priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2024-67-4-305-314pribor-128Research ArticleСИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИSYSTEM ANALYSIS, MANAGEMENT AND INFORMATION PROCESSINGКлассификация эпизодов нарушений сердечного ритма по информативным признакам во временной области электрокардиограммыClassification of Heart Rhythm Disorder Episodes by Informative Features in the Electrocardiogram Time DomainАкопянБ. К.AkopyanB. K.

Белла Кареновна Акопян — старший преподаватель, кафедра прикладной информатики 

Санкт-Петербург

Bella K. Akopyan — Senior Lecturer, Department of Applied Informatics

St. Petersburg

akopyan.bella@yandex.ruСанкт-Петербургский государственный университет аэрокосмического приборостроенияSt. Petersburg State University of Aerospace Instrumentation202426112024674305314Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/128

Исследованы особенности классификации нарушений сердечного ритма по сигналу одного отведения электрокардиограммы. Предложено первичное множество из восьми информативных признаков: три для длительности RR-интервала и пять — для формы R-зубца. Найдена эффективная комбинация предложенных признаков для классификации трех состояний сердечного ритма (нормальный кардиоцикл, желудочковая экстрасистола, предсердная экстрасистола) с помощью алгоритмов логистической регрессии и случайного леса. Для проведения экспериментальных исследований использовались записи отведения II из баз данных многоканальных электрокардиограмм MIT-BIH Arrhythmia DB и Санкт-Петербургского Института кардиологической техники. Определено, что наиболее информативными признаками для рассматриваемых классов нарушений сердечного ритма являются коэффициент сцепления ξRi и коэффициент эксцесса i-го R-зубца γi. Достигнутая наибольшая точность классификации по средней сбалансированной F-мере для набора данных без балансировки классов составляет 92,58 % в случае логистической регрессии и 92,11 % — случайного леса; с балансировкой — 86,17 % для логистической регрессии и 84,55 % — для случайного леса. Результаты экспериментов показывают, что для классификации рассматриваемых нарушений сердечного ритма целесообразно использовать по одному критерию из признаков длительности и формы. Полученные в ходе экспериментальных исследований результаты могут быть применены при синтезе и анализе систем классификации нарушений сердечного ритма.

The features of heart rhythm disturbances classification based on the electrocardiogram obtained from one lead are studied. A primary set of eight informative features is proposed: three for the RR-interval duration and five for the R-waveshape. An effective combination of the proposed features for classification of three states of heart rhythm (normal cardio cycle, ventricular extrasystole, atrial extrasystole) using algorithms of logistic regression and random forest is proposed. The records of II lead from multi-channel electrocardiograms databases of MIT-BIH Arrhythmia DB and St.-Petersburg Institute of Cardiological Engineering „INCART“ are applied. It is found that the most informative features for the considered classes of cardiac rhythm disorders are the clutch coefficient ξRi and the i-th R-wave kurtosis coefficient γi. The best accuracy of classification according to the average balanced F-measure for dataset without class balancing is 92.58 % for logistic regression and 92.11 % for random forest; with class balancing the result is 86.17 % for logistic regression and 84.55 % for random forest. The experimental results show that to classify the heart rhythm disturbances under consideration, it is advisable to use one criterion of duration and form. The obtained results can be used in the synthesis and analysis of classification systems for heart rhythm disorders.

пространство информативных признаковмногоклассовая классификацияэлектрокардиограмманарушение сердечного ритмаанализ данныхspace of informative featuresmulticlass classificationelectrocardiogramcardiac arrhythmiadata analysisReferencesSun K. K., Xie C.-X., Kuo I.-C. et al. A Method for ECG R-wave Denoising and Detecting // IEEE Intern. Conf. on Consumer Electronics. 2022. P. 557—558.Sun K.K., Xie C.-X., Kuo I.-C. et al. IEEE Intern. Conf. on Consumer Electronics, 2022, рр. 557–558.Razavi S. R., Mohammadi M. H. D. R-peak Detection in Electrocardiogram Signals Using Continuous Wavelet Transform // Intern. J. Bioautomation. 2017. Vol. 21, N 2. P. 165—178.Razavi S.R., Mohammadi M.H.D. Intern. J. Bioautomation, 2017, no. 2(21), pp. 165–178.Rakshit M., Panigrahy D., Sahu P. An improved method for R-peak detection by using Shannon energy envelope // Sadhana. 2016. Vol. 41, N 5. P. 469—477.Rakshit M., Panigrahy D., Sahu P. Sadhana, 2016, no. 5(41), pp. 469–477.Bouchouareb R., Ferroudji K. Classification of ECG Arrhythmia using Artificial Intelligence techniques (RBF and SVM) // 4th Intern. Conf. on Pattern Analysis and Intelligent Systems (PAIS). 2022. P. 1—7.Bouchouareb R., Ferroudji K. 4th International Conference on Pattern Analysis and Intelligent Systems (PAIS), 2022, pp. 1–7.Vadillo-Valderrama A., Goya-Esteban R., Caulier-Cisterna R. P. et al. Differential Beat Accuracy for ECG Family Classification Using Machine Learning // IEEE Access. 2022. Vol. 10. P. 129362—129381.Vadillo-Valderrama A., Goya-Esteban R., Caulier-Cisterna R.P. et al. IEEE Access, 2022, vol. 10, pp. 129362–129381.Nasim A., Nchekwube D. C., Munir F. et al. An Evolutionary-Neural Mechanism for Arrhythmia Classification with Optimum Features Using Single-Lead Electrocardiogram // IEEE Access. 2022. Vol. 10. P. 99050—99065.Nasim A., Nchekwube D.C., Munir F. et al. IEEE Access, 2022, vol. 10, рр. 99050–99065.Pradeepkumar A., Kaul A. ECG Arrhythmia Classification Using Ensemble of Features // 2nd Asian Conf. on Innovation in Technology (ASIANCON). 2022. P. 1—6.Pradeepkumar A., Kaul A. 2nd Asian Conference on Innovation in Technology (ASIANCON), 2022, pp. 1–6.Wang L. H., Yan Z. H., Yang Y. T. et al. A Classification and Prediction Hybrid-Model Construction with IQPSO-SVM Algorithm for Atrial Fibrillation Arrhythmia // Sensors. 2021. Vol. 19, N 21. P. 5222.Wang L.H., Yan Z.H., Yang Y.T. et al. Sensors, 2021, no. 21(19), pp. 5222.Соколова А. А. О распределении отношения соседних RR-интервалов в норме и при возникновении аритмии // Изв. СПбГЭТУ ЛЭТИ. 2012. Вып. 5. С. 112—118.Sokolova А.А. Proceedings of Saint Petersburg Electrotechnical University, 2012, no. 5, pp. 112–118. (in Russ.)Алиева А. М., Голухова Е. З., Пинчук Т. В. Вариабельность сердечного ритма при хронической сердечной недостаточности (литературный обзор) // Архивъ внутренней медицины. 2013. № 6. С. 47—52.Alieva A.M., Golukhova E.Z., Pinchuk T.V. Archive of internal medicine, 2013, no. 6, pp. 47–52. (in Russ.)Акопян Б. К., Жаринов О. О. Разработка и исследование показателей качества алгоритма обнаружения и классификации нарушений сердечного ритма // Обработка, передача и защита информации в компьютерных системах: Сб. докл. Второй Междунар. науч. конф. Санкт-Петербург, 11—15 апреля 2022. СПб: ГУАП, 2022. С. 15—18.Akopyan B.K., Zharinov O.O. Obrabotka, peredacha i zashchita informatsii v komp'yuternykh sistemakh (Processing, Transmission and Protection of Information in Computer Systems), Collection of reports of the Second International Scientific Conference, St. Petersburg, April 11–15, 2022, рр. 15–18. (in Russ.)Ходашинский И. А., Сарин К. С. Отбор классифицирующих признаков с помощью популяционного случайного поиска с памятью // Автоматика и телемеханика. 2019. № 2. С. 161—172.Hodashinsky I.A., Sarin K.S. Automation and Remote Control, 2019, no. 2(80), pp. 324–333.Гончаров Ю. В., Мучник И. Б., Шварцер Л. В. Алгоритм выбора признаков в задаче обучения классификации методом опорных векторов // Журнал вычислительной математики и математической физики. 2008. Т. 48, вып. 7. С. 1318—1336.Goncharov Yu.V., Muchnik I.B., Shvartser L.V. Computational Mathematics and Mathematical Physics, 2008, no. 7(48), pp. 1243–1260.Глумов Н. И., Мясников Е. В. Метод отбора информативных признаков на цифровых изображениях // Компьютерная оптика. 2007. № 3. С. 73—76.Glumov N.I., Myasnikov E.V. Computer optics, 2007, no. 3, pp. 73–76. (in Russ.)Картиев С. Б., Курейчик В. М. Алгоритм классификации, основанный на принципах случайного леса, для решения задачи прогнозирования // Программные продукты и системы. 2016. Т. 114, вып. 2. С. 11—15.Kartiev S.B., Kureichik V.M. Software & Systems, 2016, no. 2(114), pp. 11–15. (in Russ.)Попов Н. В., Размочаева Н. В., Клионский Д. М. Исследование алгоритмов снижения размерности пространства признаков в задаче анализа клиентских данных // Наука настоящего и будущего. 2020. С. 31—36.Popov N.V., Razmochayeva N.V., Klionsky D.M. Fifth Conference on Software Engineering and Information Management (SEIM-2020), St. Petersburg. 2020, рр. 31–36.Moody G. B., Mark R. G. The impact of the MIT-BIH Arrhythmia Database // IEEE Engineering in Medicine and Biology. 2001. Vol. 20, N 3. Р. 45—50.Moody G.B., Mark R.G. IEEE Engineering in Medicine and Biology, 2001, no. 3(20), pp. 45–50.St. Petersburg INCART 12-lead Arrhythmia Database. 2008 [Электронный ресурс]: <https://physionet.org/content/incartdb/1.0.0/>. (дата обращения 15.01.2024).St. Petersburg INCART 12-lead Arrhythmia Database, 2008, https://physionet.org/content/incartdb/1.0.0/.

The authors declare that there are no conflicts of interest present.