Automatyczne diagnozowanie dysfunkcji mięśnia sercowego na podstawie analizy sygnału elektrokardiograficznego (EKG) przy wykorzystaniu systemu ewolucyjno-neuronowego

Automatic diagnosis of myocardial dysfunction based on analysis of the electrocardiogram signal (ECG) using evolutionary-neural system

mgr inż. Paweł Pławiak

Promotor: prof. zw. dr hab. inż. Ryszard Tadeusiewicz
Dyscyplina: Biocybernetyka i Inżynieria Biomedyczna


Badania prowadzone w ramach rozprawy doktorskiej dotyczyły bardzo istotnej, ze społecznego punktu widzenia, tematyki - zapobiegania chorobom układu krążenia, które są najczęstszą przyczyną zgonów na świecie.

Celem prowadzonych badań było stworzenie algorytmów służących do skutecznego, automatycznego rozpoznawania dysfunkcji mięśnia sercowego (prawidłowego rytmu zatokowego, rytmu z rozrusznika oraz 15 zaburzeń pracy serca). Algorytmy były projektowane z myślą o ich zastosowaniu w telemedycynie i urządzeniach mobilnych, wspomagających profilaktykę leczenia chorób układu krążenia. Główny nacisk został położony na skuteczność projektowanego rozwiązania, jednak ze względu na zamiar wykorzystania zaprojektowanych algorytmów w urządzaniach mobilnych dodatkowym kryterium oceny był czas trwania analizy która powinna odbywać się w czasie rzeczywistym. Należy nadmienić, że obecnie opisane, w literaturze naukowej, rozwiązania nie wykazują zadowalającej skuteczności [1].

Teza rozprawy:

Zastosowanie systemu ewolucyjno-neuronowego (głębokiego zespołu genetycznie optymalizowanych klasyfikatorów), do analizy genetycznie selekcjonowanych cech w postaci składowych częstotliwościowych widmowej gęstości mocy, 10-sekundowych fragmentów sygnału EKG, umożliwi skuteczne i szybkie diagnozowanie wybranych dysfunkcji mięśnia sercowego.

Do zaprojektowania i przebadania algorytmów została stworzona baza danych zawierająca 744 fragmenty (10 sekundowe) sygnałów EKG od 29 pacjentów pochodzące z ogólnodostępnej bazy: MIH-BIH Arrhythmia Database. Analizowane fragmenty sygnałów EKG pochodziły tylko z jednego odprowadzenia: MLII.

W badaniach zastosowano oryginalną metodologię polegającą na analizie dłuższych (10 sekundowych) fragmentów sygnału EKG. W celu wzmocnienia charakterystycznych cech sygnału EKG estymowano widmową gęstość mocy za pomocą metody Welch'a i dyskretnej transformacji Fouriera.

W ramach badań przeprowadzono 6 eksperymentów obejmujących podstawową analizę sygnałów EKG, genetyczną optymalizację parametrów i genetyczną selekcję cech oraz różne typy oryginalnych zespołów klasyfikatorów. Na podstawie przeprowadzonych eksperymentów przeanalizowano i wskazano najlepsze metody dotyczące: przetwarzania wstępnego sygnału, normalizacji, ekstrakcji i selekcji cech (składowych częstotliwościowych), walidacji krzyżowej, klasyfikatorów (SVM, kNN, PNN, RBFNN) i zespołów klasyfikatorów oraz optymalizacji parametrów. W wyniku szczegółowych badań została wytyczona ścieżka (kombinacja metod) dla której uzyskano najwyższą czułość rozpoznawania zaburzeń pracy mięśnia sercowego. Wyniki zweryfikowano za pomocą wyznaczonych współczynników (sumy błędów, czułości, współczynnika kappa, czasu klasyfikacji, itp.) uzyskanych na podstawie macierzy pomyłek.

Otrzymane wyniki w pełni potwierdzają słuszność prowadzonych badań i stawianych hipotez oraz udowadniają zrealizowanie celu - skutecznego i szybkiego rozpoznawania patologii pracy mięśnia sercowego. Najlepszy system - głęboki genetyczny zespół klasyfikatorów, uzyskał czułość rozpoznawania, aż 17 klas, na poziomie: SEN = 94.62% (suma błędów: ERRsum = 40 błędów na 744 klasyfikacje, skuteczność: ACC = 99.37%, specyficzność: SPE = 99.66%), przy czasie klasyfikowania jednego fragmentu sygnału EKG na poziomie: Ck = 0.8736 [s]. Na tle aktualnej literatury naukowej [1] jest to bardzo dobry wynik (drugi najlepszy), potwierdzający sens prowadzenia dalszych badań w tej dziedzinie na podstawie zaproponowanej metodologii.

Oryginalne elementy badań:

• Metodologia - zaprojektowano nowe podejście do analizy sygnału EKG. Głównym założeniem autora było stworzenie inteligentnego systemu automatycznie analizującego sygnał EKG w celu wspomagania lekarzy w diagnozowaniu dysfunkcji mięśnia sercowego. Zaprojektowany system był wzorowany na pracy lekarza kardiologa polegającej na analizie kolejnych fragmentów sygnału EKG. Do najważniejszych założeń metodologii należą:
  • analiza dłuższych (10-sekundowych) fragmentów sygnału EKG, zawierających wiele ewolucji serca,
  • duża liczba rozpoznawanych klas: prawidłowy rytm zatokowy, rytm z rozrusznika oraz 15 zaburzeń serca,
  • brak filtrowania sygnału ze względu na wykorzystanie oryginalnej ekstrakcji i selekcji cech które niwelują szumy i składową napięcia sieciowego,
  • trzy rodzaje normalizacji sygnału,
  • brak detekcji zespołów QRS i segmentacji sygnału EKG,
  • zastosowanie 10-krotnej walidacji krzyżowej w celu zredukowania efektu przeuczenia oraz uzyskania miarodajnych wyników.
• Ekstrakcja cech - zaprojektowano ekstrakcję cech polegającą na wzmocnieniu cech charakterystycznych sygnału poprzez estymowanie widmowej gęstości mocy za pomocą metody Welch'a i dyskretnej transformacji Fouriera (analiza danych w dziedzinie częstotliwości dla 4 szerokości okna Hamminga).
• Genetyczna selekcja cech – zaprojektowano selekcję cech polegająca na eliminowaniu nadmiarowych cech (składowych częstotliwościowych widmowej gęstości mocy sygnału EKG) za pomocą algorytmu genetycznego.
• Genetyczny trening i optymalizacja klasyfikatorów – zaprojektowano trening, testowanie i optymalizację parametrów klasyfikatorów za pomocą algorytmu genetycznego sprzężonego z metodą walidacji krzyżowej oraz genetyczną selekcją cech.
• Genetyczny zespół klasyfikatorów optymalizowany po klasach - zaprojektowano dwu-warstwowy zespół, składający się z: 17 klasyfikatorów SVM (nu-SVC, odpowiadających 17 klasom) + 1 klasyfikatora SVM (C-SVC). W zespole każdy klasyfikator warstwy wejściowej optymalizowany jest w celu zmaksymalizowania czułości rozpoznawania poszczególnych zaburzeń serca. Klasyfikator warstwy wyjściowej na podstawie odpowiedzi klasyfikatorów wejściowych oraz genetycznej selekcji podejmuje ostateczną decyzję. Zespół uczony warstwowo z genetyczną selekcją i optymalizacją parametrów klasyfikatorów.
• Genetyczny zespół klasyfikatorów optymalizowany po zestawach zbiorów - zaprojektowano dwu-warstwowy zespół, składający się z: 10 klasyfikatorów SVM (nu-SVC, odpowiadających 10 zbiorom testowym) + 1 klasyfikatora SVM (C-SVC), zmodyfikowana metoda bagging. W zespole każdy klasyfikator warstwy wejściowej optymalizowany jest w celu zmaksymalizowania czułości rozpoznawania zaburzeń serca dla poszczególnych zbiorów testowych. Klasyfikator warstwy wyjściowej na podstawie odpowiedzi klasyfikatorów wejściowych oraz genetycznej selekcji podejmuje ostateczną decyzję. Zespół uczony warstwowo z genetyczną selekcją i optymalizacją parametrów klasyfikatorów.
• Głęboki genetyczny zespół klasyfikatorów - zaprojektowano trzy-warstwowy zespół, składający się z: 48 klasyfikatorów (SVM nu-SVC, kNN, PNN, RBFNN) + 4 klasyfikatorów SVM (C-SVC) + 1 klasyfikatora SVM (C-SVC). W zespole każdy klasyfikator warstwy wejściowej optymalizowany jest w celu zmaksymalizowania czułości rozpoznawania zaburzeń serca. Poszczególne klasyfikatory warstwy wejściowej uczone są na podstawie 3 rodzajów przetwarzania wstępnego sygnału i 4 rodzajów ekstrakcji cech (4 szerokości okna Hamminga). W warstwie ukrytej i wyjściowej, na podstawie odpowiedzi klasyfikatorów wejściowych oraz bazując na metodzie głębokiego uczenia oraz genetycznej selekcji cech, zachodzi proces wydobycia wiedzy prowadzący do podjęcia ostatecznej decyzji przez system. Zespół uczony warstwowo z genetyczną selekcją i optymalizacją parametrów klasyfikatorów.

Bibliografia:

1. DA S. LUZ, E. J., SCHWARTZ, W. R., CÁMARA-CHÁVEZ, G., AND MENOTTI, D. ECG-based heartbeat classification for arrhythmia detection: A survey. Computer Methods and Programs in Biomedicine 127 (2016), 144 – 164.

Rozprawa udostępniona publicznie: Doktorat

- prof. dr hab. inż. Ryszard Tadeusiewicz: Opinia

- prof. dr hab. inż. Ewaryst Tkacz: Recenzja
- dr hab. Zbisław Tabor, prof. PK: Recenzja

- prof. dr hab. inż. Ewaryst Tkacz: Odpowiedzi
- dr hab. Zbisław Tabor, prof. PK: Odpowiedzi

1. P. Pławiak, W. Maziarz; Classification of tea specimens using novel hybrid artificial intelligence methods; Elsevier, Sensors and Actuators B: Chemical; 192: 117-125; 03/2014.
2. P. Pławiak, R. Tadeusiewicz; Approximation of phenol concentration using novel hybrid computational intelligence methods; International Journal of Applied Mathematics and Computer Science; 24(1): 165-181; 03/2014.
3. P. Pławiak; An estimation of the state of consumption of a positive displacement pump based on dynamic pressure or vibrations using neural networks; Elsevier, Neurocomputing; 144: 471-483; 11/2014.
4. P. Pławiak, K. Rzecki; Approximation of Phenol Concentration Using Computational Intelligence Methods Based on Signals From the Metal-Oxide Sensor Array; IEEE, Sensors Journal; 15(3): 1770-1783; 03/2015.
5. P. Pławiak, T. Sośnicki, M. Niedźwiecki, Z. Tabor, K. Rzecki; Hand Body Language Gesture Recognition Based on Signals From Specialized Glove and Machine Learning Algorithms; IEEE, Transactions on Industrial Informatics; 12(3): 1104-1113; 06/2016.

1. P. Pławiak, W. Maziarz; Comparison of artificial intelligence methods on the example of tea classification based on signals from e-nose sensors; HRPUB, Advances in Signal Processing; 1(2): 19-32; 10/2013.
2. T. Wójtowicz, K. Rzecki, P. Pławiak, M. Niedźwiecki, T. Sośnicki, K. Smelcerz, T. Wojtoń, Z. Tabor; Emergence of cooperation as a result of mutation and inheritance in PD/PG-like game; Politechnika Krakowska, Czasopismo Techniczne; 1(19): 71-84; 02/2016.
3. T. Wójtowicz, K. Rzecki, P. Pławiak, M. Niedźwiecki, T. Sośnicki, T. Wojtoń, K. Smelcerz, Z. Tabor; The Dynamics of the Distribution of co-authors; Politechnika Krakowska, Czasopismo Techniczne; 1(19): 85-104; 02/2016.

• Rezultaty widoczne w skali światowej (5 publikacji na Liście Filadelfijskiej);
• Nowe algorytmy gwarantujące lepsze własności od znanych.