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.
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 Las computadoras en Biología y Medicina 87 (2017) 271-
284
En el dominio del tiempo, predicción lineal [36], morfología del Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIH)
ECG, RR intervalos in- [13] y el análisis discriminante lineal (LDA) arritmia base de datos [45]. En esta base de datos, varios tipos de
[63] son usados. En fre- cuencia-dominio, los métodos de extracción latidos del corazón obtenidas de pacientes masculinos y femeninos se
de características basados en transformada de Fourier[44], La almacenan en 48 registros. Cada duración de la grabación se 30:06
descomposición subbanda [2] y no paramétrico de densidad espectral min muestreado a 360 Hz. A partir de los datos recogidos, cinco tipos
de potencia (PSD) [30] Se exploraron para la discriminación latido del de latidos del corazón: normal, PVC, APC, BRI y BRD se utilizan para
corazón. enfoques tiempo-frecuencia son populares debido a sus clasi fi. Los detalles de estos datos se proporcionan entabla 1. La
capacidades de análisis multi-resolución. Afonso y Tompkins[1] usado metodología propuesta se explica a continuación.
poco tiempo transformada de Fourier (STFT) y la distribución de En general, el sistema de clasi fi cación latido automático
Wigner-Ville (WVD) para discriminar ritmos que requieren una comprende tres bloques de construcción: pre-procesamiento,
descarga de ritmos cardíacos no susceptibles de choque. Wavelets son extracción de características y clasificacion como se muestra en Figura
también ampliamente utilizados en este contexto[3,27,31,42]; Sin 1. Vamos a discutir los detalles de los enfoques y también los
embargo, las razones de los cambios de forma de onda y rítmicas en el antecedentes teóricos de las técnicas empleadas.
ECG son complicadas. tura de- de la actividad rítmica en la señal ECG
se denomina arritmia. se consideran Arritmias siendo causado por 2.1. Pre-procesamiento
condiciones patológicas, tales como trastornos en el sistema nervioso
autónomo, disfunciones de marcapasos naturales, o fallos en la vía de Pre-procesamiento consta de eliminación de ruido y de segmentación
conducción eléctrica en el miocardio. Los resultados de señal ECG a partes.
partir de la combinación de señales de aliado mutu- relacionados y los
sistemas biológicos inherentemente no lineales. Por lo tanto, para 2.1.1. eliminación de ruido
analizar esto, necesitamos una técnica de descomposición que es no Para un diagnóstico preciso, los médicos prefieren siempre las
lineal y adaptativa. Los investigadores intentaron descomponer ECG señales de ECG libre de ruido. Sin embargo, en el escenario en tiempo
en varios modos de uso de algunas funciones de base[26,40]. real, registros de ECG tienen artefactos inherentes. Destacan entre
características no lineales, como cumulantes de orden superior[42,64] ellos son ruido de alta frecuencia debido a la interferencia de línea de
y la entropía aproximada [34] se extraen de estos modos. Sin embargo, energía y el ruido de baja frecuencia tales como fluctuación lenta de
estas funciones de base no son dinámicos y por lo tanto incapaz de fase de línea de base debido al movimiento o respiración del paciente.
responder a los cambios morfológicos. Hay una necesidad de un Por lo tanto, es recomendable eliminar el ruido de los primeros
mecanismo de adaptación para descomponer la señal ECG. Un popular registros de ECG. Por eliminación de ruido de la técnica fi ltrado
herramienta de análisis conocido como conjunto descomposición propuesto por Ref.[5] se utiliza con una ligera modi fi cación.
modo empírico (EEMD)[59] se utiliza en este trabajo. EEMD Este método consiste en cuatro pasos:
descompone señales no estacionarias procedentes de sistemas no
lineales en funciones intrínsecas de modo (IMFS), dependiendo de las 1. Eliminar el sesgo medio de la señal de ECG ruidoso.
características de la señal, sin depender de ninguna base anterior. 2. Mover fi promedio de filtro con el fin de cinco (frecuencia ¼ de corte
Estos modos son regulares y se extendió a través de todo el intervalo de 24 Hz) se utiliza para eliminar los componentes de alta frecuencia
tiempo con escalas similares[12]; por lo tanto, EEMD dará la debido a la interferencia de línea de energía y el ruido muscular.
información sutil de una señal, en términos de modos. EEMD ha 3. De paso alto de filtro con frecuencia de corte 1 Hz se utiliza para la
mostrado su potencialidad en una variedad de aplicaciones, incluyendo supresión de fluctuación lenta de fase de línea de base.
el diagnóstico de fallos en aplicaciones mecánicas[15,32,33], ECG fi 4. Adicional de paso bajo de filtro con frecuencia de corte 45 Hz se
ltrado [10] y análisis de la señal sísmica [58]. Hasta el momento, utiliza para suprimir aún más cualquier artefactos de alta
EEMD no se explota en el ECG señal de clasi fi cación. En este trabajo, frecuencia dejado fuera, ya que la mayoría de la energía de la señal
se intenta clasificar cinco tipos de latidos del corazón morfológicas ECG se encuentra entre 0,5 y 45 Hz [60].
(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 Segmentación sigue el mecanismo de eliminación de ruido.
catión; diferentes ERS fi caciones se utilizaron en la literatura,
incluyendo mapas de auto-organización (SOM)[7], K-vecino más 2.1.2. Segmentación
cercano [26], ANN [21,47] y análisis de conglomerados [62]. En este señal de ECG obtenida después de la eliminación de ruido tiene que
trabajo, se utilizó una máquina de optimización de soporte de vector ser segregados en los latidos del corazón viduales indi-. Dos enfoques
mínimo secuencial (SMO-SVM) para clasi fi. Martis et al.[39] principales disponibles para este propósito son
informaron de que en ciertos casos, los métodos no lineales se (1) detectar el complejo QRS, (2) el uso de la anotación fi les
comportan bien, incluso en condiciones ruidosas [28,54]; por lo tanto, proporcionada por los expertos.
nosotros complejos QRS pueden ser detectados utilizando varios algoritmos,
probado el rendimiento de nuestro método en presencia de ruido. tales como [24,38,46,49].
Este documento está estructurado de la siguiente manera. Sección2 En nuestro análisis, hacemos uso de la base de datos MIT anotación
proporciona información sobre el conjunto de datos utilizado en este de archivos [11,14,29]. Para obtener un latido del corazón, se aplica una
trabajo también presenta el método propuesto incluyendo pre- ventana de longitud 300 en la señal ECG. Estos golpes de cada clase se
procesamiento, extracción de características y clasificacion. presentan enFigura 2 con el eje de tiempo correspondiente. mediante
Descripción del experimento y discusión de los resultados obtenidos se la observación deFigura 2, Se observan grandes variaciones
presentan en la Sección3. Conclusión Se presenta en la Sección4. morfológicas entre y dentro de los latidos normales y anormales. Un
problema importante para el ECG automatizada venció clasi fi es
2. Metodología incierto morfología ECG. Puede ser diferente, incluso dentro de un
cable de re-paciente. Sin embargo, hay una posibilidad de que sea
Para analizar el método propuesto, se optó por la base de datos de la similar a un tipo diferente de ritmo de ECG[48]. Esta situación puede
ser manejada por la elección de características adecuadas.
273
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284
2.2.1. Descomposición modo empírico (EMD) i. El número de extremos y el número de cruces por cero en el
EMD es un método de descomposición populares muy adecuado segmento de datos deben ser similares o como máximo diferir por
para los datos no estacionarias que se derivan de los sistemas no uno.
lineales [22]. A diferencia de transformada de wavelet, EMD ii. En cualquier instante de tiempo, los valores medios locales de las
descompone datos en IMFs que son funciones de amplitud y frecuencia envolventes superior e inferior definido por los extremos locales
modulada (AM-FM). EMD explota la información local contenida en deben ser cero [12].
los datos en sí[25]. FMI que sea considerada como una función de
base, contiene la información de oscilación local de la señal. proceso EMD genera IMFs utilizando el proceso de tamizado se
FMI debe satisfacer dos condiciones: 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
. 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.
279
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284
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 problema analíticamente. Se descompone el problema de optimización
sujeta a restricciones lineales [23]. En general, los métodos numéricos QP determinado en pequeños problemas de QP. SMO-SVM selecciona
se utilizan para resolver este problema. Sin embargo, es un proceso que dos multiplicadores de Lagrange a la vez y optimiza la función objetivo.
consume tiempo debido a las operaciones de bucle interiores. Por lo También ajusta el valor de sesgo basado en el resultado. Este proceso
tanto SMO-SVM, una versión mejorada de SVM se repite hasta que los multiplicadores seleccionados convergen. Una
[50] llego a existir. SMO resuelve muy grande optimización QP ventaja de SMO-SVM es que puede manejar el entrenamiento grande
280
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.
3. Experimentar
3.2. resultados
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.
Nota: el valor SV-singular, CV-coeficiente de variación, la entropía muestral SEN-, poder Pearson entre función y clase seleccionada. Luego
BP-banda.
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.
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.
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
3.3. Discusión
Tabla 5
matrices de confusión con diferentes núcleos de SMO-SVM: enfoque de primera y sin eliminación de ruido.
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.
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.
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.
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.
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.
Promedio 80.20 90.99 88.84 84.98 96.23 93.97 85.45 96.32 94.12
281
KNVPS Rajesh, R. Dhuli Las computadoras en Biología y Medicina 87 (2017) 271-
284
una exactitud total de 96,23%. Khazaee y Ebrahimzadeh[30] classi fi característica de intervalo determinado usando la red neuronal y
ed normal, PVC, APC, BRI y BRD latidos de utilizar la máquina de obtuvo curacy AC- global de 97,5%. Yeh et al.[62] utilizado el análisis
vectores de soporte algorithm- genética junto con características de conglomerados para la clasificación de cinco tipos de ECG supera a
espectrales y temporales y consiguió% de precisión 96. Yu y Chen[64] saber, normal, APC, PVC, BRD, BRI y alcanzó 95,59%, 93,77%, 94,51%,
realizado latido clasificacion de señales ECG ruidosos con la ayuda de 90,50% y 91,32% de sensibilidad y exactitud fi cación clasificación
características estadísticas de orden superior calculados a partir de la global de aproximadamente 94,30%. Martis et al.[40] componentes
transformada wavelet subbandas y tres RR principales utilizadas del ECG segmentado laten como una
característica de la menor
282
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
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
Tabla 13
matrices de confusión con diferentes núcleos de SMO-SVM: enfoque primero con INCART.
Tabla 14
Las medidas de rendimiento de SMO-SVM con varios núcleos: primera aproximación fi con INCART.
Promedio 93.20 97.73 96.59 94.92 98.30 97.46 95.15 98.37 97.57
Reconocimiento
referencias
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