Atrial Fibrillation Detection from Wrist Photoplethysmography Data Using Artificial Neural Networks

Yousefi, Zeinab Rezaei; Parák, Jakub; Tarniceriu, Adrian; Harju, Jarkko; Yli‐Hankala, Arvi; Korhonen, Ilkka; Vehkaoja, Antti

doi:10.1007/978-981-10-9038-7_75

Cited by 4 publications

(1 citation statement)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Existen varios estudios para la detección y/o clasificación de arritmias. La mayoría de los estudios que utilizan solamente la onda fotopletismográfica están orientados a la identificación de fibrilación auricular (Bonomi et al, 2018), (Poh et al, 2018), (Rezaei Yousefi, 2018), (Shashikumar et al, 2017), (Stankevičius et al, 2016). Para otros tipos de arritmias además de la utilización tradicional del ECG se incorpora la onda fotopletismográfica (Eerikäinen et al, 2015), (Fallet et al, 2015), (Kalidas & Tamil, 2015), (Clifford et al, 2015), (Sadr et al, 2015).…”

Section: Marco Teóricounclassified

Detección de arritmias a partir de la determinación de la frecuencia cardiaca con fotopletismografía

Carralero-Paredes¹,

Suárez-León

Sóñora-Mengana³

et al. 2021

View full text Add to dashboard Cite

Las enfermedades cardiovasculares (ECV) cobran la vida de cerca de 18 millones de personas cada año, constituyendo la principal causa de muerte e incapacidad en el mundo. Entre las enfermedades cardiovasculares, las arritmias cardiacas son las más comunes. Desde hace varios años, nuevos estudios han destacado las potencialidades de la onda fotopletismográfica para detectar arritmias, superando en sencillez y reducción de costos a la electrocardiografía (ECG). En este estudio se propone un método de detección de picos sistólicos de la onda fotopletismográfica para determinar la frecuencia cardiaca y con ello establecer la presencia de taquicardia, bradicardia o asístole. El método de detección de picos sistólicos calcula la primera derivada de la señal previamente filtrada. A continuación aplica un proceso de umbralización. Finalmente, en una etapa de agrupamiento se emplea el algoritmo DBSCAN. El algoritmo de detección de picos fue evaluado en 42 señales de una base de datos internacional multiparamétrica para la estimación del RR. La evaluación del método mostró alta exactitud y precisión (0±2 ms) y una sensibilidad y valor predictivo positivo del 99 %. Estos resultados permiten determinar la frecuencia cardiaca con una exactitud y precisión de 0±1 latido por minuto. Además, este algoritmo es evaluado en clasificación de arritmias utilizando 155 señales de la base de datos del PhysioNet/Computing in Cardiology Challenge del 2015. Para esta evaluación el algoritmo mostró resultados aceptables en la detección de asístole, bradicardia y taquicardia. La sensibilidad y el valor predictivo positivo fue del 79% y 88% para asístole, 74% y 64% para bradicardia y, 80% y 99% para taquicardia respectivamente. La efectividad del método puede afectarse en registros de señales con grandes variaciones de amplitud y/o con relaciones señal-ruido (SNR) bajas. No obstante, los resultados en estas condiciones son aceptables y son muy buenos en señales de alto SNR.

show abstract

Section: Marco Teóricounclassified

Detección de arritmias a partir de la determinación de la frecuencia cardiaca con fotopletismografía

Carralero-Paredes¹,

Suárez-León

Sóñora-Mengana³

et al. 2021

View full text Add to dashboard Cite

show abstract

Personalized anomaly detection in PPG data using representation learning and biometric identification

Ghorbani,

Reinders,

Tax

2024

Biomedical Signal Processing and Control

View full text Add to dashboard Cite

Photoplethysmography based atrial fibrillation detection: a continually growing field

Ding,

Xiao,

Wang

et al. 2024

Physiol. Meas.

View full text Add to dashboard Cite

Atrial fibrillation (AF) is a prevalent cardiac arrhythmia associated with significant health ramifications, including an elevated susceptibility to ischemic stroke, heart disease, and heightened mortality. Photoplethysmography (PPG) has emerged as a promising technology for continuous AF monitoring for its cost-effectiveness and widespread integration into wearable devices. Our team previously conducted an exhaustive review on PPG-based AF detection before June 2019. However, since then, more advanced technologies have emerged in this field. This paper offers a comprehensive review of the latest advancements in PPG-based AF detection, utilizing digital health and artificial intelligence (AI) solutions, within the timeframe spanning from July 2019 to December 2022. Through extensive exploration of scientific databases, we have identified 57 pertinent studies. Our comprehensive review encompasses an in-depth assessment of the statistical methodologies, traditional machine learning techniques, and deep learning approaches employed in these studies. In addition, we address the challenges encountered in the domain of PPG-based AF detection. Furthermore, we maintain a dedicated website to curate the latest research in this area, with regular updates on a regular basis.

show abstract

Atrial Fibrillation Detection from Wrist Photoplethysmography Data Using Artificial Neural Networks

Cited by 4 publications

References 14 publications

Detección de arritmias a partir de la determinación de la frecuencia cardiaca con fotopletismografía

Detección de arritmias a partir de la determinación de la frecuencia cardiaca con fotopletismografía

Personalized anomaly detection in PPG data using representation learning and biometric identification

Photoplethysmography based atrial fibrillation detection: a continually growing field

Contact Info

Product

Resources

About