Heartbeat Classification of Electrocardiograms: Interpretive Shapelet Transformation and Classification of Multivariate, Multi-label and Multi-class Electrocardiograms
Authors
Madsen, Kaj Printz ; Jensen, Morten Brodersen ; Risager, Carsten Vestergaard
Term
4. term
Education
Publication year
2018
Submitted on
2018-06-08
Pages
94
Abstract
Vi præsenterer en automatisk og fortolkbar metode til klassifikation af hjerteslag, der opdager hjertearytmier ved at lære shapelets fra annoterede EKG-signaler. Shapelets er korte, særkende signalmønstre, som bedst skelner mellem forskellige typer hjerteslag. Arbejdsflowet omfatter: forbehandling af flerkanals EKG (fjernelse af baseline-drift, støjfiltrering og dimensionsreduktion), en binær shapelet-transform, der udtrækker skelneevne delsekvenser og omdanner hvert EKG til feature-vektorer, samt træning af et heterogent ensemble af klassifikatorer (en blanding af forskellige maskinlæringsmodeller). Vi evaluerer på to datasæt: MIT-BIH Arrhythmia Database efter inter-patient protokollen og AAMI-anbefalingerne til sammenligning med tidligere arbejde; samt AAU-ECG, et virkelighedsnært multi-label datasæt med 413.151 EKG-optagelser, hvor vi sammenligner med det brancheførende, videnbaserede Marquette 12SL EKG-analyseprogram. Resultater: På MIT-BIH forbedrer shapelets sensitiviteten (recall) for normale og ventrikulære ektopiske slag og præcisionen (precision) for fusionsslag, og vores metode opnår den højeste samlede ydeevne for fire klasser med en nøjagtighed på 94,3%. På AAU-ECG klarer Marquette sig generelt bedre, men vores metode skelner godt mellem højre og venstre grenblok og overgår Marquette på fire diagnoser relateret til venstre ventrikelhypertrofi.
We present an automatic and interpretable heartbeat classification method that detects heart arrhythmias by learning shapelets from annotated ECG signals. Shapelets are short, distinctive signal segments that are most informative for telling different heartbeat types apart. Our pipeline includes cleaning multi-lead ECGs by removing baseline wander and noise and reducing dimensionality; applying a binary shapelet transform to extract discriminative subsequences and convert each ECG into feature vectors that indicate the presence of these patterns; and training a heterogeneous ensemble of classifiers (a mix of different machine-learning models) on the transformed data. We evaluate on two datasets: the MIT-BIH Arrhythmia Database using the inter-patient protocol and AAMI recommendations to enable comparison with prior work, and AAU-ECG, a real-world multi-labeled dataset of 413,151 ECG records, where we compare against the industry-leading, knowledge-based Marquette 12SL ECG analysis program. Results: On MIT-BIH, shapelets improve recall for normal and ventricular ectopic beats and precision for fusion beats, and our approach achieves the highest overall performance across four classes with 94.3% accuracy. On AAU-ECG, Marquette generally performs better overall, but our method shows strong discrimination for right and left bundle branch block and outperforms Marquette on four diagnoses related to left ventricular hypertrophy.
[This abstract was generated with the help of AI]
Keywords
Documents