Classification of ECG of AIM using Compression-based Dissimilarity-Measure

Planteamiento Objetivos Metodologıa Resultados Conclusiones

Clasificacion de ECG de IAM Usando laTecnica Medida de Disimilaridad Basada en

Compresion

Ing. Marcos Amaris GonzalezMs.Eng. Victor Martinez Abaunza Dr.Eng. Pablo Guillen Rondon∗

Grupo de Investigacion en Ingenierıa Biomedica - UIS

∗Centro de Simulacion y Modelado - ULA

Bucaramanga - Agosto de 2012

Marcos Amaris — CDM para clasificar ECG de IAM 1/43


Agenda

1 Planteamiento

2 Objetivos

3 Metodologıa

4 Resultados

5 Conclusiones



Agenda

1 Planteamiento

2 Objetivos

3 Metodologıa

4 Resultados

5 Conclusiones



PlanteamientoEl Corazon y su Funcionamiento como Bomba

Figura 1: Funcionamiento del corazon como bomba



PlanteamientoElectrofisiologıa

Figura 2: Proceso electrico en el Corazon



PlanteamientoElectrocardiograma

El electrogardiograma (EKG, del aleman Elektrokardiogramm)es la forma en que se representa la senal electrica del sistemacardiaco.

El electrocardiograma en las enfermedades cardiovasculares jue-ga un papel fundamental. Estas enfermedades representan laprincipal causa de muerte en paıses desarrollados y la terceracausa de muerte en paıses en vıa de desarrollo.



PlanteamientoVariabilidad Frecuencia Cardiaca

Figura 3: VFC de un sujeto sano contra un paciente de IAM



PlanteamientoTecnicas de Minerıa de Datos

• Symbolic Agreggate aproXimation (SAX).

• Compresion-based Disimilarity Measure (CDM).

CDM(x, y) =C(xy)

C(x) + C(y)(1)

donde C(xy) es el tamano en bytes de la concatenacion de las variables x y y, C(x) esel tamano en bytes de la compresion de la variable x, C(y) es el tamano en bytes de lacompresion de la variable y.



Agenda

1 Planteamiento

2 Objetivos

3 Metodologıa

4 Resultados

5 Conclusiones



ObjetivosObjetivo General

Objetivo General

Desarrollar una Aplicacion de Software para la Clasificacion deECG de IAM Utilizando la Tecnica CDM.



ObjetivosObjetivos Especıficos

Objetivos Especıficos

1 Seleccionar los algoritmos para el filtrado.

2 Caracterizar la VFC de cada uno de los electrocardiogramas.

3 Validar el funcionamiento de la tecnica CDM.

4 Validar el algoritmo de la maquina de aprendizaje para la clasificacionentre pacientes enfermos y sujetos sanos.

5 Disenar un modelo teorico basado en tenicas de procesamiento pa-ralelo y/o sistemas distribuidos.



Agenda

1 Planteamiento

2 Objetivos

3 Metodologıa

4 Resultados

5 Conclusiones



MetodologıaProceso KDD en senales electrocardiograficas

Figura 4: Metodologıa de Descubrimiento de Conocimiento en ECG



MetodologıaProceso KDD en senales electrocardiograficas

2 Bases de Datos de ECG de a 5 minutos con tasa de 250 muestras/seg

1 Una de propiedad del GIIB; adquiridas mientras el paciente era internado con eldiagnostico de infarto de miocardio.

2 Y otra de senales de sujetos sanos de propiedad de la Fundacion Cardiovascularde Colombia (FCV)

Ambiente de Calculo y Estadıstica R

Eficiencia

Variedad

Graficos de Alta Calidad

Minerıa de Datos

Computacion de Alto Rendimiento

Documentacion

Software Libre

Gratis . . .



Agenda

1 Planteamiento

2 Objetivos

3 Metodologıa

4 Resultados

5 Conclusiones



ResultadosFiltrado y Caracterizacion Wavelet

El proceso mas empleado para hallar la DWT es por medio del algoritmopiramidal de Mallat,

Figura 5: Arbol de descomposicion wavelet de una senal X.



ResultadosFiltrado y Caracterizacion Wavelet

Figura 6: Escalogramas antes y despues del filtrado con la funcion de filtro d6.



ResultadosProcesamiento Wavelet de Senales Electrocardiograficas sobre R

Wavelet Shrinkages (Atajos Wavelet)

1 Calcular la DWT la senal original.

2 Aplicar el esquema de segmentacion a los coeficientes wavelet.

3 Hallar la inversa o reconstruccion de la DWT.

Paquete Fecha Funciones WaveShrink Alg. Picos Scorewmtsa 2011-10-16 53 Si Si 93msProcess 2011-02-07 72 Si Si 47waveslim 2012-03-13 55 Si No 108wavethresh 2010-03-01 254 Si Si 144wavelets 2010-04-22 25 No No 77

Atributo wavShrink msDenoiseWavelet ThresholdingUser 0.024 0.528 0.596System 0.004 0.016 0.012Elapsed 0.047 0.591 0.609Score 33 32 25



ResultadosFiltrado y algoritmo de Hallazgo de Picos

Figura 7: Recuperacion de la linea de base, Filtrado y hallazgo de picos.



ResultadosAlgoritmo de Hallazgo de Picos

Figura 8: Hallazgo de picos por maximos locales.



ResultadosAlgoritmo de Hallazgo de Picos



ResultadosIntervalos RR y Extraccion de la VFC

Figura 9: Intervalos RR y FC de pacientes con IAM Vs. Sujeto Sano.




Figura 10: Diagrama de dispersion Intervalos RR y VFC de paciente con Infarto deMiocardio Vs. Sujeto Sano.




Figura 11: Histograma de los Intervalos RR de paciente con Infarto de Miocardio Vs.Sujeto Sano.




Figura 12: Histograma la VFC de paciente con Infarto de Miocardio Vs. Sujeto Sano.



ResultadosTransformacion - SAX

Normalizacion z-score: Los valores son normalizados basados en la mediaµ y la desviacion estandar σ de los valores a computar.

Z − norm =x− µ

σ(2)

Con la tecnica SAX se convierte una serie temporal o cadena de datosnumericos a cadena de sımbolos

Figura 13: Symbolic Agreggate aproXimation



ResultadosCompression-based Dissimilarity Measure

CDM(x, y) =C(xy)

C(x) + C(y)

MatDis ECG1 ECG2 ECG3 ECG4 ECG5 ECG6 ECG7 ECG8 ECG9 ECG10ECG1 D1,1 D1,2 D1,3 D1,4 D1,5 D1,6 D1,7 D1,8 D1,9 D1,10

ECG2 D2,1 D2,2 D2,3 D2,4 D2,5 D2,6 D2,7 D2,8 D2,9 D2,10

ECG3 D3,1 D3,2 D3,3 D3,4 D3,5 D3,6 D3,7 D3,8 D3,9 D3,10

ECG4 D4,1 D4,2 D4,3 D4,4 D4,5 D4,6 D4,7 D4,8 D4,9 D4,10

ECG5 D5,1 D5,2 D5,3 D5,4 D5,5 D5,6 D5,7 D5,8 D5,9 D5,10

ECG6 D6,1 D6,2 D6,3 D6,4 D6,5 D6,6 D6,7 D6,8 D6,9 D6,10

ECG7 D7,1 D7,2 D7,3 D7,4 D7,5 D7,6 D7,7 D7,8 D7,9 D7,10

ECG8 D8,1 D8,2 D8,3 D8,4 D8,5 D8,6 D8,7 D8,8 D8,9 D8,10

ECG9 D9,1 D9,2 D9,3 D9,4 D9,5 D9,6 D9,7 D9,8 D9,9 D9,10

ECG10 D10,1 D10,2 D10,3 D10,4 D10,5 D10,6 D10,7 D10,8 D10,9 D10,10

Tabla 1: Matriz de Disimilaridad de la medida CDM de 5 ECG in-fartados y 5 sanos



ResultadosClasificacion - Agrupamiento Jerarquizado

Figura 14: Dendograma de 10 ECG’s. 1:5 Infartados; 6:10 Sanos




Figura 15: Dendograma de 10 ECG’s. 1 Infartado; 2:10 Sanos




Figura 16: Dendograma de 10 ECG’s. 1:9 Infartados; 10 Sano











ResultadosEspecificadad y Sensibilidad del Modelo

Tabla 2: Relacion de una prueba diagnostica y la presencia o ausenciade una enfermedad.

Cantid. ECG VP VN FP FN Espec Sens10 5 4 1 0 80 % 100 %20 10 8 2 0 80 % 100 %40 20 18 2 0 90 % 100 %50 25 23 2 0 92 % 100 %

100 50 48 2 0 96 % 100 %

Tabla 3: Valores de Especificidad y Sensibilidad.Marcos Amaris — CDM para clasificar ECG de IAM 33/43


ResultadosInterfaz Grafica

Paquetes svWidget y rpanel, ventana con 6 menus los cualesson:

1 Cargar DB

2 Preprocesamiento

3 Transformacion

4 Clasificacion

5 Graficos

6 Ayuda



ResultadosSistemas Distribuidos y Computacion en Paralelo

AlgoritmoNumero de senales a procesar

1 5 20 50 100 200 300Recuperacion Baselinea (seg) 0.308 1.405 4.906 11.712 23.257 46.878 69.533Reduccion Ruido (seg) 0.194 0.214 0.820 1.452 2.740 5.520 8.590Maximos Locales (seg) 4.381 19.729 77.678 201.492 406.679 807.683 1179.361Normalizacion Z (seg) 0.004 0.006 0.011 0.025 0.049 0.081 0.108SAX (seg) 0.007 0.027 0.099 0.264 0.362 0.716 1.103TOTAL (segundos) 4.894 21.381 83,514 214,945 433,087 860,878 1258,695

Paquetes y Funciones en R para HPC

Pack Parallel, RMPI, RPVM

Func lapply, papply, mclapply

Links http://cran.r-project.org/web/views/

HighPerformanceComputing.html,

http://cloudnumbers.com/r-for-hpc

Computacion de Alto Rendimiento

Cluster Beowulf

Cluster SuperComputadoras

Arquitecturas Multicore

Grid Computing

Memoria Distribuida o Compartida

Paralelizacion con mclapply 1 CPU 4 CPU’s 8 CPU’s 12 CPU’s 24 CPU’sMaximos Locales 300 ECG (seg) 1179.361 151.955 90.756 84.682 71.756



ResultadosSistemas Distribuidos y Computacion en Paralelo

Figura 19: Modelo Distribuido - Paralelo del analisis de ECG con R



Agenda

1 Planteamiento

2 Objetivos

3 Metodologıa

4 Resultados

5 Conclusiones



Conclusiones

• Importancia de la etapa de preprocesamiento.

• El filtrado Wavelet facilito la optima extraccion de la VFC.

• Las tecnicas SAX y CDM fueron excelentes ındices para laclasificacion de electrocardiogramas.

• El algoritmo de compresion utilizado fue gzip, debido a queobtuvo la mejor distancia CDM.



Conclusiones

• El agrupamiento jerarquizado aglomerativo demostro exce-lentes resultados en la clasificacion.

• Se diseno un modelo distribuido-paralelo.

• El entorno de desarrollo satisfizo todas las necesidades.

• Herramienta que podrıa favorecer a la deteccion oportunade personas con enfermedades de cardiovasculares.



Artıculos y Eventos

Artıculos en Revistas Nacionales - En revision

N Clasificacion por Computadora de Electrocardiogramas con Infarto del Miocardio.Revista Duazary. Facultad de Medicina. Universidad del Magdalena.

H Medidas de Similaridad de Informacion Basadas en Compresion de Datos. Revistaen Estadıstica. Facultad de Estadıstica. Universidad Santo Tomas-Bogota.

Ponencias Orales en Eventos Internacionales

♣ Procesamiento Wavelet de Senales Electrocardiograficas sobre R. III Jorna-das de Usuarios de R; 17 y 18 de Noviembre de 2011, Madrid-Espana.http://usar.org.es/ponencias/node54.html.

♠ Clustering of Electrocardiographic Signals Using Compression-based Data MiningTechniques. Congreso Brasilero de Ingenierıa Biomedica. Porto Galinhas, Brasil.Notificacion de Aceptacion: 15 de Agosto de 2012.

F Maquinas de Aprendizaje No Supervisado para la Clasificacion de Senales Elec-trocardiograficas. V III Seminario Internacional de Procesamiento de Analisis deInformacion Medica. San Cristobal, Venezuela.Notificacion de Aceptacion: 14 de Septiembre de 2012.



Agradecimientos

Gracias a . . .Eamonn Keogh: Profesor de Ciencias Computacionales, Universidad de California.

FCV: Fundacion Cardiovascular de Colombia - Sede Bucaramanga.

grid.uis.edu.co: Unidad de Supercomputacion y Calculo Cientıfico de la UIS.






Date post:	23-Feb-2017
Category:	Engineering
Upload:	marcos-gonzalez
View:	24 times
Download:	3 times

Classification of ECG of AIM using Compression-based Dissimilarity-Measure

Engineering