Myocardial Ischemia Detection Using a Reduced Number of ECG Leads

Скорочена інформація про документ
dc.contributor.authorMnevets, A. V.
dc.contributor.authorIvanushkina, N. G.
dc.contributor.authorIvanko, K. O.
dc.date.accessioned2023-05-29T04:58:53Z
dc.date.available2023-05-29T04:58:53Z
dc.date.issued2022
dc.description.abstractThe study is devoted to the investigation of the electrocardiographic (ECG) features to distinguish norm and myocardial ischemia in reduced set of electrocardiographic leads. In particular, for myocardial ischemia detection the spectral features of the electrocardiographic signal and characteristics of the shape of ECG waves are considered. The main features commonly used for myocardial ischemia detection are described in the paper, as well as more reliable analogs are proposed for the considered task. The approach for ECG signal preprocessing, identification of the necessary signal segments and subsequent calculation of features is described in detail. The considered features are based on the areas under the characteristic waves of the ECG signal and the spectral distribution of these waves. The most informative features for myocardial ischemia detection are identified and selected from the initial set of parameters which led to a two-fold reduction in number of ECG leads comparing to the standard 12-lead electrocardiogram. The techniques for determining the proposed features, namely the ratio of the area under T wave to the area under the P wave, as well as the ratio of the area under T wave to the area of the entire cardiac cycle, are considered. These features together with other calculated parameters are assumed to describe the majority of pathology cases and gave a high accuracy of the classification ECG to norm and ischemic myocardial diseasesince they reflect the bioelectrical processes that occur in the presence of myocardial ischemia and manifest themselves on the surface ECG. Based on the analysis of principal components and the method t-distributed stochastic neighbor embedding, the distribution of data in the space of features that characterize the classes of norm and pathology was shown. Raw ECG data in norm and with cases of myocardial ischemia were obtained from the ”PTB Diagnostic ECG Database” used in ”The PhysioNet/Computing in Cardiology Challenge 2020”. This database contains 22353 ECG records from 290 persons with 12 ECG leads (I, II, III, aVR, aVL, aVF, and V1–V6). The database contains the high-resolution ECG signals, which enabled to obtain 10,000 cardio cycles presenting norm and myocardial ischemia pathology for the subsequent training the machine learning algorithms. Based on the obtained features, various machine learning algorithms were trained and the accuracy was compared on different combinations of ECG leads. Аs a result of cross-validation, the accuracy of myocardial ischemia detection was 99% with a standard deviation of 0.4% for 6 leads (I, II, III, AVR, AVL, AVF) and 93% with a standard deviation of 0.12% for one lead (I). Thus, it was shown, that with machine learning methods it is possible to recognize ischemic myocardial disease with high accuracy and stability using six standard ECG leads or only one ECG lead.uk
dc.description.abstractotherДослiдження присвячено аналiзу електрокардiографiчних (ЕКГ) ознак для розпiзнавання станiв норми i iшемiї мiокарда у разi зменшеного набору електрокардiографiчних вiдведень. Зокрема, для виявлення iшемiї мiокарда розглядаються спектральнi ознаки електрокардiографiчного сигналу та характеристики форми ЕКГ хвиль. В статтi описанi основнi ознаки, якi зазвичай використовуються для виявлення iшемiї мiокарда, а також запропонованi iншi бiльш надiйнi показники для застосування у класифiкацiйних моделях. Детально описано пiдхiд до попередньої обробки ЕКГ сигналу, iдентифiкацiї необхiдних сегментiв сигналу i подальшого розрахунку ознак. Розглянутi ознаки заснованi на площах пiд характерними хвилями ЕКГ сигналу i спектральних параметрах цих хвиль. Описано та обрано найбiльш iнформативнi ознаки для виявлення iшемiї мiокарда, отриманi з початкового набору параметрiв, що призвело до зниження кiлькостi ЕКГ вiдведень до 6 у порiвняннi з 12 вiдведеннями стандартної електрокардiограми. Запропоновано методики визначення нових ознак, а саме: вiдношення площi пiд хвилею Т до площi пiд хвилею Р, а також вiдношення площi пiд Т хвилею до площi кардiоциклу. Цi ознаки разом з iншими розрахованими параметрами показали високу точнiсть класифiкацiї сигналiв на норму та патологiю, оскiльки вони вiдображають бiоелектричнi процеси, що протiкають за наявностi iшемiї мiокарда та проявляються на поверхневiй ЕКГ. Також було проведено аналiз вiзуалiзацiї даних за допомогою методу головних компонент та t-розподiленого стохастичного вбудовування сусiдiв. Це дозволило показати розподiл даних у просторi ознак, що характеризують класи норми та патологiї. Данi ЕКГ сигналiв у нормi та у випадку iшемiї мiокарда були отриманi з бази даних «PTB Diagnostic ECG Database». Ця база даних мiстить 22353 ЕКГ сигнали з наявнiстю 12 ЕКГ вiдведеннь (I, II, III, aVR, aVL, aVF та V1–V6), зареєстрованих з високою роздiльною здатностю у 290 осiб. З використанням розглянутої бази даних отримано по 10 000 кардiоциклiв для класiв норми та iшемiї мiокарда, якi застосовано для побудови моделей машинного навчання. На основi отриманих ознак було виконано дослiдження алгоритмiв машинного навчання та розрахована точнiсть для рiзних комбiнацiй вiдведень ЕКГ. В результатi перехресної перевiрки, точнiсть виявлення iшемiї мiокарда склала 99% зi стандартним вiдхиленням 0,4% для 6 вiдведень (I, II, III, AVR, AVL, AVF) та 93% зi стандартним вiдхиленням 0,12% для одного вiдведення (I). Таким чином, було показано, що за допомогою методiв машинного навчання можна розпiзнавати iшемiчну хворобу мiокарда з високою точнiстю, використовуючи шiсть стандартних вiдведень ЕКГ або лише одне вiдведення ЕКГ.uk
dc.format.pagerangePp. 39-47uk
dc.identifier.citationMnevets, A. V. Myocardial Ischemia Detection Using a Reduced Number of ECG Leads / Mnevets A. V., Ivanushkina N. G., Ivanko K. O. // Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць. – 2022. – Вип. 89. – С. 39-47. – Бібліогр.: 25 назв.uk
dc.identifier.doihttps://doi.org/10.20535/RADAP.2022.89.39-47
dc.identifier.orcid0000-0001-5448-4045uk
dc.identifier.orcid0000-0001-8389-7906uk
dc.identifier.orcid0000-0002-3842-2423uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/56234
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofВісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 89uk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectmyocardial ischemiauk
dc.subjectmachine learninguk
dc.subjectcardiocycleuk
dc.subjectcardio intervaluk
dc.subjectwavelet analysisuk
dc.subjectarea T waveuk
dc.subjectcross-validationuk
dc.subjectheart diseases detectionuk
dc.subjectiшемiя мiокардаuk
dc.subjectмашинне навчанняuk
dc.subjectкардiоциклuk
dc.subjectкардiоiнтервалuk
dc.subjectвейвлет-аналiзuk
dc.subjectплоща T хвилiuk
dc.subjectкросс-валiдацiяuk
dc.subjectвиявлення захворювань серцяuk
dc.subject.udc616.12-073.7uk
dc.titleMyocardial Ischemia Detection Using a Reduced Number of ECG Leadsuk
dc.title.alternativeВиявлення iшемiї мiокарду за допомогою зменшеної кiлькостi вiдведень ЕКГuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
1787-5334-1-10-20221001.pdf
Розмір:
5.58 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 89