Hybrid SVM for Multiclass Arrhythmia Classification

Joshi, Aniruddha; Chandran, Sharat; Jayaraman, Vaidyanathan; Kulkarni, Bhaskar D.

doi:10.1109/bibm.2009.73

Cited by 13 publications

(2 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The study also performed several segmentation variations and showed that fuzzy c-means clustering (FCM) could help reduce the same segments on training data. Other studies classified arrhythmias using hybrid support vector machine (SVM) algorithms and were assessed to reduce detection errors [38].…”

Section: Arrhythmia Detection Methodsmentioning

confidence: 99%

Review: Analisis Fitur Deteksi Aritmia dan Metode Deep Learning untuk Wearable Devices

Buana

Hudati

2022

JNTETI

View full text Add to dashboard Cite

Aritmia merupakan salah satu gangguan jantung, yang mungkin tidak berbahaya dalam waktu dekat, tetapi dapat mengakibatkan abnormalitas jangka panjang. Meskipun tidak berbahaya, harus ada penanganan medis yang segera dilakukan dan perubahan lifestyle menjadi lebih baik. Deteksi aritmia umumnya dilakukan dengan elektrokardiograf (EKG) long recording menggunakan monitor Holter dan kemudian dianalisis ritmenya. Perekaman dengan Holter yang memerlukan waktu beberapa hari dapat mengganggu fisiologis pasien. Banyak penelitian telah dilakukan untuk membangun algoritme pendeteksian aritmia, dengan beragam sumber data, fitur, dan juga metode pendeteksian. Namun, permasalahan yang umum dihadapi oleh banyak peneliti adalah masalah waktu komputasi dan kompleksnya fitur yang dideteksi. Studi ini dilakukan untuk melakukan review terhadap penelitian yang sudah dilakukan terkait dengan penggunaan data, fitur, dan juga metode deep learning yang dapat menyelesaikan masalah waktu komputasi dan memungkinkan implementasi pada wearable devices. Studi diawali dengan pencarian literatur terkait, kemudian melihat basis data yang digunakan untuk membangun model deteksi. Selanjutnya, review dilanjutkan dengan menelaah fitur EKG yang digunakan dan juga metode deep learning yang diimplementasikan. Dari hasil review yang dilakukan, data yang umum digunakan adalah data yang bersumber dari dataset MIT-BIH, meskipun penggunaan data dinilai masih perlu pre-processing yang cukup rumit. Convolutional neural network (CNN) merupakan metode yang banyak digunakan, walaupun waktu komputasi menjadi salah satu pertimbangan. Analisis yang paling tepat untuk pendeteksian gangguan ritme dan memiliki waktu komputasi yang rendah adalah fitur interval sinyal EKG dengan analisis di domain waktu. Fitur tersebut nantinya akan digunakan sebagai masukan deep learning. Dengan begitu, waktu komputasi akan dapat banyak dikurangi, terutama ketika diterapkan pada wearable devices.

show abstract

Section: Arrhythmia Detection Methodsmentioning

confidence: 99%

Review: Analisis Fitur Deteksi Aritmia dan Metode Deep Learning untuk Wearable Devices

Buana

Hudati

2022

JNTETI

View full text Add to dashboard Cite

show abstract

“…Here method for ranking relies on the DNN posterior probabilities to associate confidence measures such as entropy and Breaking-Ties (BT) to each test beat in the ECG record under analysis. Aniruddha.J.Joshi et al showed that the problem of class imbalance which is rife in biomedical signals have been overcome by a Holder-SVM detection algorithm using a novel hybrid arrangement of binary and multi-class SVMs with highest accuracy [13]. By integrating a 16-layer convolutional neural network (CNN), recurrent cells and attention module, a DNN model obtaining both spatial and temporal fusion of information from ECG signals has been developed by Qihang Yao et al [14].…”

Section: Literature Reviewmentioning

confidence: 99%

Deep Neural Network Based Real Time Multi-Class Arrhythmia Classification in IoT-Cloud Platform

Ank

Niyas

2021

Preprint

View full text Add to dashboard Cite

An arrhythmia is a condition which represents irregular beating of the heart, beating of the heart too fast, too slow, or too early compared to a normal heartbeat. Diagnosis of various cardiac conditions can be done by the proper analysis, detection, and classification of life-threatening arrhythmia. Computer aided automatic detection can provide accurate and fast results when compared with manual processing. This paper proposes a reliable and novel arrhythmia classification approach using deep learning. A Deep Neural Network (DNN) with three hidden layers has been developed for arrhythmia classification using MIT-BIH arrhythmia database. The network classifies the input ECG signals into six groups: normal heartbeat and five arrhythmia classes. The proposed model was found to be very promising with an accuracy of 99.45 percent. The real time signal classification and the application of internet of things (IOT) are the other highlights of the work.

show abstract