Memorias II Congreso Latinoamericano de Ingeniera Biomdica, Habana 2001, Mayo 23 al 25, 2001, La Habana, Cuba

UTILIZACIN DEL MODELO DE KOHONEN Y DEL

PERCEPTRON MULTICAPA PARA DETECTAR ARRITMIAS
CARDACAS
L. Barbosa, G. H. Kleisinger, A. D. Valdez, J. E. Monzn
Facultad de Ciencias Exactas, Universidad Nacional del Nordeste
9 de Julio 1449, (3400) Corrientes, Argentina gretchen@exa.unne.edu.ar

RESUMEN
La aplicacin de las redes neuronales artificiales se ha
extendido a diversas disciplinas, debido principalmente a
sus caractersticas de adaptividad, confiabilidad y autoorganizacin. En este trabajo presentamos dos sistemas
de deteccin de contracciones ventriculares prematuras
(PVC) basados en el modelo de Kohonen y en el
perceptron multicapa. Las seales electrocardiogrficas
empleadas fueron extradas de la base de datos de
arritmias del MIT-BIH. El detector que utiliza topologa
MLP exhibe mayores sensibilidad y predictividad
positiva que LVQ. Para mejorar la eficacia del modelo
de Kohonen habra que implementar una combinacin
de SOM y LVQ para proveer una aproximacin al
espacio de entrada de manera no-supervisada.
Palabras clave: MIT-BIH Database, redes neuronales,
detector de arritmias, seal electrocardiogrfica..

1. INTRODUCCIN
La aplicacin de las redes neuronales artificiales se ha
extendido a diversas disciplinas, debido principalmente a
sus caractersticas de adaptividad, confiabilidad y autoorganizacin. Una ventaja destacable para el
procesamiento de datos radica en la posibilidad de su
implementacin con tecnologas especficas disponibles,
que posibilitan su operacin en tiempo real.
Dos de las topologas de red ms difundidas son el
Perceptron Multicapa (MLP Multilayer Perceptron) y
el denominado Modelo de Kohonen.
Perceptron Multicapa (MLP). El Perceptron
Multicapa se caracteriza por presentar una no-linealidad
en la salida, capas de neuronas ocultas y un alto grado de
conectividad. Es de entrenamiento supervisado. Utiliza el
algoritmo de retro-propagacin del error. Este algoritmo
est basado en la regla de aprendizaje por correccin de
error, considerada como una generalizacin del
algoritmo de los cuadrados mnimos (LMS), utilizado en
filtrado adaptivo mediante redes lineales simples [5]. Su
operacin consta de dos fases, una directa y una inversa o

de retroceso. En la fase directa, se ingresa el patrn de

actividad en la capa de entrada de la red (vector de
entrada), que recorre todas las capas subsiguientes. Se
obtiene la respuesta real de la red en la capa de salida. En
esta fase, los pesos sinpticos de la red permanecen fijos.
En la fase inversa, los pesos sinpticos son ajustados de
acuerdo con la regla de correccin del error. Esta regla,
conocida como mtodo de Levenberg-Marquardt [14],
minimiza el cuadrado de las diferencias entre la
respuesta o salida deseada y la salida real de la red. Las
redes del tipo MLP son muy utilizadas en el
procesamiento de bioseales cardacas para el
diagnstico mdico [2], [4].
Modelo de Kohonen. Ciertas evidencias sugieren que
algunas neuronas cerebrales se organizan en zonas, de
manera que las informaciones recibidas de los rganos
sensoriales se representan internamente en forma de
mapas topolgicos, segn un cierto aprendizaje. El
Modelo de Kohonen pertenece al grupo de algoritmos de
codificacin del vector. El modelo genera un mapa
topolgico para ubicar de manera ptima, un nmero fijo
de vectores en un espacio de entrada de mayor
dimensin, y as facilitar la compresin de datos [5]. La
derivacin de este modelo presenta dos variantes: el
Mapa Auto-organizativo (SOM Self-Organizing Map) y
el Learning Vector Quantization (LVQ). Ambas
variantes se basan en el principio de formacin de mapas
topolgicos para establecer caractersticas comunes entre
los vectores (informaciones) de entrada a la red. Difieren
en las dimensiones de los vectores de entrada, siendo
multidimensional en el caso de SOM y unidimensional
en LVQ [6]. LVQ es una tcnica de aprendizaje
supervisado, que explota la estructura esencial del vector
de entrada a los fines de la compresin de datos. Un
espacio de entrada se divide en un nmero de regiones
distintas, y se define un vector reproduccin para cada
regin. Cuando se presenta un nuevo vector de entrada,
se determina a qu regin pertenece y se lo representa
por el vector reproduccin de esa regin, obteniendo un
considerable ahorro de almacenamiento [5]. La
arquitectura de la red LVQ presenta dos capas con N
neuronas de entrada y M de salida. Cada una de las N
neuronas de entrada se conecta a las M de salida hacia
adelante (feedforward). Entre las neuronas de la capa de
salida, existen conexiones laterales de inhibicin (peso
negativo). El valor que se asigne a los pesos de las
conexiones feedforward entre las capas de entrada y
salida durante el proceso de aprendizaje de la red, va a
depender de esta interaccin lateral. El aprendizaje es de

950-7132-57-5 (c) 2001, Sociedad Cubana de Bioingeniera, artculo 00346

tipo competitivo. Las neuronas de la salida compiten por

activarse y slo una de ellas permanece activa ante una
determinada informacin de entrada a la red. Esta
neurona se denomina prevalente o vencedora, y en
funcin de ella se ajustan los pesos de las conexiones [6].
En trabajos previos hemos utilizado MLP para
filtrado adaptivo de bioseales [10], para la clasificacin
de patrones del ritmo cardaco [11] y para la
identificacin de contracciones ventriculares anormales
[9], [12], [13]. El objetivo del presente trabajo es utilizar
la topologa LVQ de red neuronal, y comparar su
desempeo con MLP en la deteccin de arrtimias
ventriculares.

Datos de entrenamiento y prueba. Los mismos datos

electrocardiogrficos alimentan la capa de entrada de
ambas redes y consisten en 6 intervalos RR consecutivos,
el promedio de los 10 intervalos RR anteriores y el ancho
del complejo QRS [7]. Para la extraccin de estos
patrones de entrada, se utiliz el algoritmo de deteccin
de QRS propuesto por Afonso [1]. Este algoritmo, al
igual que las RNA, fueron implementados con MATLAB
(The Mathworks, Natick, Massachusetts) y el Neural
Network Toolbox 3.0 [3]. El registro 106 utilizado para
el entrenamiento contiene 520 PVC, sobre un total de
2027 latidos. Se dividi el registro en tres sub-conjuntos:
con dos de ellos se realiza el entrenamiento y con el
restante el proceso de prueba. Se reitera este
procedimiento para las tres combinaciones posibles,
segn el mtodo indicado por Hu y colaboradores [8].
Neuronas de salida

2. MATERIALES Y MTODOS
Hardware. Procesador Intel Pentium I de 166 MHz, 32
Mb de RAM, bajo sistema operativo Windows'95.
Seales electrocardiogrficas. De la base de datos de
arrtimias cardacas del MIT-BIH [15], se ha seleccionado
el registro 106 como patrn de entrenamiento y los
registros 105, 119 y 200, que presentan un adecuada
variedad de arritmias ventriculares, bajo la forma de PVC
(Premature Ventricular Contraction) [16].
Redes neuronales. La Figura 1 muestra la topologa de
la red MLP: 8 nodos en la capa de entrada, 4 en la capa
oculta y uno en la capa de salida, donde se indica la
deteccin de PVC (0) o de latido normal (1). La Figura 2
ilustra la arquitectura de red LVQ, que presenta 8 nodos
en la capa de entrada y 4 en la de salida. La neurona
vencedora en la capa de salida determinar un latido
normal (1), o PVC (2).

Neuronas de entrada
Fig. 2. LVQ (Learning Vector Quantization)

Se pretende que las redes clasifiquen los latidos

ventriculares en normales y anormales. Estos ltimos se
manifiestan antes del tiempo (intervalo RR corto) que
correspondera a un latido normal, seguido de un latido
compensatorio (intervalo RR largo).

Neurona de salida

3. DISCUSIN DE RESULTADOS

Neuronas de entrada
Fig. 1. MLP (Perceptron Multicapa)

En las Tablas I y II se exponen los resultados del

estudio comparativo entre las topologas MLP y LVQ.
Las columnas indican los valores obtenidos para evaluar
la habilidad de ambos detectores: Sensibilidad, S=TP/(TP
+ FN); Especificidad, E=TN/(TN + FP); Predictividad
Positiva, PP=TP/(TP + FP) y Tasa de Falsos Positivos,
TFP=TP/(TP + FN). Las filas corresponden a las seales
105, 119 y 200 utilizadas en la prueba. Los clculos se
realizan teniendo en cuenta la cantidad de verdaderos y
falsos positivos (TP y FP) y de verdaderos y falsos
negativos (TN y FN), segn la informacin consignada
en cada registro del MIT-BIH y la obtenida en el proceso
experimental.

[4]

Tabla I
Eficacia del detector basado en MLP
REGISTRO

PP

TFP

105

0.98

0.59

0.02

119

0.99

0.98

0.94

0.02

0.92 0.98 0.95 0.02

Tabla II
Eficacia del detector basado en LVQ

200

REGISTRO

PP

TFP

105

0.96

0.97

0.51

0.03

119

0.93

0.79

0.78

0.06

200

0.68

0.97

0.89

0.03

De lo valores expuestos en las Tablas I y II, surge que

el Perceptron Multicapa tiene un mejor desempeo que
LVQ en la deteccin de arritmias ventriculares en los tres
registros electrocardiogrficos utilizados.

4. CONCLUSIONES
Para mejorar la eficacia del Modelo de Kohonen
como detector de arritmias cardacas, se debera
implementar una combinacin de las variantes SOM y
LVQ. De esta forma, como lo indica Haykin [5], el Mapa
Auto-organizativo proveera una aproximacin al espacio
de entrada de una manera no supervisada, para luego
aplicar la metodologa supervisada de LVQ.

AGRADECIMIENTOS
Este trabajo fue realizado con aportes de la Secretara
General de Ciencia y Tcnica de la Universidad Nacional
del Nordeste (Corrientes, Argentina), P.I. N 449.

REFERENCIAS
[1]
[2]

[3]

V. X. Afonso, ECG QRS Detection, in W.J. Tompkins (editor),

Biomedical Digital Signal Processing, Englewood Cliffs,
NJ:Prentice-Hall, 1993.
W. Baxt, The application of the artificial neural network to clinical
decision making, Conference on Neural Information Processing
Systems: Natural and Synthetic. Denver, Colorado, USA, 1992.
D. Hanselman and B.Littlefield, MATLAB Users Guide,
Englewood Cliffs, New Jersey:Prentice-Hall, 1995.

R. S. Harrison, S. Marshall and R. Kennedy, The early diagnosis of

heart attacks: A neurocomputational approach, International Joint
Conference on Neural Networks, Seattle, Washington, USA, Vol.
1, pp. 1-5, 1991.
[5]
S. Haykin, Neural networks: a comprehensive foundation,
Englewood Cliffs, New Jersey: IEEE Press Macmillan, 1994.
[6]
J. R. Hilera and V. J. Martnez, Redes Neuronales Artificiales:
Fundamentos, modelos y aplicaciones. Madrid, Espaa: RAMA
Editorial, 1995.
[7]
Y. H. Hu, Pattern Classification with Multiple Classifiers,
Department of Electrical and Computer Engineering, University of
Wisconsin-Madison, 1996.
[8]
Y. H. Hu, W. J. Tompkins, J. L. Urrusti and V. X. Afonso,
Applications of Artificial Neural Networks for ECG Signal
Detection and Classification, Journal of Electrocardiology, Vol.
26, pp. 66-73, 1994.
[9]
G. H. Kleisinger, L. Barbosa and J. E. Monzn JE, NeuralNetwork Detection of Abnormal Ventricular Beats Using Temporal
and Morphological Features of the Electrocardiographic Signal,
Proceedings of the Fourth World Multiconference on Systemics,
Cybernetics and Informatics, Orlando, Florida, USA, 2000.
[10] S. F. Lovatto and J. E. Monzn, Filtrado Adaptivo Digital
mediante Redes Neuronales Artificiales, VII Simposio
Latinoamericano de Ingeniera Biomdica, Bucaramanga,
Colombia, 1996.
[11] S. F. Lovatto and J. E. Monzn, Clasificacin de Patrones del
Ritmo Cardaco con Redes Neuronales Heteroasociativas, Reunin
de Comunicaciones Cientficas y Tecnolgicas de la Universidad
Nacional del Nordeste, Corrientes, Argentina, 1997.
[12] S. F. Lovatto and J. E. Monzn JE, Anlisis del ECG con redes
neuronales multicapa para la identificacin de contracciones
ventriculares anormales, Reunin de Comunicaciones Cientficas
y Tecnolgicas de la Universidad Nacional del Nordeste.
Resistencia, Argentina, 1998.
[13] S. F. Lovatto and J. E. Monzn, Reconocimiento de Contracciones
Ventriculares Prematuras Utilizando Redes Neuronales de la Clase
MLP, Revista Argentina de Bioingeniera, Vol. 4, N 2, pp. 2327, 1998.
[14]D. W. Marquardt, An algorithm for least-squares estimation of
nonlinear parameters, J. SIAM, 11, pp. 431-441, 1963.
[15] Massachusetts Institute of Technology (MIT)-Beth Israel Hospital
(BIH) Database Distribution, MIT, 77 Massachusetts Avenue,
Room 20A-113, Cambridge, MA 02139.
[16] G. B. Moody, ECG Database Applications Guide, Tenth Edition,
Boston, Massachusetts:Harvard-MIT Division of Health Sciences,
1997.

CARDIAC ARRHYTHMIA DETECTOR

USING MLP AND LVQ
ABSTRACT
Applications of neural-network-based algorithms can be found in several areas, mainly due to its characteristics
of adaptivity, reliability and self-organization. In this paper we present two detecting systems to identify
premature ventricular contractions (PVC). The systems are based on the Kohonen model and on the multi-layer
perceptron. We used electrocardiographic signals extracted from the MIT-BIH arrhythmia database. The detector
based on MLP topology shows higher sensitivity and positive predictivity than the one based on LVQ. To
improve the performance of the Kohonen model, a combination of SOM and LVQ should be implemented. This
would provide with an approximation to the input space in a non-supervised mode.
Keywords: MIT-BIH Database, neural networks, arrhythmia detector, electrocardiographic signal.