Classificação de anomalias cardíacas a partir de exames de Eletrocardiograma

  • Rodolfo Dalvi IFES
  • Rodrigo Andreão IFES
  • Gabriel Zago IFES

Resumo


Neste trabalho é apresentado um algoritmo capaz de classificar o exame de eletrocardiograma segundo alguns tipos de anomalias com a finalidade de auxiliar o especialista na triagem de exames críticos. As anomalias analisadas estão relacionadas com alterações cardíacas típicas tais como: Bloqueio do ramo direito (R), Bloqueio do ramo esquerdo (L), batimento ventricular prematuro (V), batimento atrial prematuro (A) e batimento estimulado (PB). Um pré-processamento é realizado através da filtragem e alinhamento do sinal, o qual depende de uma etapa de detecção dos batimentos. Para a classificação foi utilizado um vetor com 106 características ligadas aos intervalos RR e à segmentação do ECG. Este vetor foi reduzido através da técnica de Análise de Componentes Principais (Principal Component Analysis – PCA) para então ser aplicado à entrada de uma Rede Neural Artificial (RNA). O desempenho de classificação de arritmias sobre uma base de teste de 18 registros de 30 min cada foi de uma precisão de 96,97%, sensibilidade de 95,05%, especificidade de 90,88%, valor preditivo positivo de 95,11% e valor preditivo negativo de 92,7%. O resultado torna viável o uso da triagem para priorizar os exames com alterações para análise do cardiologista em um serviço de Telecardiologia.

Referências

Andreão, R. V.; Dorizzi, B.; Cortez, P. C.; Mota, J. C. M. (2002) “Efficient ECG multi-level wavelet classification through neural network dimensionality reduction”, CAPES/COFECUB projeto n° 266/99-I.

Andreão, R. V.; Sarti T.; Clestrini, J.; Schimidt, M. Q. (2013) “Automatic Triage of Electrocardiograms”, Global Telemedicine and eHealth Updates: Knowledge Resources, vol. 6, p. 143-147.

Arif, M.; Akram, M. U.; Afsar, F. A. (2009) “Arrhythmia Beat Classification using Pruned Fuzzy K-Nearest Neighbor Classifier”, International Conference of Soft Computing and Pattern Recognition.

Assis, P. O (2009) “que são Redes Neurais?”, http://www.tecmundo.com.br/programacao/2754-o-que-sao-redes-neurais-.htm, fevereiro de 2015.

Chazal, P. D.; O’Dwyer, M.; Reilly, R. B. (2004) “Automatic Classification of Heartbeats Using ECG Morphology and Heartbeat Interval Features” IEEE Transactions on Biomedical Engineering, vol. 51, no. 7, p. 1196-1206.

Chazal, P.D.; Reilly, R. (2006) “A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features”, IEEE Trans Biomed Engineering, vol. 53, p. 2535-2543.

Christov, I.; Gómez-Herrero, G.; Krasteva, V.; Jekova, I.; Gotchev, A.; Egiazarian, K. (2006) “Comparative study of morphological and time-frequency ECG descriptors for heartbeat classification”, Medical Engineering & Physics, vol. 28, p. 876–887.

Hamilton, P. S.; Tompkins, W. (1986) “Quantitative investigation of QRS detection rules using the MIT/BIH arrhythmia database”, IEEE Trans Biomed Engineering, vol. 33, p. 1157-1165.

Igarashi, M. O. (2007) “Utilização de filtros para remoção de interferência de sinais de eletrocardiograma”, Trabalho de graduação interdisciplinar, Escola de Engenharia da Universidade Presbiteriana Mackenzie, São Paulo.

Ince, T.; Kiranyaz, S.; Gabbouj, M. (2009) “A generic and robust system for automated patient-specific classification of ECG signals”, IEEE Trans Biomed Engineering, vol. 56, p.1415-1426.

Kim, J.; Min, S. D.; Lee, M. (2011) “An arrhythmia classification algorithm using a dedicated wavelet adapted to different subjects” BioMedical Engineering OnLine.

Llamedo, M.; Martínez, J. (2011) “Heartbeat classification using feature selection driven by database generalization criteria”, IEEE Trans Biomed Engineering, vol. 58, p. 616–625.

Madeiro, J. P. V.; Cortez, P. C.; Oliveira, F. I.; Siqueira, R. S. (2007) “A new approach to QRS segmentation based on wavelet bases and adaptive threshold technique”, Medical Engineering & Physics, vol. 29, p. 26–37.

Marcolino, M.; Alkmim, M. B.; Palhares, D.; Ribeiro, A. L. (2012) “Prevalence of Normal Electrocardiograms in Primary Care Patients: a Study by a Telemedicine Service in Brazil”, Global Telemedicine and eHealth Updates: Knowledge Resources, vol. 5, p. 615-618.

Martínez, J. P.; Almeida, R.; Olmos, S.; Rocha, A. P.; Laguna, P. (2004) “A wavelet-based ecg delineator evaluation on standard databases”, IEEE Transactions on Biomedical Engineering, v. 51, p. 570–581.

Mohamad, F. N.; Megat Ali, M. S. A.; Jahidin, A. H.; Saaid, M. F.; Noor, M. Z. H. (2013) “Principal Component Analysis and Arrhythmia Recognition Using Elman Neural Network”, 4th Control and System Graduate Research Colloquium, Shah Alam, Malásia.

Pan, J.; Tompkins, W.J. (1985) “A real-time QRS detection algorithm”, IEEE Trans. Biomed Engineering, vol. 32, p.230-236.

Physionet (2000) “Physionet o recurso de pesquisa para sinais fisiológicos complexos”, http://www.physionet.org, janeiro de 2014.

She, L.; Song, Y.; Zhang, S.; Xu, Z. (2010) “A Precise Ambulatory ECG Arrhythmia Intelligent Analysis Algorithm Based On Support Vector Machine Classifiers” 3rd International Conference on Biomedical Engineering and Informatics.

SMITH, L. I. (2002) “A Tutorial on Principal Component Analysis”.

Sparenberg, A.;Fetter, G.. (2012) “A Public Telecardiology Network in Southern Brazil: Results of Phase II (1st Year)”, Global Telemedicine and eHealth Updates: Knowledge Resources, Vol. 5, p. 598-602.

Zhang, Z.; Dong, J.; Luo, X.; Choi, K.; Wu, X. (2013) “Heartbeat classification using disease-specific feature selection” Computers in Biology and Medicine, vol. 46, p. 79–89.
Publicado
20/07/2015
DALVI, Rodolfo; ANDREÃO, Rodrigo; ZAGO, Gabriel. Classificação de anomalias cardíacas a partir de exames de Eletrocardiograma. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 15. , 2015, Recife. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2015 . p. 81-90. ISSN 2763-8952. DOI: https://doi.org/10.5753/sbcas.2015.10368.