Diagnóstico automático de enfermedades cardiacas utilizando redes neuronales convolucionales

Abstract

This document presents the development of a classifier for six cardiac conditions: normal, premature ventricular contraction, paced beat, right bundle branch block beat, left bundle branch block beat and atrial premature contraction; using 2D convolutional neural networks in Python and with the support of the MIT-BIH Arrhythmia database from Physionet, which has electrocardiogram records. To carry out the objective two classifiers are developed based on 2D convolutional neural networks; for this, the signal is divided into 10 seconds segments. In the first classifier, the signals are converted into a grayscale image by passing the values of a one-dimensional array to a square matrix; while for the second classifier, the scalograms of the same signal segments are obtained using the Morlet function. Due to the imbalance of classes in the database used, overlaps are made during the segmentation of the signals, to obtain the same number of signals per class. This resulted in an accuracy of 0.8863 for gray scale images and 0.9465 for the classification of scalograms.

En este documento se presenta el desarrollo de un clasificador de seis condiciones cardiacas: normal, contracción ventricular prematura, latido acompasado, golpe de bloqueo de rama derecha, golpe de bloqueo de rama izquierda y contracción auricular prematura; haciendo uso de redes neuronales convolucionales 2D en lenguaje Python y con apoyo de la base de datos MIT-BIH Arrhytmia de Physionet, la cual posee registros de electrocardiogramas. Para llevar a cabo el objetivo mencionado anteriormente se desarrollan dos clasificadores basados en redes neuronales convolucionales 2D, para esto se toma la señal segmentada en 10 segundos. En el primer clasificador las señales se convierten en una imagen en escala de grises pasando los valores de un arreglo de una dimensión a una matriz cuadrada; mientras que para el segundo clasificador se obtienen los escalogramas de los mismos segmentos de señal mediante la función de Morlet. Debido al desbalance de las clases que se presenta en la base de datos utilizada se realizan traslapes durante la segmentación de las señales, para de esta forma obtener la misma cantidad de señales por clase. De esta manera se obtuvieron como resultado una exactitud de 0.8863 para las imágenes en escala de grises y 0.9465 para la clasificación de escalogramas.