Universidad Autnoma de Sinaloa Posgrado en Ciencias de la Informacin

Protocolo de Tesis
Dr. Esteban Guadalupe Vzquez Becerra

Evaluacin del desempeo de algoritmos de clasificacin de ECGs digitales en diferentes plataformas computacionales
Daniel Ernesto Lpez Barrn Dr. Ins Fernando Vega Lpez

Contenido
Introduccin
Definicin del problema Objetivos

Justificacin Revisin bibliogrfica Metodologa Referencias

Introduccin
El apoyo del rea Informtica al rea de la Electrocardiografa, es evidente en las propuestas de algoritmos para la deteccin y clasificacin de anomalas que se son observadas en la actividad elctrica del corazn [1-3].

Introduccin
El electrocardiograma (ECG) es un examen mdico, donde se registra la actividad elctrica del corazn [4], en un periodo finito de tiempo. Por medio del ECG, los cardilogos pueden detectar anomalas.

Introduccin (Continuacin)
La comunidad cientfica ha particularizado las medidas de desempeo de los clasificadores. Debido a que el desempeo de los clasificadores se determina por la precisin que el algoritmo demuestre [5-7]. Esto ignora las caractersticas operacionales del algoritmo.

Introduccin (Continuacin)
La comunidad cientfica no ha abordado las caractersticas operacionales de los algoritmos [8], a pesar de la amplia variedad de plataformas computacionales disponibles para realizar un estudio. Ejemplo: 1) Cmputo de escritorio, 2) Cmputo mvil y 3) Cmputo en la nube.

Justificacin
A partir de un ECG digital, un algoritmo de clasificacin puede reconocer comportamiento anmalo e informar al cardilogo que comportamiento fue observado de forma eficaz [9]. Utilizar un algoritmo de clasificacin automatiza el proceso de anlisis del ECG, clasificando una mayor cantidad anomalas comparado con el proceso manual.

Justificacin (Continuacin)
La literatura reporta numerosos estudios donde se contrastan clasificadores, de acuerdo con su precisin [7-10]; pero estos estudios no evalan la eficiencia en tiempo de ejecucin.

Justificacin (Continuacin)
Actualmente contamos con ms de una plataforma computacional [11,12]. Estas plataformas tienen ventajas y desventajas entre si considerando poder de cmputo y portabilidad.

10

Objetivos
Objetivo General
Determinar que caractersticas de una plataforma computacional afectan el desempeo de los clasificadores de ECGs digitales.

Objetivos Especficos
Determinar en base al tiempo de ejecucin cual es el mejor algoritmo de clasificacin de ECGs digitales. Determinar si son las mismas caractersticas computacionales las que impactan en el tiempo de ejecucin de los algoritmos de clasificacin.

11

Revisin Bibliogrfica
La literatura reporta trabajo asociado a la clasificacin de patrones en ECGs digitales. No obstante, estos trabajos no tienen una clara convergencia respecto a un nico mtodo de clasificacin de ECGs digitales. La clasificacin de ECGs digitales se ha basado en ciertas caractersticas implcitas en el mismo ECG para intentar asociar este objeto a una clase [5].

12

Revisin Bibliogrfica (Continuacin)

Al abstraer al ECG como una secuencia de valores registrados en un lapso finito de tiempo, estamos describiendo una serie de tiempo de manera que es posible aplicar las tcnicas de clasificacin de series de tiempo en ECGs digitales. En [12] remarcan tres diferentes tipos de clasificadores de secuencias: 1) Basados en distancia, 2) Basados en caractersticas y 3) Basados en modelos.

13

Revisin Bibliogrfica (Continuacin)

Los clasificadores basados en distancia definen una funcin que les permite cuantificar la semejanza entre dos ECGs y as establecer que tanto se parece uno del otro (e.g. k-Nearest Neighbor o k-NN). En [9] reporta el uso de k-NN para detectar Infarto al Miocardio (MI, por sus siglas en ingls), en este trabajo, los autores utilizan la funcin de distancia Euclideana, adems extraen caractersticas basadas en el tiempo; duracin de distintos eventos en el ECG, como la duracin de la onda P, el segmento Q-T y el segmento S-T con una sensibilidad del 99.97% y una especificidad 99.9%.
14

Revisin Bibliogrfica (Continuacin)

En [6] se reportan la ejecucin de k-NN en la identificacin de siete clases de cardiopatas (Normal, LBBB, RBBB, PVC, APB, VE, VF). En este trabajo, se realiza un pre-procesamiento de la seal, aplicando la transformada discreta de wavelet (DWT por sus siglas en ingls) para eliminar el ruido, este clasificador tiene una precisin del 98.2%, , en este trabajo k toma valores entre 1 y 10. En [6], los autores recomiendan definir k como nmero primo, cuando el problema de clasificacin es binario; es decir, involucra solo dos clases, de esta manera nunca se producirn empates, para este trabajo k toma los valores de 1, 3, 5, 7 y 9. Adems, los autores consideran las funciones de distancia Euclideana, City Blocks y la funcin de correlacin para evaluar la semejanza de los k vecinos.

15

Revisin Bibliogrfica (Continuacin)

Adems, los autores sugieren que entre mayor cantidad de datos reciba la ANN mejores sern sus resultados, en los experimentos se contrast el desempeo de una ANN con 12 nodos en la capa de entrada, frente a otra topologa con 25, donde la topologa con mayor cantidad de nodos obtuvo mejores resultados. En el estudio presentado por [6], se definen cuatro topologas distintas de redes neuronales de tipo perceptron multicapa con retropropagacin (MLP-BP por sus siglas en ingls), dos de las topologas utilizan 15 nodos en su capa oculta y el par restante utiliza 25 nodos. Todas las topologas de MLP-BP cuentan con una capa oculta.
16

Revisin Bibliogrfica (Continuacin)

Continuando con la clasificacin de [12]los clasificadores basados en caractersticas realizan un proceso para extraer dichas caractersticas de la secuencia, mismas que alimentarn al clasificador (e.g. rboles de decisin y las redes neuronales artificiales o ANN por sus siglas en ingls). En un estudio presentado por [13], se evaluaron diferentes topologas de ANNs y sugirieron que entre mayor cantidad de nodos tenga la capa oculta de la red neuronal, ms sencillo ser su entrenamiento, reduciendo el nmero de iteraciones.

17

Metodologa
1.- Conformacin de los datos.
obtencin de las bases de datos de ECGs digitales; es decir, la descarga de los archivos del sitio web de Physionet. As mismo, realizaremos la solicitud de los archivos de ECGs digitales al INCICh. Extraen los patrones de inters, basados en las anotaciones hechas, a los archivos de ECG por los cardilogos. Normalizacin de los datos, de forma el proyecto se realizar utilizando los valores flotantes en el archivo de ECG. Implementacin de un algoritmo para la deteccin de latidos en el ECG.
18

Metodologa (Continuacin)
2.- Configuracin de las plataformas computacionales.
Configuracin de todas las plataformas computacionales. Revisin de las plataformas en la nube. Revisin de la plataforma mvil. Configuracin de todas las plataformas y los ambientes de desarrollo que se utilizaran para la programacin de los algoritmos. Implementacin de una plataforma propia en el rea de posgrado de la Facultad de Informtica.

19

Metodologa (Continuacin)
3.- Desarrollo de Algoritmos de Clasificacin de ECGs digitales.
Esta parte es la configuracin y elaboracin de los algoritmos de clasificacin. El primer punto en esta actividad es establecer el valor de k para el clasificador k-NN. Establecer las caractersticas del clasificador ANN. Establecer el modelo para el clasificador HMM. Conformacin del conjunto de entrenamiento, pruebas y validacin de nuestros clasificadores.

20

Metodologa (Continuacin)
4.- Ejecucin de los experimentos.
Entrenamiento de todos los algoritmos de clasificacin en todas las plataformas. Ejecucin de los algoritmos de clasificacin para evaluar su desempeo. Recopilacin de los resultados de las ejecuciones de los algoritmos.

5.- Escritura del documento.

21

Metodologa (Continuacin)
Meses
Actividades Descripcin Julio 2012 1. Conformacin de datos 1.a Obtencin de los ECGs digitales. 1.b Extraccin de los patrones de inters de las bases de datos. 1.c Normalizacin de los patrones de inters. 1.d Algoritmo para la deteccin de latidos. 2. Seleccin y Configuracin de las plataformas computacionales 2.b Seleccin y configuracin de la plataforma de cmputo mvil. 2.c Seleccin y configuracin de los ambientes de cmputo en la nube 2.d Realizar la configuracin de una plataforma de cmputo en la nube local 3. Desarrollo de algoritmos de clasificacin de ECGs 3.a Estimar el valor de k para el algoritmo k-NN. 2.a Seleccin y configuracin de la plataforma de escritorio Agt. 2012 Sep. 2012 Oct. 2012 Nov. 2012 Dic. 2012 Enero 2013 Feb. 2013 Marzo 2013 Abril 2013 Mayo 2013 Junio 2013 Julio 2013

22

Metodologa (Continuacin)
Meses Actividades Descripcin Julio 2012 Agt. 2012 Sep. 2012 Oct. 2012 Nov. 2012 Dic. 2012 Enero 2013 Feb. 2013 Marzo 2013 3.b Evaluar la configuracin del algoritmo ANN. 3.c Evaluar la configuracin del HMM. 3.d Conformacin de los conjuntos de entrenamiento, pruebas y validacin. 4. Ejecucin de 4.a Entrenamiento de los experimentos modelos de clasificacin 4.b Ejecucin de los experimentos en las plataformas. 4.c Recopilacin de resultados. 5. Escritura del 5.a Escritura y revisin del documento documento de tesis. Abril 2013 Mayo 2013 Junio 2013 Julio 2013

23

Referencias
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. Bani-Hasan, M., Kadah, Y., & El-Hefnawi, F. (2010). Identification of Cardiac Arrhytmias using Natural Resonance Complex Frecuencies. International Journal of Biological and Life Science, 143--149. Arif, M., Malagore, I., & Afsar, F. (2012). Detecting and Localization of Myocardial Infraction using K-neares Neighbor Classifier. Springer Science+Business, 219--289. Nasehi, S., & Pourghassem, H. (2012). Seizure Detection Algorithms Based on Analysis of EEG and ECG Signals: A Survey. Neurophysiology, 1--5. Goldschalager, N., & Goldman, M. (1992). Principios de Electrocardiografa Clnica. Manual Moderno (10 ed.). Mxico, Mxico. Jekova, I., Bortolan, G., & Christov, I. (2008). Assessment and comparison of different methods for heartbeat classification. Medical Engineering & Physics 30, 248--257. Homaeinezhad, M., Atyabi, S., Tavakkoli, E., Toosi, H., Ghaffari, A., & Ebrahimpour, R. (2011). ECG arrhythmia recognition via a neuro-SVMKNN hybrid classifier with virtual QRS image-based geometrical features. Expert Systems with Application, 2047--2058. Saini, I., Singh, D., & Khosla, A. (2012). Classification of RR-Interval and Blood Pressure for Different Postures using KNN Algorithm. International Journal of Signal Processing, Image Processing and Pattern Recognition , 13-20. Darrington, J., & Hool, L. (2008). BMC Medical Informatics and Decision Making. BioMed Central Open Access. Muhammad, A., Ijaz, A., & AA, &. F. (2010). Detect ion and Localiza tion of Myocardial Infarction using K-nearest Neighbor Classifier. J. Med. Syst., 279--289. Xu, Q., Erman, J., Gerber, A., Morley-Mao, Z., Pang, J., & Venkataraman, S. (2011). Identifying Diverse Usage Behaviors of Smartphone Apps. ACM IMC. Vaquero, L., Rodero-Merino, L., Caceres, J., & Lindner, M. (2009). A Break in the Clouds: Towards a Cloud Definition. ACM SIGCOMM. Xing, Z., Pei, J., & Keogh, E. (2010). A Brief Survey on Sequence Classification. SIGKDD, 13, 40--48. Gholam-Hosseini, H., Lou, D., & Reynolds, K. (2005). The comparison of different feed forward neural network architectures for ECG signal diagnosis. Medical Engineering & Physics .

24

Evaluacin del desempeo de algoritmos de clasificacin de ECGs digitales en diferentes plataformas computacionales
Daniel Ernesto Lpez Barrn Dr. Ins Fernando Vega Lpez