Abnormality detection in ECG using artificial neural networks

• Shahanaz Ayub ^[1] ; J. P. Saini ^[2]
  1. [1] Department of Electronics & Communication Engineering. Bundelkhand Institute of Engineering & Technology
  2. [2] M.M.M. Engineering College. Gorakhpur Uttar Pradesh
• Localización: Revista Electrónica de Biomedicina, ISSN-e 1697-090X, Nº. 3 (Septiembre-Diciembre), 2010, págs. 47-52
• Idioma: inglés
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El electrocardiograma (ECG) representa la actividad eléctrica del corazón. Las arritmias cardiacas se encuentran entre las anomalías mas frecuentemente detectadas en el ECG. Comúnmente se registran millones de electrocardiogramas de variadas categorías de pacientes, y el ECG puede contener información valiosa acerca de las alteraciones en un paciente dado. Los ECGs son analizados por médicos especializados y son interpretados en correspondencia con su experiencia individual.

    La interpretación varía de un especialista a otro, por lo que el presente trabajo se ha encaminado a la automatización y al logro de consistencia en el análisis de las señales electrocardiográficas de modo que puedan ser diagnosticadas e interpretadas independientemente del especialista. Esto ayudaría en la asunción temprana de un tratamiento y ayudaría a salvar numerosas vidas. Existen muchos intentos anteriores, pero el presente trabajo presenta una concepción novedosa al aplicar herramientas basadas en MATLAB con algoritmos de redes neurales ponderadas. Esto ayudaría a reducir los requerimientos de hardware, haría la red más confiable y al parecer más manejable. Para lograrlo, se diseñaron varias redes utilizando herramientas y parámetros basados en MATLAB (versión protegida por licencia). Se diseñaron dos clases de redes pero con diferentes algoritmos, específicamente "Perceptor" y "Backpropagation".

    Las redes fueron entrenadas con datos obtenidos de la base de arritmias de MIT-BIH. Despues de entrenar diferentes configuraciones de redes, estas fueron probadas con diferentes colecciones de entradas desconocidas y los resultados de todo el proceso desde el entrenamiento hasta la evaluación fueron tabulados. Los mejores resultados para las pulsaciones normales se obtuvieron con el algoritmo "Cascade-Forward Back propagation". El porcentaje de clasificación correcta alcanzó el 100%.

    Los resultados fueron comparados con los de trabajos anteriores y se concluye que el método propuesto en el presente artículo resulta superior.

  • English

    ECG i.e. Electrocardiogram represents electrical activity of the heart. Arrhythmias are among the most common ECG abnormalities. Millions of ECGs are taken for the diagnosis of various classes of patients, where ECG can provide a lot of information regarding the abnormality in the concerned patient, ECGs are analysed by the physicians and interpreted depending upon their experience.

    The interpretation may vary by physician to physician. Hence this work is all about the automation and consistency in the analysis of the ECG signals so that they must be diagnosed and interpreted accurately irrespective of the physicians. This would help to start an early treatment for the problems and many lives could be saved. Many works have been done previously but this paper presents a new concept by application of MATLAB based tools in the same weighted neural network algorithms. This will help to reduce the hardware requirements, make network more reliable and thus a hope to make it feasible. To do so various networks were designed using the MATLAB based tools (licensed version) and parameters. Two classes of networks were designed, but with different training algorithms, namely Perceptron and Back propagation.

    They were provided training inputs from the data obtained from the standard MIT-BIH Arrhythmia database. After training different forms of networks, they were tested by providing unknown inputs as patient data and the results in the whole process from training to testing were recorded in the form of tables. The results for the normal beats were best in the case of Cascade-Forward Back propagation network algorithm. The percentage of correct classification is 100%.

    The results are compared with the previous work which concludes that the method proposed in this paper gives best results.