Use of kNN and quadratic discriminant analysis methods for sleep staging from single lead ECG recordings

Yılmaz, Bülent; Arıkan, Eren; Asyalı, Musa Hakan

doi:10.1109/biyomut.2010.5479833

Cited by 1 publication

(1 citation statement)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Por ejemplo, para la detección y clasificación de etapas de sueño a partir del ECG (Yilmaz et al, 2010) y para la detección de períodos de apnea en combinación con AdaBoost Bootstrap (Kao et al, 2012). También se ha usado KNN para diagnosticar enfermedades del corazón de forma automática (Saini et al, 2015).…”

Section: Introductionunclassified

Detección de Fibrilación Ventricular Mediante Tiempo-Frecuencia y Clasificador KNN sin Extracción de Parámetros

Mjahad

Muñoz

Mompean

et al. 2017

Rev. iberoam. autom. inform. ind.

View full text Add to dashboard Cite

ResumenEste trabajo propone la detección de FV y su discriminación de TV y otros ritmos cardiacos basándose en la representación tiempo-frecuencia del ECG y su conversión en imágen como entrada a un clasificador de vecinos más cercanos (KNN) sin necesidad de extracción de parámetros adicionales. Tres variantes de datos de entrada al clasificador son evaluados. Los resultados clasifican la señal en cuatro clases diferentes: 'Normal' para latidos con ritmo sinusal, 'FV' para fibrilación ventricular, 'TV' para taquicardia ventricular y 'Otros' para el resto de ritmos. Los resultados para detección de FV mostraron 88,27 % de sensibilidad y 98,22 % de especificidad para la entrada de imagen equivalente reducida que es la más rápida computacionalmente a pesar de obtener resultados de clasificación ligeramente inferiores a las representaciones no reducidas. En el caso de TV, se alcanzó un 88,31 % de sensibilidad y 98,80 % de especificidad, un 98,14 % de sensibilidad y 96,82 % de especificidad para ritmo sinusal normal y 96,91 % de sensibilidad con 99,06 % de especificidad para la clase 'Otros'. Finalmente, se realiza una comparación con otros algoritmos.Palabras Clave: Sistemas biomédicos, Señales Electrocardiográficas, Representación tiempo-frecuencia, Señales no estacionarias, Análisis de imágenes, Clasificación Ventricular Fibrillation detection using time-frequency and the KNN classifier without parameter extraction. AbstractThis work describes new techniques to improve VF detection and its separation from Ventricular Tachycarida (VT) and other rhythms. It is based on time-frequency representation of the ECG and its use as input in an automatic classifier (K-nearest neighbours -KNN) without any further signal parameter extraction or additional characteristics. For comparison purposes, three time-frequency variants are analysed: pseudo Wigner-Ville representation (RTF), grey-scale image obtained from RTF (IRTF), and reduced image from IRTF (reduced IRTF). Four types of rhythms (classes) are defined: 'Normal' for sinus rhythm, 'VT' for ventricular tachycardia, 'VF' for ventricular fibrillation and 'Others' for the rest of rhythms. Classification results for VF detection in case of reduced IRTF are 88.27 % sensitivity and 98.22 % specificity. In case of VT, 88.31 % sensitivity and 98.80 % specificity is obtained, 98.14 % sensitivity and 96.82 % specificity for normal rhythms, and 96.91 % sensitivity and 99.06 % specificity for other rhythms. Finally, results are compared with other authors.

show abstract

Section: Introductionunclassified