Classification of arrhythmia using machine learning techniques

Lukáš Zaorálek

Doctoral thesis

Abstract:

Elektrokardiogram (EKG) je neinvazivní metoda k měření elektrické aktivity srdečního tepu. Normální aktivita srdečního tepu je kontrolována komplexní množinou elektrických impulsů. Přerušení těchto elektrických impulzů nebo jejich nesprávná činnost může vést k srdeční arytmii, která může být in- terpretována jako srdeční nemoc. Hlavním cílem této práce je navrhnout a testovat novou EKG klasifikační metodu ke zpřesnění současných automat- ických metod detekce srdečních arythmií. Testování navržené metody bude rozděleno do tří experimentů. První experiment bude věnován Intra-Patient paradigmatu, který ukáže jaká klasifikační metoda má předpoklad k testování s realnějšími scénáři. Zbylé dva experimenty zaměřené na Patient-Adapted a Inter-Patient paradigmata budou měřit robustnost navržené metody a součaně navržená metoda bude porovnána s výsledky současných metod v této oblasti. Pro měření výsledků jednotlivých experimentů budou využity tři následující EKG databáze: MIT-BIH Arrhythmia Database, Physionet Challenge 2017 a St.-Petersburg Institute of Cardiological Technics 12-lead Arrhythmia Database.

Abstract:

The electrocardiography (ECG) is a non-invasive routine to measure electri- cal activity of the heartbeat. Regular heartbeat activities are controlled by a complex set of electrical impulses. If these electrical impulses are interrupted or misguided the arrhythmia is occurred and it can be interpreted as a heart disease. The main aim of the thesis is design and test novel ECG classifi- cation approach to improve accuracy recent results. The testing of the pro- posed method will be divided into three experiments. First experiment will be devoted to Intra-Patient paradigm and will show what exactly classifier has suitable assumptions to further testing with more realistic scenario. Last two experiments will follow the Patient-Adapted and Inter-Patient paradigm to measure robustness of proposed method and also the proposed approach will be compared with state-of-the art results. In order to measure results of each experiment it will be used three following ECG databases: MIT-BIH Arrhythmia Database, Physionet Challenge 2017 a St.-Petersburg Institute of Cardiological Technics 12-lead Arrhythmia Database.

Keywords

Elektrokardiogram, AAMI, MIT-BIH, Support Vector Machine, Linearní diskriminační analýza, Umělá neuronová síť, Auto-Encoder, Gradient Boost- ing, Intra-Patient paradigma, Patient-Adapted paradigma, Inter-Patient paradigma

Keywords

Electrocardiography, AAMI, MIT-BIH, Support Vector Machine, Linear Dis- criminant Analysis, Artificial Neural Network, Auto-Encoder, Gradient Boost- ing, Intra-Patient paradigm, Patient-Adapted paradigm, Inter-Patient para- digm

Language used: English

Date on which the thesis was submitted / produced: 4. 6. 2018

Thesis defence

• Date of defence: 10. 1. 2019
• Supervisor: Václav Snášel
• Reader: Roman Šenkeřík, Lidia Ogiela, Jiří Dvorský

VŠB - Technical University of Ostrava

Fakulta elektrotechniky a informatiky

Doctoral programme / field:
Informatika, komunikační technologie a aplikovaná matematika / Informatika