Nuevos desarrollos y aplicaciones basados en métodos estocásticos para el agrupamiento no supervisado de latidos en señales electrocardiográficas

Abstract

The work developed and presented in this thesis continues the research line started with another PhD. thesis entitled "Estudio de métodos para procesamiento y agrupación de señales electrocardiográficas". The algorithms and methods used here have been developed to automatically process the information contained within a special kind of long-time electrocardiographic registers (called Holter ECG). The aim of the work is to provide doctors and cardiologists with a complete set of tools that make them easier the task of analysing and diagnosing the cardiac diseases. To perform this, we will apply to the Holter ECG a clustering process in order to automatically group the heart beats that compose the signal into a very few clusters from where doctors, by means of the manual inspection of a representative beat from each cluster, easily and quickly provide a diagnosis. Finally, to achieve the clustering objective, we will study the ECG morphological features using the large amount of databases available through the internet, the development of new ECG signal applications, the comparison among methods, and some algorithm optimization tasks have been also performed. A polygonal approximation algorithm used for ECG compression, the Principal Component Analysis (PCA) scheme applied to the feature selection stage or heart beat modelling by means of the Hidden Markov Models (HMM) for feature reduction too. The application of all the methods described above has become an improvement of the final Holter ECG clustering process. IV Abstract ResumenEl trabajo que a continuación se presenta, pretende dar continuidad a la línea de trabajo iniciada con una tesis previa titulada "Estudio de méto-dos para procesamiento y agrupación de señales electrocardiográficas". La problemática a abordar es la misma que en la tesis mencionada: reducción del número de latidos a examinar el un registro electrocardiográfico (ECG) de larga duración (conocido como Holter), mediante técnicas de agrupamiento no supervisado. Sin embargo, en este caso y como técni-ca de extracción de características se utiliza la aproximación poligonal (Polygonal Approximation, PA) y además, en la etapa de reducción de características, se usará un método estocástico basado en los modelos ocultos de Markov (Hidden Markov Models, HMM) y uno estadístico basado en el análisis de componentes principales (Principal Component Analysis, PCA). En esta tesis se describen las aportaciones realizadas en estas tres áreas: PA, HMM y PCA, aplicadas a esta problemática concreta. La validez de los métodos viene refrendada por un conjunto amplio de experimentos utilizando como fuentes de datos las señales ECG disponibles en la base de datos del Massachusetts Institute of Technology (MIT). Como conclusión se enumeran las mejoras obtenidas de la aplicación de estos métodos sobre el proceso de clustering de latidos sobre señales ECG de tipo Holter. VI Resumen ResumEl treball que a continuació es presenta vol donar continuïtat a la lí-nia de treball iniciada amb una tesi prèvia titulada...