Detección de Fibrilación Ventricular Mediante Tiempo-Frecuencia y Clasificador KNN sin Extracción de Parámetros

• Autores: Azeddine Mjahad, Alfredo Rosado Muñoz, Manuel Bataller Mompeán, José V. Francés Villora, Juan Francisco Guerrero Martínez
• Localización: Revista iberoamericana de automática e informática industrial ( RIAI ), ISSN-e 1697-7920, Vol. 15, Nº. 1, 2018, págs. 124-132
• Idioma: español
• Títulos paralelos:
  • Ventricular Fibrillation detection using time-frequency and the KNN classifier without parameter extraction
• Enlaces
  • Texto completo
• Resumen
  • español

    Este trabajo propone la detección de FV y su discriminación de TV y otros ritmos cardiacos basándose en la representación tiempo-frecuencia del ECG y su conversión en imágen como entrada a un clasificador de vecinos más cercanos (KNN) sin necesidad de extracción de parámetros adicionales. Tres variantes de datos de entrada al clasificador son evaluados. Los resultados clasifican la señal en cuatro clases diferentes: ’Normal’ para latidos con ritmo sinusal, ’FV’ para fibrilación ventricular, ’TV’ para taquicardia ventricular y ’Otros’ para el resto de ritmos. Los resultados para detección de FV mostraron 88,27% de sensibilidad y 98,22% de especificidad para la entrada de imágen equivalente reducida que es la más rápida computacionalmente a pesar de obtener resultados de clasificación ligeramente inferiores a las representaciones no reducidas. En el caso de TV, se alcanzó un 88,31% de sensibilidad y 98,80% de especificidad, un 98,14% de sensibilidad y 96,82% de especificidad para ritmo sinusal normal y 96,91% de sensibilidad con 99,06% de especificidad para la clase ’Otros’. Finalmente, se realiza una comparación con otros algoritmos.

  • English

    This work describes new techniques to improve VF detection and its separation from Ventricular Tachycarida (VT) and other rhythms. It is based on time-frequency representation of the ECG and its use as input in an automatic classifier (K-nearest neighbours - KNN) without any further signal parameter extraction or additional characteristics. For comparison purposes, three time-frequency variants are analysed: pseudo Wigner-Ville representation (RTF), grey-scale image obtained from RTF (IRTF), and reduced image from IRTF (reduced IRTF). Four types of rhythms (classes) are defined: ’Normal’ for sinus rhythm, ’VT’ for ventricular tachycardia, ’VF’ for ventricular fibrillation and ’Others’ for the rest of rhythms. Classification results for VF detection in case of reduced IRTF are 88.27% sensitivity and 98.22% specificity. In case of VT, 88.31% sensitivity and 98.80% specificity is obtained, 98.14% sensitivity and 96.82% specificity for normal rhythms, and 96.91% sensitivity and 99.06% specificity for other rhythms. Finally, results are compared with other authors.