1 May 2018 in Computers in Biology and Medicine
1 December 2019 in IEEE Latin America Transactions
This paper shows a novel approach for detecting ventricular heartbeats using a 1D Convolutional Neural Network (1D-CNN). The algorithm input is the raw ECG signal, i.e., no signal pre-processing nor feature extraction are involved. The output of the 1D-CNN is filtered using a combination of linear and nonlinear filters to produce the final output. The MIT-BIH arrhythmia database was used for both algorithm training/tuning and evaluation. The assessment methodology followed the interpatient paradigm, where the algorithm was trained and evaluated using independent subsets. The performance of the proposed method was evaluated for two tasks; QRS detection, and heartbeat classification. QRS detection resulted in a sensitivity of 99.0% and a positive predictivity of 96.5%. The performance assessment of the ventricular ectopic beat detection resulted in a sensitivity of 85.8% and a positive predictivity of 64.5%. Although there is still room for improvement, the results suggest that convolutional neural networks are a promising approach for building heartbeat classifiers.
1 November 2021 in Orange Journal
ASAlexander Sóñora-Mengana
Las enfermedades cardiovasculares (ECV) cobran la vida de cerca de 18 millones de personas cada año, constituyendo la principal causa de muerte e incapacidad en el mundo. Entre las enfermedades cardiovasculares, las arritmias cardiacas son las más comunes. Desde hace varios años, nuevos estudios han destacado las potencialidades de la onda fotopletismográfica para detectar arritmias, superando en sencillez y reducción de costos a la electrocardiografía (ECG). En este estudio se propone un método de detección de picos sistólicos de la onda fotopletismográfica para determinar la frecuencia cardiaca y con ello establecer la presencia de taquicardia, bradicardia o asístole. El método de detección de picos sistólicos calcula la primera derivada de la señal previamente filtrada. A continuación aplica un proceso de umbralización. Finalmente, en una etapa de agrupamiento se emplea el algoritmo DBSCAN. El algoritmo de detección de picos fue evaluado en 42 señales de una base de datos internacional multiparamétrica para la estimación del RR. La evaluación del método mostró alta exactitud y precisión (0±2 ms) y una sensibilidad y valor predictivo positivo del 99 %. Estos resultados permiten determinar la frecuencia cardiaca con una exactitud y precisión de 0±1 latido por minuto. Además, este algoritmo es evaluado en clasificación de arritmias utilizando 155 señales de la base de datos del PhysioNet/Computing in Cardiology Challenge del 2015. Para esta evaluación el algoritmo mostró resultados aceptables en la detección de asístole, bradicardia y taquicardia. La sensibilidad y el valor predictivo positivo fue del 79% y 88% para asístole, 74% y 64% para bradicardia y, 80% y 99% para taquicardia respectivamente. La efectividad del método puede afectarse en registros de señales con grandes variaciones de amplitud y/o con relaciones señal-ruido (SNR) bajas. No obstante, los resultados en estas condiciones son aceptables y son muy buenos en señales de alto SNR.
10 September 2026 in Clinical Physiology and Functional Imaging