Biosignal analysis for cardiac arrhythmia detection using non-supervised techniques

Abstract

Se propone una metodología para análisis no supervisado de arritmias cardıacas de registros Holter basada en análisis de relevancia basado en variables y agrupamiento suave particional. Debido a la fuerte asimetría entre clases, las características que representan a los latidos son seleccionadas apropiadamente empleando métodos de proyección lineal ponderada. Para estimar los pesos de las características se consideran dos medidas de distancia: El error cuadrático medio y el producto interno–M. En la etapa de clasificación no supervisada, el enfoque del producto interno–M también puede ser usado como método de inicialización de la etapa de clustering, estimando el n´ umero de grupos de la partición. Para la etapa de agrupamiento, se demuestra que el método basado en centros, con una inicialización apropiada puede brindar buen desempeño desde el punto de vista de la separabilidad de grupos. Adicionalmente, con del fin de reducir el costo computacional, se propone el análisis por segmentos, que se lleva a cabo dividiendo a los registros sucesivamente en el tiempo y procesando cada división de manera secuencial. También, se desarrollan medidas de desempeño supervisadas y no supervisadas basadas en análisis de grupos y análisis espectral, las cuales relacionan el desempeño de la partición con el n´ umero de grupos resultantes y el costo computacional. Los experimentos se llevan a cabo usando la base de datos estándar de arritmias de la MIT/BIH y teniendo en cuenta el estándar de la AAMI (Association for the Advance of Medical Instrumentation). La metodología muestra un desempeño comparable con respecto a otros trabajos de la literatura basados en análisis supervisado y no supervisado.

Amethodology for unsupervised Holter monitoring of cardiac arrhythmias is proposed based on variable–wise relevance analysis and partitional soft-clustering. Because of strong asymmetry among class observations the heartbeat–derived features are properly selected by their proper weighted linear projection based methods. To estimate the feature weights, two different distance measures are considered: Mean Square Error and M–inner product. In the non-supervised classification stage, M–inner product approach can be also used as the initialization method of clustering stage offering the estimated number of groups of the partition. For clustering, it demonstrates that center-based clustering with an appropriate initialization can offer good performance from the point of view of cluster separability. Additionally, in order to reduce computational cost, it is proposed to carry out a segment analysis by successive divisions along time, where each division is sequentially processed, and thus processing time is significantly reduced. Also, some appropriate supervised and non-supervised performance measures based on groups and spectral analysis are developed, which relate the clustering performance with the number of resultant groups and computational cost. The experiments are done with a standard arrhythmia database of MIT/BIH and taking into account the AAMI standard (Association for the Advance of Medical Instrumentation). Methodology shows comparable performance respect to others referenced studies, based on either supervised or unsupervised training.