia de la banda se
Bloqueo de rama derecha (BRD) 2000 118207212
calculan a partir IMFs para el análisis subsiguiente.

273
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284

Fig. 1. Diagrama de bloques de la metodología

propuesta.

2.2.1. Descomposición modo empírico (EMD)
EMD es un método de descomposición populares muy adecuado
para los datos no estacionarias que se derivan de los sistemas no
lineales [22]. A diferencia de transformada de wavelet, EMD
descompone datos en IMFs que son funciones de amplitud y frecuencia
modulada (AM-FM). EMD explota la información local contenida en
los datos en sí[25]. FMI que sea considerada como una función de
base, contiene la información de oscilación local de la señal.
FMI debe satisfacer dos condiciones:
i. El número de extremos y el número de cruces por cero en el
segmento de datos deben ser similares o como máximo diferir por
uno.
ii. En cualquier instante de tiempo, los valores medios locales de las
envolventes superior e inferior definido por los extremos locales
deben ser cero [12].
proceso EMD genera IMFs utilizando el proceso de tamizado se
describe en el algoritmo 1 [22]. proceso EMD comienza con la
identificación de los extremos (mínimos y máximos locales local) para
un xðtÞ señal dada.

274
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284

Fig. 2. latidos segmentados de Normal, PVC, APC, BRI, BRD con 0,83 s (300 puntos de datos).

275
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284
Este algoritmo se ilustra en la Higos. 3 y 4. Un ECG normal venció 2.2.3. parámetros del ECG
ob- CONTENIDAS de la base de datos MIT se representa enFig. 3(un). Varios parámetros se extraen de ECG para generar los términos de
Fig. 3(B) representa el latido ECG normal, envolventes superior e referencia de características Vec- para el mecanismo de clasi fi cación.
inferior y la media de los
ð sobres. Proto componente h11 t de la Estos parámetros se calculan a partir FMI1-IMF7 para EEMD y FMI1-
Þ la media de los sobres de latido ECG
ecuación. (2), se extrajo restando IMF5 para EMD. Un breve análisis de estos parámetros se presenta a
normal se muestrare THDen laFig. 3(do). Idealmente, h11
Þ t debe ser una FMI. continuación.
Sin embargo, h11 t no satisface los requisitos de una FMI. Todavía hay la entropía muestral (SampEn): Muestra la entropía es una medida
extremos múltiple en los cruces entre cero. Por lo tanto, el proceso de de la regularidad de una serie temporal utilizada para cuantificar la
iteración tiene que ser repetido.Fig. 4 representa elð segundo proceso de complejidad de la dinámica del latido del corazón [53]. Alto valor de
iteración. componente Proto h11 t, sobres (superior
Þ e inferior) del SampEn representa a más irregularidad en series de tiempo. SampEn
componente deð proto y la media de los sobres se muestran en laFig. se utiliza a menudo en el análisis de series de tiempo fisiológico[4,35].
4(A) y h12 t se muestra
Þ en la Fig. 4(segundo). El resultado todavía no Coeficiente de variación (CV): El coeficiente de variación es una
es una FMI. Por lo tanto, este proceso de iteración se repite k veces. estadística parámetro definido como la relación entre el cuadrado de la
Este fenómeno se conoce como operación de tamizado.Fig. 4(C) desviación estándar para
representa el componente FMI primera logrado después de 72 siftings la plaza del FMI significa seleccionado.
basados en los criterios de parada. Esta operación se continúa hasta
2
que el componente final FMI se convierte en residuo de la señal. CV ¼ ðσ=μÞ ; (7)
Utilizando EMD algoritmo nosotros poder exprimir xdtÞ como
dónde
" 2 #1=2
x
K
xL 1L
μ¼1
X
xretÞ¼ clretthth rKretÞ; (4) ckrelÞ ; σ reckrelTH (8)
L l¼1 L l¼1
l¼1 ¼ μÞ

donde CL es el LTH FMI,

ð rK t es el residuo final. Para ilustrar el EMD, L ¼ 300, ckð L es la lº elemento del FMI ck vectorial.
se presenta la descomposición
Þ del ritmo normal y cuatro latidos CVÞ también se conoce como el coeficiente de dispersión (o)
anormales enFig. 5. desviación estándar relativa, ya que, se compara el grado de dispersión
de ECG normal pega a latidos de ECG anormales [8,37].
2.2.2. Ensemble descomposición modo empírico (EEMD) valores singulares: La descomposición en valores singulares [19] de
La principal ventaja de EMD es su capacidad para segregar una matriz A
componentes estacionarios y no estacionarios de cualquier datos de tamaño m × n puede ser representado como
complejos [17]. Sin embargo, tiene una grave limitación del modo de
UN ¼ TΣVermont: (9)
mezclado es decir, diferente informa- ción combinación espectral en
un modo. Para resolver este problema, un nuevo método de análisis de
Aquí U y V son matrices ortogonales y Σ es una matriz diagonal con-
datos de ruido asistida llamada EEMD entró en escena. EEMD da los
sisting valores singulares.
verdaderos componentes del FMI. Cálculo de verdaderos IMFs
utilizando EEMD se describe en el algoritmo 2[59]:

. Σ
En este trabajo se utilizó¼ε 0: 2. Utilizamos tanto EEMD y EMD Σ ¼ diag σ1; σ2; ......; σpag ; (10)
para descomponer el ECG segmentado late en IMFs para la posterior
extracción de características. Consideramos primeros siete IMFs en el dónde, σ ¼ ½σ;
1 2
σ; ... :; pσ] T son valores singulares. Empleamos singular
análisis y la primera EEMD a
g
cinco IMFs del método de EMD. El número de IMF se elige en función
276
KNVPS Rajesh, R. Dhuli
valores como características Las computadoras en Biología y Medicina 87 (2017) 271-
y ellos
284
calculado a partir de los vectores de
el nivel tolerable de error de reconstrucción. Fig. 6 representa la La
FMI seleccionados. Estos valores describen la distribución de energía
descomposición de la normal y cuatro tipos de latidos anormales
de los diferentes modos. Son capaces de patologías diferentes
utilizando EEMD. Hemos utilizado EMD caja de
distintivos en diversos estudios[9,54]. En este trabajo se elige un ¼ ck.
herramientas[dieciséis] para la implementación de este algoritmo.

277
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284

Fig. 3. Ilustración del proceso de tamizado: (a) latido ECG normal (b) superior y los sobres más bajos y la señal media de ECG latido (c) marido11 componente.

potencia de la banda (BP): Banda de potencia es la potencia media de 2.3. clasificaciónficatión

cada FMI. deje ck
ser uno FMI
2
de longitud
2
L. A continuación,
2
En este trabajo, elegimos secuencial mínima optimización de soporte
do re1thth do re2thth do re3thth (11) máquina
latidos deldecorazón.
vector (SMO-SVM) para fi discriminantes cinco tipos de
BP þ do2reLÞ
......:
k k k
¼ k
: uno es 28 y en el enfoque de dos, es 20.
L
Cada FMI ocupa diferentes bandas de frecuencia. Debido al
comportamiento caótico de latidos de ECG, estos rangos de frecuencia
varían. Al considerar este punto, se calculó la potencia media de cada
banda como una característica.
Todos los parámetros se extraen de cada una de las IMFs
seleccionadas de longitud
300. Por lo tanto, la longitud de vector de características en el enfoque
278
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
máquinas de vectores de soporte (SVM) es un popular er clasi fi 284

propuesto por Vapnik en 1962 [56,57]. Se utiliza para la clasi fi cación

y la regresión a través de aprendizaje supervisado. Generalmente,
SVM es un er fi cación lineal que fi ts un hiperplano de tal manera
que el margen se maximiza. Un margen se define como la distancia
entre los vectores de soporte de dos clases diferentes. Las muestras
de entrenamiento de ambas clases cerca de hiperplano se denominan
vectores de soporte. SVM la formación con mayor número de
ejemplos conduce a un gran problema de optimización de
programación cuadrática (QP). QP es una

279
KNVPS Rajesh, R. Dhuli
Fig. 4. Ilustración de proceso de tamizado: (a) envolventes superior e inferior y la señal media de marido11 componente (b) h12 componente (c) FMI 1 después de 72 siftings
repetidas.
técnica de optimización, donde varias variables que se han optimizado
sujeta a restricciones lineales [23]. En general, los métodos numéricos
se utilizan para resolver este problema. Sin embargo, es un proceso que
consume tiempo debido a las operaciones de bucle interiores. Por lo
tanto SMO-SVM, una versión mejorada de SVM
[50] llego a existir. SMO resuelve muy grande optimización QP
280
Las computadoras en Biología y Medicina 87 (2017) 271-
284
problema analíticamente. Se descompone el problema de optimización
QP determinado en pequeños problemas de QP. SMO-SVM selecciona
dos multiplicadores de Lagrange a la vez y optimiza la función objetivo.
También ajusta el valor de sesgo basado en el resultado. Este proceso
se repite hasta que los multiplicadores seleccionados convergen. Una
ventaja de SMO-SVM es que puede manejar el entrenamiento grande
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284

Fig. 5. La descomposición de Normal, PVC, APC, BRI, BRD en IMFs utilizando EMD.

extraen de latidos segmentadas individuales de una duración de 830 ms.

conjunto de datos analíticamente con menos tiempo de cálculo. SMO-
Para ello, se utilizaron dos enfoques. En el enfoque primero, parámetros
SVM también puede realizar no lineal clasi fi cación cuando los
que se describen en la Sección2.2.3 se extraen de IMFs utilizando
patrones son inseparables en menor espacio de características[6]. Esta
EEMD. Estos parámetros sirven como un vector de características.
técnica se llama truco del núcleo en el que los patrones se transforman
en mayor espacio dimensional donde patrones pueden linealmente
separables. En este trabajo se utilizó SMO-SVM con kernel de Gauss
lineales, y cúbicas para clasi fi cación.

3. Experimentar

El método propuesto se ilustra en Figura 1 se aplica sobre la base de

datos se especifica en la Sección 2. Nos explican brevemente las
medidas de rendimiento utilizados para comparar algoritmo propuesto
con los otros métodos existentes.

3.1. Las medidas de desempeño

e fi ciencia de un algoritmo puede ser validado por la elección de las

medidas de rendimiento adecuadas. La sensibilidad, la especificidad y
la precisión son las medidas Formance per- utilizados en este
trabajo[51]. Diez veces validación cruzada método se utiliza para
calcular estas medidas. En diez veces la validación cruzada, los datos
total se divide en diez subconjuntos. Cada vez que un subconjunto se
utiliza para la prueba y 9 restantes subconjuntos se utilizan para la
formación. Este proceso de plegado se repite para diez veces. Por
último, se calculan las medidas medias de todos los pliegues. La
ventaja con diez veces la validación cruzada es cada ejemplo datos se
prueba exactamente una vez. Cuando todas estas medidas son altos, se
puede asegurar que el mecanismo de clasi fi cación es buena.

3.2. resultados

En esta sección, los resultados en función de la aplicación ilustran

en Figura 1 sera discutido. Una etapa importante del método propuesto
es la extracción de características. características significativas se
281
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
Estadísticas (mediana y rango intercuartil) de estos vectores de 284
características para cada clase se presentan en Tabla 2. La variación
de características, correspon- diente a diferentes latidos del corazón
se puede observar a partir de esta tabla. Siguiente paso importante es
clasi fi cación. El vector de características extraída se alimenta a la er
fi cación para discriminar latidos individuales. Las medidas de
rendimiento de la er fi cación se evalúan utilizando la matriz de
confusión.Tabla 3 presenta las matrices de confusión obtenidos a
partir de SMO-SVM clasificación er fi con tres núcleos diferentes
(lineal, RBF y cúbicos). En matriz de confusión, elementos de la
diagonal representan latidos fi ed precisión caciones. DeTabla 3 se
observa que el SMO-SVM con kernel cúbico clasi fi cados más latidos.
Las medidas de desempeño tales como especificidad, sensibilidad
y exactitud de los latidos del corazón individuales usando diez veces
la validación cruzada se presentan en Tabla 7. A partir de esta tabla,
se puede observar que SMO-SVM con kernel cúbico clasi fi cador
proporciona una precisión de 99.20%, la sensibilidad del 98,01% y
especificidad del 99,49%.
matrices de confusión calculados para el segundo enfoque se
muestran en la Tabla 4. Especificidad, sensibilidad y precisión los
resultados calculados utilizando SMO-SVM con tres funciones del
núcleo se presentan enTabla 8. Se observa a partirTabla 8, Que SMO-
SVM con kernel cúbica proporciona una precisión promedio de
94.68%, la sensibilidad promedio de 86.71% y el promedio de
especificidad de 96,67%.
Estos dos enfoques también se analizan y sin eliminación de ruido
y los resultados se presentan en la Tablas 5, 6, 9 y 10. Muestra
imperativamente la importancia de la fi ltrado previo para la
eliminación de ruido.
Las Tablas 5 y 6 mostrar matrices de confusión de los enfoques 1 y
2 sin eliminación de ruido. medidas de rendimiento enTablas 9 y 10
muestran que las dos aproximaciones sin eliminación de ruido
proporcionan resultados más cerca de los resultados con eliminación
de ruido. Esto demuestra la superioridad de los métodos ción
característica no lineal extracción.
Alimentar a un ampli fi cación con características redundantes
aumentará el coste de computación y con frecuencia degrada el
rendimiento. Por lo tanto, la selección de un subconjunto óptimo
desde el conjunto dado de características mejorará las capacidades de
un sistema de clasi fi cación. En este trabajo, se realiza la selección de
características basadas correlación para obtener un subconjunto
óptimo de características. los

282
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284

Fig. 6. La descomposición de Normal, PVC, APC, BRI, BRD en IMFs utilizando EEMD.

Tabla 2
La mediana de intervalo ± intercuartil de características extraídas en el primer enfoque.

Caracteristicas Normal CLORURO DE APC BRI BRD

POLIVINILO
SV (FMI1) 0.040694 ± 0,00923 0,35635 ± 1.135 0,02864 ± 0,0508 0.108566 ± 0,0312 0.097766 ± 0,0187
CV (FMI1) 2944.204 ± 11.146,20 10.869,31 44.250,67 ± 3359.876 ± 15889.554 2942.871 ± 13.623,40 3218,54 ± 11.919,43
SEN (FMI1) 2,04953 ± 0,1818 1,1500 ± 1,629 1,9571 ± 0,3609 2,0403 ± 0,1828 2,0443 ± 0,1790
BP (FMI1) 5.21E-06 ± 2,24E-06 0.000237 0.001994 ± 5.00e-06 ± 1.48E-05 3.70E-05 1.44E-05 ± 2.95E-05 1.06E-05 ±
SV (FMI2) 0,7832 ± 0,09150 0,6699 ± 1,1694 0,3884 ± 0,3595 0.076749 ± 0,0659 0,3865 ± 0,1383
CV (FMI2) 1008.383 ± 550.466 1810.616 ± 7.362,55 2242.198 5751.041 ± 2564.294 ± 9.429,41 1767.721 ± 5.886,35
SEN (FMI2) 0,00832 ± 0,00058 0,14874 ± 0,553 0,0505 ± 0,258 1,369 ± 0,3822 0,304 ± 0,1441
BP (FMI2) 0,0016 ± 0,00346 0,00046 ± 0,00382 0.000278 ± 0,00103 1,76 E-05 ± 1,00E-05 0.000383 0.000738 ±
SV (IMF3) 0,7007 ± 0,1631 1,544 ± 0,878 0,611 ± 0,4708 2,036 ± 0,399 2,301 ± 0,419
CV (IMF3) 5942,29 ± 18.637,41 1471,99 ± 5778,89 3410.442 ± 14.972,11 3110,77 ± 9291.061 639.846 ± 1142.935
SEN (IMF3) 0,024 ± 0,0120 0,036 ± 0,0749 0,0944 ± 0,1841 0,026 ± 0,0139 0,030 ± 0,0257
BP (IMF3) 0,0013 ± 0,0025 0,0033 ± 0,0119 0,00092 ± 0,00259 0,01262 ± 0,0199 0,0141 ± 0,0258
SV (FMI4) 0,699 ± 0,1720 1,858 ± 1,183 0,801 ± 0,4347 1,975 ± 0,532 2.320 ± 0.4709
CV (FMI4) 1875,65 ± 9484.934 645,47 ± 3503.024 1103,03 ± 4760.688 2557,20 ± 11194.148 1193,46 ± 6307,34
SEN (FMI4) 0,091 ± 0,0430 0,0686 ± 0,0722 0,1708 ± 0,14069 0,0818 ± 0,0284 0,077 ± 0,036
BP (FMI4) 0,00132 ± 0,00217 0,0068 ± 0,01931 0,0016 ± 0,00363 0,0126 ± 0,01647 0,0147 ± 0,0224
SV (IMF5) 0,781 ± 0,1710 1,866 ± 1,1842 0,838 ± 0,5359 2,1418 ± 0,4162 1,768 ± 0,397
CV (IMF5) 838,87 ± 3324.393 272,90 ± 999.475 279.282 ± 1273.1428 219,38 ± 719.7034 574.9640999 ± 2829.609
SEN (IMF5) 0,1615 ± 0,05496 0,102 ± 0,0746 0,185 ± 0,1084 0,1642 ± 0,0379 0,190 ± 0,0577
BP (IMF5) 0,0019 ± 0,00261 0,00878 ± 0,02025 0,00185 ± 0,00341 0,0145 ± 0,01474 0,00875 ± 0,0123
SV (IMF6) 0,5806 ± 0,1826 1.968 ± 1.7088 0,654 ± 0,45191 2.459 ± 0.4232 1,058 ± 0,3279
CV (IMF6) 158,88 ± 720,24 81,41 ± 288,13 111.90 ± 488.622 207.98 ± 815.911 138.790 ± 532,55
SEN (IMF6) 0,151 ± 0,0407 0,0925 ± 0,0569 0,1208 ± 0,0682 0,1432 ± 0,0226 0,114 ± 0,0358
BP (IMF6) 0,0010 ± 0,00103 0,0118 ± 0,0294 0,0013 ± 0.002447 0,022 ± 0,0140 0,0034 ± 0,00382
SV (IMF7) 0,481 ± 0,1421 1,8621 ± 1,3780 0,3708 ± 0,293 1,353 ± 0,4369 0,992 ± 0,3196
CV (IMF7) 72.400 ± 269.157 38.66 ± 185.129 29,17 ± 128.188 45.12 ± 176.003 122.68 ± 525.935
SEN (IMF7) 0,0800 ± 0,0410 0,0518 ± 0,0410 0,0519 ± 0,0425 0,0503 ± 0,0192 0,0390 ± 0,0146
BP (IMF7) 0,00075 ± 0.000817 0,00772 ± 0,0201 0,00032 ± 0.000706 0,0048 ± 0,00367 0.00276 0.00187 ±

Nota: el valor SV-singular, CV-coeficiente de variación, la entropía muestral SEN-, poder Pearson entre función y clase seleccionada. Luego
BP-banda.

esquema de selección de características evalúa el mérito de una

característica mediante la medición de coeficiente de correlación de
283
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284

se asigna filas para cada función utilizando el método de búsqueda

patatero. La importancia de la selección de características se demuestra
en el enfoque de uno (con y

284
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284
Tabla 3
matrices de confusión con diferentes núcleos de SMO-SVM: primera aproximación fi.

SMO-SVM LinearSMO-SVM RBFSMO-SVM Cúbico

Normal CLORU APC BRI BRD Normal CLORU APC BRI BRD Normal CLORU APC BRI BRD
RO DE RO DE RO DE
POLIVI POLIVI POLIVI
NILO NILO NILO
Normal 1959 1 38 0 2 1959 10 31 0 0 1980 1 18 0 1
CLORURO 5 1753 202 26 14 1 1908 83 4 4 0 1959 35 2 4
DE
POLIVINILO
APC 99 122 1675 14 90 24 85 1838 1 52 1 68 1905 3 23
BRI 2 37 6 1949 6 0 27 3 1969 1 0 17 3 1978 2
BRD 1 14 13 5 1967 0 12 14 2 1972 1 7 9 4 1979

Tabla 4
matrices de confusión con diferentes núcleos de SMO-SVM: segundo enfoque.

SMO-SVM LinearSMO-SVM RBFSMO-SVM Cúbico

Normal CLOR APC BRI BRD Normal CLORU APC BRI BRD Normal CLOR APC BRI BRD
URO RO DE URO
DE POLIVI DE
POLIV NILO POLIV
INILO INILO
Normal 1838 10 140 2 10 1837 18 126 1 18 1841 10 134 2 13
CLORURO 106 779 332 396 387 35 1537 195 104 129 30 1426 235 144 165
DE
POLIVINILO
APC 419 56 1232 157 136 155 131 1546 47 121 20 87 1708 52 133
BRI 0 205 26 1744 25 0 101 18 1867 14 0 62 36 1886 dieci
séis
BRD 26 213 35 103 1623 9 125 47 22 1797 12 93 60 25 1810

con las normas de la AAMI y

sin eliminación de ruido). los valores globales de precisión para todos
los subconjuntos de características con el núcleo cúbico se presentan
enHigos. 7 y 8. Subconjuntos se determinan con base en el ranking. Se
observa a partir de los resultados que no hay mejora en el rendimiento
significativo en clasi fi después de 12- subconjunto característica
dimensional para el enfoque primero con eliminación de ruido y 16
subconjunto característica dimensional para el enfoque de uno sin
eliminación de ruido. Las medidas de rendimiento de enfoque de una
(con y sin eliminación de ruido) sobre las funciones seleccionadas se
presentan enLas Tablas 11 y 12.
Además, para demostrar el rendimiento de nuestro método
propuesto (enfoque de uno) lo probamos en otra base de datos:
INCART [18]. Consideramos cuatro tipos de latidos del corazón para
nuestro análisis: Normal (1000), PVC (1000), APC (1000) y BRD
(1000).
matrices de confusión calculados para el primer enfoque fi en
INCART se muestran en la Tabla 13. Las medidas de rendimiento
calculadas utilizando SMO-SVM con tres funciones del núcleo se
presentan enTabla 14. A partir de los resultados, se puede observar que
SMO-SVM con kernel rendimientos cúbicos 95,5% de Sensi-tividad,
98,37% de especificidad y precisión de 97,57%.

3.3. Discusión

Método propuesto se estudia principalmente en MIT-BIH arritmia

de base Data-. Más tarde, para evaluar la eficacia del primer enfoque,
se aplicó en INCART. De acuerdo con las normas y recomendaciones
de la AAMI, todos los latidos del corazón en el conjunto de datos MIT
se agrupan en cinco clases. Los latidos del corazón son clasificados
como latidos ectópicos o no ectópicos. Sin embargo, esto no siempre es
deseable. Los tipos particulares de arritmias pueden ser diagnosticadas
por identi- ficar los latidos irregulares del corazón correspondientes.
Algunos escenarios están pre-SENTED a continuación.

1. bigeminismo ventricular, trigeminismo y taquicardia se identifican

basándose en la frecuencia de PVC late.
2. Repetida APC late se convertirá en arritmias peligrosas, tales como
fl fibrilación auricular total y desfibrilación cuando un paciente
tiene problemas cardíacos estructurales subyacentes. De acuerdo
280
KNVPS Rajesh, R. Dhuli
recomendaciones, PVC se agrupan en con fl ventricular absoluta y
escapar
Tabla 3 latidos. Del mismo modo, las APC se agrupan en con
otros latidos prematuros, como la fibrilación aberrado,
supraventricular y latidos nodales. Por lo tanto, la discriminación
de los ritmos requeridos no es posible.
3. A veces, hay un paro o una pausa a lo largo de la vía de impulso
eléctrico desde el atrio a los ventrículos debido a la BBB. Esto
resulta en un pobre mecanismo de bombeo de la sangre. A
menudo, estos BBBs también muestran problemas cardíacos
subyacentes a. Según las normas de la AAMI y reco- mendaciones,
BBBs se agrupan con ritmos normales bajo la clasificación de los
latidos no ectópicos. Por lo tanto, no es posible diferenciar los
latidos normales del BBBs.
En este estudio, hemos considerado cinco tipos de latidos del
corazón (2000 normal, 2,000 PVC, 2000 de APC, 2000 BRI, y 2000
BRD). El conjunto de datos es el MIT
dominados por latidos normales, pero nosotros elegimos una parte
con latidos normales para evitar sesgo en la clasificacion. tiempos
restantes fueron elegidos apro- tamente para evitar el sesgo hacia
cualquiera de las clases. Del mismo modo, hemos considerado cuatro
tipos de latidos del corazón Las computadoras
(1000 normal,en1,000
BiologíaPVC,
y Medicina
1000 87 de
(2017)
APC,271-y
284
1000 BRD) de INCART. El método propuesto efectivamente clasi fi ed
rama ectópico y haz latidos de bloque y proporciona resultados
sustanciales en términos de especificidad, sensibilidad y precisión.
EMD, EEMD descompone una señal en función de su naturaleza. Por
lo tanto cualquier tipo de señal de ECG puede ser fi ciente
representado. La pérdida de información es mínima en este caso.
Características fueron capaces de extraer de la naturaleza de la señal de
forma efectiva. El comportamiento caótico de la señal de ECG está bien
analizado por el esquema de representación.
Para evaluar el desempeño de la metodología propuesta, se
comparó con los métodos existentes en la literatura. Jamón y Han[20]
classi fi ed normal y PVC supera utilizando la arquitectura ARTMAP
fuzzy donde los coeficientes lineales de predicción coef fi (LPC) y el
cuadrado medio de los segmentos QRS son las características
seleccionadas. Especificidad del 99% y una sensibilidad del 97% se
logró en este enfoque. Yeh et al.[63] emplear el análisis inante discri-
lineal junto con las características cualitativas de clasificar cinco tipos
de latidos del corazón a saber, normal, de PVC, APC, BRI, y BRD y
alcanzan una precisión de 98,97%, 92,63%, 84,68%, 91,07%, 95,09%,
respectivamente, y

Tabla 5
matrices de confusión con diferentes núcleos de SMO-SVM: enfoque de primera y sin eliminación de ruido.

SMO-SVM LinearSMO-SVM RBFSMO-SVM Cúbico

Normal CLORU APC BRI BRD Normal CLORU APC BRI BRD Normal CLORU APC BRI BRD
RO DE RO DE RO DE
POLIVI POLIVI POLIVI
NILO NILO NILO
Normal 1951 2 47 0 0 1951 12 37 0 0 1967 4 29 0 0
CLORURO 5 1764 176 30 25 0 1899 84 6 11 3 1948 38 3 8
DE
POLIVINILO
APC 119 147 1637 8 89 30 106 1795 2 67 49 91 1786 4 70
BRI 0 55 4 1940 1 0 42 2 1955 1 0 28 2 1968 2
BRD 0 14 9 1 1976 0 24 11 0 1965 0 7 17 1 1975

280
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284
Tabla 6
matrices de confusión con diferentes núcleos de SMO-SVM: segundo enfoque sin eliminación de ruido.

SMO-SVM LinearSMO-SVM RBFSMO-SVM Cúbico

Normal CLORU APC BRI BRD Normal CLORU APC BRI BRD Normal CLORU APC BRI BRD
RO DE RO DE RO DE
POLIVI POLIVI POLIVI
NILO NILO NILO
Normal 1897 6 91 6 0 1889 29 75 6 11 1920 9 64 5 2
CLORURO 53 1052 328 208 359 29 1433 237 111 190 30 1369 286 115 200
DE
POLIVINILO
APC 175 131 1484 80 130 95 194 1549 54 108 98 168 1553 50 131
BRI 20 91 51 1807 31 12 123 34 1804 27 11 76 31 1860 22
BRD 0 113 101 4 1782 0 124 52 3 1821 3 94 66 9 1828

Tabla 7
Las medidas de rendimiento de SMO-SVM con varios núcleos: primera aproximación fi.

SMO-SVM lineal SMO-SVM RBF SMO-SVM cúbico

sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy%

ciudad% ciudad% ciudad%
Normal 98 98.66 98.52 98.00 99.17 99.34 99.00 99,97 99.78
CLORURO 87.6 97.82 95.79 95.4 98.32 97.74 97.95 98.83 98.66
DE
POLIVINILO
APC 83.80 96.79 95.01 91.9 98.36 97.07 95.25 99.18 98.40
BRI 97.50 99.36 99.04 98.5 99.91 99.62 98.90 99,88 99.69
BRD 98.40 99.58 98.55 98.6 99.28 99.15 98.95 99.63 99.50

Promedio 93.06 98.44 97.44 96.48 99.00 98.58 98.01 99.49 99,20

Tabla 8
Las medidas de rendimiento de SMO-SVM con varios núcleos: enfoque segundos.

SMO-SVM lineal SMO-SVM RBF SMO-SVM cúbico

sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy%

ciudad% ciudad% ciudad%
Normal 91.9 93.43 93.13 91.8 97.51 96.38 92.05 99.22 97.79
CLORURO 39.00 93.95 82.95 76.8 95.31 91.62 71.3 96.85 91.74
DE
POLIVINILO
APC 61.6 93.33 86.99 77.3 95.17 91.60 85.40 94.18 92.45
BRI 87.20 91.77 90.86 93.30 97.82 96.93 94.30 97,21 96.63
BRD 81.2 93.02 88.91 89.8 96.47 95.15 90.5 95,91 94.83

Promedio 72.18 93.10 89.86 85.80 98.81 96.45 86.71 96.67 94.68

Tabla 9
Las medidas de rendimiento de SMO-SVM con varios núcleos: primera aproximación fi sin eliminación de ruido.

SMO-SVM lineal SMO-SVM RBF SMO-SVM cúbico

sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy%

ciudad% ciudad% ciudad%
Normal 97.5 98.45 98.27 97.50 99.62 99.21 98.35 99,35 99.15
CLORURO 88.72 97.27 95.46 95.00 97.7 97.15 97.40 98.37 98.18
DE
POLIVINILO
APC 81.8 97.05 94.01 89.80 98.32 96.61 89.30 98.92 97.00
BRI 97.00 99.51 99.01 97.80 99.90 99.47 98.40 99,99 99.60
BRD 98.8 98.56 98.61 98.31 99.01 98.86 98.95 99.00 98.95

Promedio 92.76 98.16 97.07 95.36 98.91 98.53 96.48 99.12 98.57

Tabla 10
Las medidas de rendimiento de SMO-SVM con varios núcleos: segundo enfoque, sin eliminación de ruido.

SMO-SVM LinearSMO-SVM RBFSMO-SVM Cuadrático

sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy%

ciudad% ciudad% ciudad%
Normal 94.8 96.9 96.49 94.50 98.30 97.53 96.00 98.22 97.78
CLORURO 52.6 86.85 80 71.70 94.12 89.63 68.5 95.66 90.22
DE
POLIVINILO
APC 74.20 81.45 80 77.5 95.02 91.51 77.60 94.41 91.06
BRI 90.32 96.27 95.09 90.2 97.82 96.30 93.76 97.76 96.81
BRD 89.10 93.50 92.62 91.00 95.92 94.95 91.40 95.56 94.73

Promedio 80.20 90.99 88.84 84.98 96.23 93.97 85.45 96.32 94.12

281
KNVPS Rajesh, R. Dhuli
una exactitud total de 96,23%. Khazaee y Ebrahimzadeh[30] classi fi
ed normal, PVC, APC, BRI y BRD latidos de utilizar la máquina de
vectores de soporte algorithm- genética junto con características
espectrales y temporales y consiguió% de precisión 96. Yu y Chen[64]
realizado latido clasificacion de señales ECG ruidosos con la ayuda de
características estadísticas de orden superior calculados a partir de la
transformada wavelet subbandas y tres RR
282
Las computadoras en Biología y Medicina 87 (2017) 271-
284
característica de intervalo determinado usando la red neuronal y
obtuvo curacy AC- global de 97,5%. Yeh et al.[62] utilizado el análisis
de conglomerados para la clasificación de cinco tipos de ECG supera a
saber, normal, APC, PVC, BRD, BRI y alcanzó 95,59%, 93,77%, 94,51%,
90,50% y 91,32% de sensibilidad y exactitud fi cación clasificación
global de aproximadamente 94,30%. Martis et al.[40] componentes
principales utilizadas del ECG segmentado laten como una
característica de la menor
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284

Fig 7. precisiones generales de diferente número de características seleccionadas usando la función de selección basado correlación.: primera aproximación fi con
eliminación de ruido.

Fig 8. precisiones generales de diferente número de características seleccionadas usando la función de selección basado correlación.: enfoque primero y sin eliminación de
ruido.

Tabla 11
medidas de rendimiento promedio de diez pliegues SMO-SVM: enfoque primero con eliminación de ruido (seleccionado 12 funciones).

SMO-SVM cúbico

sensibilidad% Específico de la ciudad% Exactitud

%
Normal 99,35 99.7 99.63
CLORURO DE POLIVINILO 97.55 99.27 98.93
APC 95.50 99,35 98.58
BRI 99.10 99.91 99.75
BRD 99.00 99.38 99.31

Promedio 98.10 99,52 99.24

otros cuatro características, a saber, la alimentación de CA, kurtosis,

cuadrados-máquinas de vectores soporte (LS-SVM) clasi fi er para
asimetría y
clasificar cinco tipos de latidos del corazón y adquirió 99,90%, 99,10%
y 98,11% de sensibilidad media, especificidad y exactitud
respectivamente. Thomas et al.[55] empleado un nuevo conjunto de
entidad que contiene coe fi wavelet cientes complejos extraídos de
complejo de doble árbol transformada wavelet (DTCWT) integrado con
283
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
información de temporización para clasificar cinco tipos de ECG late 284
usando alimentación de red neural hacia adelante y obtuvieron una
sensibilidad global del 97,80%. Martis et al.[41] biespectro usado y
clasi fi ed cinco clases de ECG latidos usando LS-SVM y reportadas
98,31%, 99,27% y 93,48% de la media especificidad, sensibilidad y
exactitud de respectivamente. Khalaf et al.[29] estimado la
correlación espectral coef coe fi a través de análisis de la señal
cicloestacionaria

284
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284
Tabla 12
medidas de rendimiento promedio de diez pliegues SMO-SVM: enfoque de primera y sin eliminación de ruido (seleccionados 16 funciones).

SMO-SVM cúbico

sensibilidad% Específico de la ciudad% Exactitud

%
Normal 98.5 99.27 99.12
CLORURO DE POLIVINILO 97.25 98.28 99.08
APC 88.95 98.97 96.97
BRI 98.00 99.87 99.50
BRD 99.1 98.91 98.95

Promedio 96.36 99.06 98.72

Tabla 13
matrices de confusión con diferentes núcleos de SMO-SVM: enfoque primero con INCART.

SMO-SVM lineal SMO-SVM RBF SMO-SVM

cúbico
Normal CLORU APC BRD Normal CLORU APC BRD Normal CLORU APC BRD
RO DE RO DE RO DE
POLIVI POLIVI POLIVI
NILO NILO NILO
Normal 986 7 6 1 979 19 2 0 992 5 3 0
CLORURO DE 7 907 75 11 1 937 52 10 8 926 55 11
POLIVINILO
APC 5 33 869 93 1 43 910 46 1 39 916 44
BRD 0 1 33 966 0 11 18 971 1 3 24 972

Tabla 14
Las medidas de rendimiento de SMO-SVM con varios núcleos: primera aproximación fi con INCART.

SMO-SVM lineal SMO-SVM RBF SMO-SVM cúbico

sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy% sensibilidad% Específico de la accuaracy%

ciudad% ciudad% ciudad%
Normal 98.60 99.60 99,35 97,90 99,93 99.42 99,20 99.66 99.55
CLORURO 90.70 98.63 96.65 93.70 97.56 96.60 92.60 98.43 96.97
DE
POLIVINILO
APC 86.90 96.20 93.87 91.0 97.60 95.95 91.60 97.26 95.85
BRD 96.60 96.50 96.52 97.10.8 98.13 97.87 97.20 98.16 97.92

Promedio 93.20 97.73 96.59 94.92 98.30 97.46 95.15 98.37 97.57

cativo para estudios futuros.

enfoque y empleado SVM para clasificar cinco tipos de latidos del
corazón, tales como (normal, PVC, APC, BRD, BRI) se obtienen y
99,20% de sensibilidad, 99,70% de especificidad y 98,60% de 4. Conclusión
exactitud.
De Tabla 7 es evidente que la metodología propuesta logra medidas Automatizado de clasi fi cación de los latidos del corazón ECG es el
de rendimiento apreciables de 98.01% de sensibilidad media, 99,49% objetivo de este trabajo. En el presente trabajo, hemos propuesto
de media especificidad y exactitud promedio de 99,20%. Además, los métodos de extracción no lineales de descomposición basado
resultados obtenidos a partir de la base de datos INCART apoyaron la característica para la clasificación de cinco tipos de latidos del corazón a
equidad y fi significación del método propuesto para los latidos del saber, normal, APC, PVC, BRI, BRD. Dos enfoques fueron de-
corazón clasificacion. El desempeño de nuestro método es sarrollados y su rendimiento se evaluó utilizando MIT-BIH y INCART
significativo, incluso sin la eliminación de ruido. Esto justifica es la
superiori- su- de las características no lineales en los latidos del
corazón ECG clasi fi cación.

3.4. Limitaciones y alcance futuro

El estudio se llevó a cabo en cinco tipos de golpes únicos. Para

generalizar los resultados de diversos tipos y numerosos golpes deben
ser incorporados. Hay una posibilidad de paradigma intra-paciente, es
decir mismas posibilidades de datos de los pacientes que se presentan
tanto en los datos de entrenamiento y prueba. Esto puede dar lugar a
resultados sesgados en cierta medida. La utilización de una duración
de tiempo fijo no es siem- pre deseables debido a diferentes ritmos
cardíacos rápidos y lentos. Hay una necesidad de estudiar la
segmentación adaptativa tamaño latido. Otra limita- ción importante
es en la comprensión de la relación exacta entre logía Physicians
subyacente y características. No hay ninguna pista sobre que cuenta
diagnosticar una enfermedad. Por lo tanto, la característica de la
enfermedad basada identificación es un área de investigación signi fi
285
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
bases de datos. En el enfoque primero, características basadas EEMD 284
fueron extraídos de las señales de ECG. En el segundo enfoque, se
extrajeron características basadas EMD. Estas características fueron
alimentados a un SMO-SVM para clasi fi cación. El primer enfoque
consigue mejores resultados de clasi fi cación. Este enfoque demostró
su capacidad para discriminar diferentes tipos de latidos del corazón,
incluso en condiciones ruidosas.

EstafaFloridaictos de intereses declaración

Los autores no tienen afiliaciones con o participación en cualquier

organiza- ción o entidad con cualquier interés financiero (como
honorarios; educa- subvenciones cionales; participación en las
oficinas de oradores; membresía, el empleo, consultorías, propiedad
de acciones, u otro interés de la equidad; y testimonio de un experto o
de un sistema de concesión de licencias de patente), o participación
no financiera (por ejemplo, relaciones personales o profesionales,
afiliaciones o creencias, conocimientos) en la materia o materias
discutido en este manuscrito.

Reconocimiento

Agradecemos al editor en jefe y los revisores por sus valiosos pone

in-. Estamos muy agradecidos con el Dr. GR Reddy, el Dr. S. Sridevi
de la Universidad de VIT, para mejorar la presentación del
manuscrito. Sinceramente reconocemos los editores de manuscritos
americanos que ayudaron en re fi nir el idioma del manuscrito.

referencias

[1] VX Afonso, WJ Tompkins, ventricular Detección fidesfibrilación, IEEE Eng.

Medicina. Biol.revista 14 (2) (1995) 152-159.
[2] VX Afonso, WJ Tompkins, TQ Nguyen, S. Luo, Ecg venció detección utilizando
filtrobancos, IEEE Trans. Biomed. Ing. 46 (2) (1999) 192-202.

286
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284
Y. Kutlu, D. Kuntalp, la extracción de características de los latidos del corazón de
[3] A. Al-Fahoum, I. Howitt, transformación wavelet Combinado y radial neural ECG utilizando estadísticas de orden superiorde coeficientes WPD, Comput.
baseredes para la clasificación de arritmias cardiacas potencialmente mortales, Métodos programas Biomed. 105 (3) (2012) 257-267.
Med. Biol. Ing.Comput. 37 (5) (1999) 566-573. [32] Y. Lei, Z. He, Y. Zi, Aplicación del método eemd al rotor diagnóstico de fallos
[4] F. Alonso-Atienza, E. Morgado, L. Fernández-Martínez, A. Garcia-Alberola, demaquinaria rotativa, Mech. Syst. Proceso de señales. 23 (4) (2009) 1327-1338.
JL Rojo-Alvarez, detección de arritmias que amenazan la vida utilizando la selección [33] Y. Lei, Z. He, Y. Zi, método Eemd y WNN para el diagnóstico de fallos del rodillo
de funcionesy apoyar las máquinas de vectores, IEEE Trans. Biomed. Ing. 61 (3) locomotoracojinetes, Experta Syst. Appl. 38 (6) (2011) 7334-7341.
(2014) 832-840. [34] H. Li, X. Feng, L. Cao, E. Li, H. Liang, X. Chen, una nueva señal de ECG clasi fi
[5] A. Amann, R. Tratnig, K. Unterko fl er, et al., Fiabilidad de viejo y nuevo ventricular basadoen WPD y función Apen extracción, Circuitos Syst. Proceso de señales. 35 (1)
fialgoritmos de detección de fibrilación para automatizado de externofibrillators, (2016) 339-352.
Biomed. Ing. Línea 4 (1) (2005) 60. [35] H. Li, W. Han, C. Hu, MQ Meng, ventricular Detección fifibrilación mediante
[6] SER Boser, IM Guyon, VN Vapnik, un algoritmo de entrenamiento para el algoritmo rápido de la entropía de la muestra dinámica, en: Robótica y biomimética
margen óptimo clasificaciónfiERS, en: Actas del Quinto Taller Anual sobre (Robió), IEEE 2009 Conferencia Internacional de IEEE, 2009, pp. 1105-1110.
Computacional Teoría del aprendizaje, ACM, 1992, pp. 144-152. [36] KP Lin, WH Chang, Qrs extracción de características utilizando predicción lineal,
[7] G. Braccini, L. Edenbrandt, M. Lagerholm, C. Peterson, O. Rauer, R. Rittner, IEEE Trans.Biomed. Ing. 36 (10) (1989) 1050-1055.
L. SO€
rnmo, mapas y funciones de Hermite de clasificación de los ECG de auto- [37] P. Lovie, Coefficiente de variación, en: Enciclopedia de Estadísticas de la
organización complejos., en: Computers in Cardiology 1997, IEEE, 1997, pp 425-428. Conducta Ciencia, 2005.
[8] CE Brown, Coefficiente de variación, en: Applied Statistics in [38] JP Martínez, R. Almeida, S. Olmos, AP Rocha, P. Laguna, A ecg basado en
multivariantes Geohidrología y Ciencias relacionadas, Springer, 1998, pp. waveletsdelineador: Evaluación de bases de datos estándar, IEEE Trans. Biomed.
155-157.
Ing. 51 (4) (2004) 570-581.
[9] DISCOS COMPACTOS. Chang, C.-C. Wang, BC Jiang, basado en función de
[39] RJ Martis, UR Acharya, H. Adeli, los métodos actuales en el
descomposición de valor singulartécnica de extracción para el análisis de señal
electrocardiogramacaracterización, Comput. Biol. Medicina. 48 (2014) 133-
fisiológica, J. Med. Syst. 36 (3) (2012) 1769-1777. 149.
[10] K.-M. Chang, S. -H Liu, de Gauss ltrado ruido fi de ecg por Wiener filtro y [40] RJ Martis, UR Acharya, K. Mandana, AK Ray, C. Chakraborty, la aplicación de
conjuntodescomposición modo empírico, Proceso J. Signal. Syst. 64 (2) (2011) 249- análisis de componentes principales para señales de ECG para el diagnóstico
264.
automatizado de cardiacasalud, Experto Syst. Appl. 39 (14) (2012) 11 792-11800.
[11] F. Chiarugi, D. Emmanouilidou, I. Tsamardinos, I. Tollis, morfológica clasificación
[41] RJ Martis, UR Acharya, K. Mandana, AK Ray, C. Chakraborty, decisión
de los latidos del corazón utilizando las funciones de similitud y un árbol de
cardiacahaciendo uso de mayor espectros orden, Biomed. Proceso de señales.
decisión de dos fases, en:. Computers in Cardiology, 2008, IEEE, 2008, pp 849-
Control de 8 (2) (2013) 193-203.
852.
[42] RJ Martis, UR Acharya, AK Ray, C. Chakraborty, Solicitud de orden superior
[12] MA Colominas, G. Schlotthauer, ME Torres, la mejora completa emd conjunto:
cumulantes de ECG señales para el diagnóstico de la salud cardiaca, en: Ingeniería
unaherramienta adecuada para el procesamiento de señales biomédicas, Biomed.
en Medicina y Sociedad de Biología, EMBC de 2011 Conferencia Anual
Proceso de señales. control de 14 (2014) 19-29.
Internacional de la IEEE, IEEE, 2011, pp. 1697-1700.
[13] P. De Chazal, MO Dwyer, RB Reilly, clasificación automáticaficación de los latidos
[43] S. Mendis, P. Puska, B. Norrving, et al., Atlas Global sobre la enfermedad
del corazón usandomorfología ECG y características intervalo de latidos, IEEE
cardiovascular Prevención y Control, Organización Mundial de la Salud, 2011.
Trans. Biomed. Ing. 51 (7) (2004) 1196-1206.
[44] K.-i. Minami, H. Nakajima, T. Toyoshima, en tiempo real la discriminación del
[14] N. Emanet, ECG venció clasificaciónficatión utilizando discreto transformada
ventrículotaquiarritmia con transformada de Fourier red neuronal, IEEE Trans.
wavelet y al azar algoritmo de bosque, en: Soft Computing, Computación con
Biomed. Ing. 46 (2) (1999) 179-185.
palabras y percepciones en Análisis de Sistemas, Decisión y Control, 2009. ICSCCW
[45] GB Moody, RG marca, el impacto de la base de datos arritmia mit-BIH, IEEE
2009. Quinta Internacional Conferencia sobre, IEEE, 2009, pp. 1-4.
Eng.Medicina. Biol. revista 20 (3) (2001) 45-50.
[15] Z. Feng, M. Liang, Y. Zhang, S. Hou, el diagnóstico de fallos para planetario
[46] ES Murthy, MR Rangaraj, Nuevos conceptos para la detección del pvc, IEEE
turbina eólica cajas de cambios a través de análisis de demodulación en base a
Trans. Biomed.Ing. 7 (1979) 409-416.
modo empírico conjuntola descomposición y la separación de energía, en
[47] J. Nadal, M. de C Bossan, Classificación de arritmias cardíacas basado en director
Renovar. Energía 47 (2012) 112-126.
redes neuronales y análisis de componentes de alimentación directa, en: Computers
[16] P. Flandrin, Emd Matlab 7.1 Códigos con ejemplos, 2007.
in Cardiology 1993, Actas, IEEE, 1993, pp. 341-344.
[17] J. Gilles, empírica transformada wavelet, IEEE Trans. Proceso de señales. 61 (16)
[48] S. Osowski, TH Linh, ECG venció el reconocimiento utilizando la red neuronal
(2013) 3999-4010.
difusa híbrido, IEEETrans. Biomed. Ing. 48 (11) (2001) 1265-1271.
[18] AL Goldberger, et al., Componentes de un nuevo recurso de investigación para
[49] J. Pan, WJ Tompkins, A-tiempo real algoritmo de detección de QRS, IEEE Trans.
el complejo señales fisiológicas, physiobank, physiotoolkit, y PhysioNet,
Biomed.Ing. 3 (1985) 230-236.
corazón americano revistas de asociación, la circulación 101 (23) (2000) 1-9.
[50] JC Platt, 12 la formación rápida de máquinas de vectores de soporte utilizando
[19] GH Golub, C. Reinsch, descomposición de valor singular y menos soluciones
secuencial mínimaoptimización, Adv. Métodos de Kernel (1999) 185-208.
cuadrados,Numer. Mates. 14 (5) (1970) 403-420.
[51] DM Powers, Evaluación: de precisión, recordar y F-medida en Roc,
[20] FM Ham, S. Han, Clasificación de las arritmias cardiacas utilizando artmap fuzzy,
Informedness, la marcación y Correlación de 2011.
IEEETrans. Biomed. Ing. 43 (4) (1996) 425-429.
[52] RM Rangayyan, Análisis de señales biomédicas, vol. 33, John Wileyy Sons, 2015.
[21] HG Hosseini, K. Reynolds, D. Powers, una de varias etapas clasificación de red
[53] JS Richman, JR Moorman, análisis de series de tiempo fisiológico utilizando
neuronalfier para eventos ECG, en: Ingeniería en Medicina y Biología, Sociedad
aproximadaentropía y la entropía muestral, Am. J. Physiol. Circ corazón. Physiol.
2001. Proceedings dela 23ª Conferencia Anual Internacional de la IEEE, vol. 2,
278 (6) (2000) H2039-H2049.
IEEE 2001,
[54] I. Saini, D. Singh, A. Khosla, Electrocardiograma golpearon clasificaciónficatiónico
pp. 1672-1675.
usando empírica descomposición modo y multiclase dirigidos apoyo gráfico de
[22] NE Huang, Z. Shen, SR largo, MC Wu, HH Shih, P. Zheng, N.-C. Yen, CC Tung,
máquinas de vectores acíclico,Comput. Electr. Ing. 40 (5) (2014) 1774-1787.
HH Liu, la descomposición de modo empírico y el espectro de Hilbert no lineal y no
[55] M. Thomas, MK Das, S. Ari, Clasificación de arritmias cardíacas basado en dual
estacionario análisis de series temporales, en: Proceedings de la Royal Society
compleja árbol transformada wavelet, en: Procesamiento de Señal y
deLondres A: Matemáticas, Física y Ciencias de la Ingeniería, vol. 454, La Real
Comunicaciones (ICCSP), 2014 Conferencia Internacional sobre, IEEE, 2014, pp.
Sociedad, 1998, pp. 903-995.
729-733.
[23] FR Jacobs, RB Chase, Operaciones y Gestión de la Cadena de Suministro: el
[56] ACG Thome, Svm clasi fi ERS-Conceptos y aplicaciones para reconocimiento de
núcleo, McGraw-Hill, 2013.
caracteres, INTECH acceso abierto Editor, 2012.
[24] QRS, Wavelet basado en transformada de S. Kadambe, R. Murray, GF
[57] VN Vapnik, V. Vapnik, Statistical Learning Theory, vol. 1, Wiley Nueva York, 1998.
Boudreaux-Bartelsdetector complejo, IEEE Trans. Biomed. Ing. 46 (7) (1999)
[58] T. Wang, M. Zhang, Q. Yu, H. Zhang, la comparación de las aplicaciones de la emd y
838-848.
eemd a tiempo-análisis de frecuencia de la señal sísmica, J. Appl. Geophys. 83
[25] A. Karagiannis, P. Constantinou, procesamiento de datos de ruido asistida con
(2012) 29-34.
empíricadescomposición en el modo de señales biomédicas, IEEE Trans. Inf.
[59] Z. Wu, NE Huang, Ensemble descomposición modo empírico: la ficha de ruido
Technol. Biomed. 15 (1) (2011) 11-18.
asistidamétodo de análisis, Adv. Adaptar. Anal datos. 1 (01) (2009) 1-41.
[26] S. Karimifard, A. Ahmadian, M. Khoshnevisan, M. Nambakhsh, corazón
[60] M. Yang, Y. Tian, H. Wang, Revisión de la señal ECG La identificación de Diseño de
morfológica detección de la arritmia usando funciones de base hermitianos y KNN
Sistemas, 2015.
clasificaciónfier, en:Ingeniería en Medicina y Biología Sociedad, 2006. EMBS'06.
[61] C. Ye, BV Kumar, MT Coimbra, clasificación Heartbeatficatiónico usando
28a anual Conferencia Internacional de la IEEEIEEE, 2006, pp. 1367-1370.
morfológica ycaracterísticas dinámicas de las señales de ECG, IEEE Trans. Biomed.
[27] L. Khadra, A. Al-Fahoum, H. Al-Nashash, Detección de cardiaco potencialmente
Ing. 59 (10) (2012) 2930-2941.
mortalarritmias utilizando la transformación wavelet, Med. Biol. Ing. Comput.
[62] Y.-C. Yeh, CW Chiou, H.-J. Lin, Analizar ecg para la arritmia cardíaca utilizando
35 (6) (1997) 626-632.
clústeranálisis, Experta Syst. Appl. 39 (1) (2012) 1000-1010.
[28] L. Khadra, AS Al-Fahoum, S. Binajjaj, un enfoque de análisis cuantitativo para
[63] Y.-C. Yeh, W.-J. Wang, CW Chiou, Cardiaco método de diagnóstico arritmia
cardiaca arritmia clasificaciónficatión utilizando técnicas espectrales de orden
usando análisis discriminante lineal en las señales de ECG, Medición 42 (5) (2009)
superior, IEEE Trans.Biomed. Ing. 52 (11) (2005) 1840-1845.
778-789.
[29] AF Khalaf, MI Owis, IA Yassine, una técnica novedosa para la arritmia cardiaca
[64] S.-N. Yu, Y.-H. Chen, ruido tolerantes clasificación latido
clasificaciónficatiónico utilizando máquinas de vectores de correlación y de apoyo
electrocardiogramaficatión basado enmás altas estadísticas de orden de los
espectrales, Experta Syst.Appl. 42 (21) (2015) 8361-8368.
componentes de sub-banda, Artif. Intell. Medicina. 46 (2) (2009) 165-178.
[30] A. Khazaee, A. Ebrahimzadeh, Clasificación de señales de electrocardiograma
con máquinas de vectores soporte y algoritmos genéticos utilizando
características espectrales de potencia,Biomed. Proceso de señales. Control 5
(4) (2010) 252-263.

[31] 287