Clasificación automática de registros ECG para la detección de Fibrilación Auricular y otros ritmos cardiacos

Abstract

[ES] La importancia clínica de las arritmias cardiacas está aumentando, junto con su incidencia y prevalencia, principalmente asociadas con el envejecimiento de la población. Entre estas enfermedades destaca la Fibrilación Auricular (FA) ya que es el tipo de arritmia sostenida más común en adultos con una tendencia creciente más significativa, siendo en muchas ocasiones difícil de diagnosticar debido a un comportamiento paroxístico y/o la ausencia de síntomas en algunos casos.

Por otro lado, hoy en día estamos en un escenario en el que los dispositivos portátiles o ¿wearables¿ están ganando gran interés como dispositivos de monitorización, tanto en investigación como en ámbitos clínicos. Sin embargo, los métodos automáticos para proporcionar un diagnóstico fiable de la FA utilizando las señales de electrocardiograma (ECG) proporcionadas por dispositivos portátiles son todavía un reto, especialmente si también se consideran otros ritmos normales o patológicos.

El objetivo de este Trabajo Final de Máster es proporcionar diversos modelos de clasificación junto con su rendimiento para discriminar registros cortos de ECG de una única derivación entre cuatro grupos: ritmo normal (N), FA (A), otros ritmos (O) y ruidoso (~).

Como base de datos para este estudio se utilizaron 8.528 registros de ECG de una única derivación con duraciones entre 9 y 60 segundos, proporcionados en el contexto de la competición 2017 PhysioNet/Computing in Cardiology Challenge.

La estrategia propuesta en este trabajo se basa inicialmente en la extracción automática de características derivadas de la actividad ventricular de las señales ECG. Posteriormente se realizó una selección de características utilizando dos metodologías distintas: Backward Elimination y Forward Selection. Finalmente, las características seleccionadas se utilizaron para entrenar y evaluar mediante validación cruzada el rendimiento de diferentes modelos de clasificación, principalmente redes neuronales de tipo feedforward (FFNN), así como modelos Naïve Bayes y Support Vector Machine (SVM). A cada uno de estos modelos se le realizó un ajuste de parámetros de entrenamiento mediante grid-search durante la fase de validación.

Los resultados mostraron que los modelos que presentaban mejor rendimiento de clasificación fueron las redes neuronales (F1=0.75), seguidas de cerca por los modelos SVM (F1=0.73), mientras que Naïve Bayes presentó el menor rendimiento (F1=0.67). Asimismo, también se demostró que la mayor dificultad de este problema se encuentra en la identificación de otros ritmos anómalos distintos a la fibrilación auricular, así como de los registros ruidosos.

Dado que las señales utilizadas comparten muchas características con las adquiridas con dispositivos móviles, los modelos de clasificación resultantes podrían ser buenos candidatos para ser implementados en sistemas de gestión de pacientes con dispositivos wearables, ya que este enfoque tiene un bajo consumo computacional durante la clasificación.

[EN] The clinical importance of cardiac arrhythmias is increasing, along with its incidence and prevalence, mainly associated with the aging of the population. Among these diseases Atrial Fibrillation (AF) stands out since it is the type of sustained arrhythmia most common in adults with a more significant growing tendency, being in many cases difficult to diagnose due to a paroxysmal behavior and/or the absence of symptoms in some patients.

On the other hand, today we are in a scenario in which mobile devices or ¿wearables¿ are gaining great interest as monitoring devices, both in research and in clinical settings. However, automatic methods to provide a reliable diagnosis of AF using electrocardiogram signals (ECG) provided by mobile devices are still a challenge, especially if other normal or pathological rhythms are also considered.

The main objective of this Final Master's Thesis is to provide different classification models together with their performance to discriminate short ECG single-lead records among four different groups: normal rhythm (N), FA (A), other rhythms (O) and noisy (~).

As database for this study, 8,528 single-lead ECG records lasting among 9 and 60 seconds were used, provided in the context of the 2017 PhysioNet/Computing in Cardiology Challenge.

The proposed strategy in this work is initially based on the automatic extraction of features mainly derived from the ventricular activity of the ECG signals. Next, a selection of characteristics was made using two different methodologies: Backward Elimination and Forward Selection. Finally, the selected features were used to train and evaluate through cross-validation the performance of different classification models, mainly feedforward neural networks (FFNN), as well as Naïve Bayes and Support Vector Machine (SVM) models. The training parameters for each of these models were tuned though a grid-search validation process.

Results showed that the models with the best classification performance were the neural networks (F_1=0.75), followed closely by the SVM models (F_1=0.73), while Naïve Bayes presented the lowest performance (F_1=0.67). Likewise, it was also proved that the greatest difficulty of this problem lies on the identification of other anomalous rhythms other than atrial fibrillation, as well as in the noisy registers.

Since the signals used share many characteristics with those acquired with mobile devices, the resulting classification models could be good candidates to be implemented in patient management systems with wearable devices, since this approach has a low computational consumption during classification.