1D модель CNN для діагностики ЕКГ на кількох класифікаторах
One of the main reasons for human death is diseases caused by the heart. Detecting heart diseases in the early stage can stop heart failure or any damage related to the heart muscle. One of the main signals that can be beneficial in the diagnosis of diseases of the heart is the electrocardiogram (EC...
Gespeichert in:
| Datum: | 2022 |
|---|---|
| Hauptverfasser: | , , , , |
| Format: | Artikel |
| Sprache: | Englisch |
| Veröffentlicht: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2022
|
| Schlagworte: | |
| Online Zugang: | http://journal.iasa.kpi.ua/article/view/265099 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System research and information technologies |
Institution
System research and information technologies| _version_ | 1856543557876187136 |
|---|---|
| author | Bassiouni, Mahmoud Hegazy, Islam Rizk, Nouhad El-Dahshan, El-Sayed Salem, Abdelbadeeh |
| author_facet | Bassiouni, Mahmoud Hegazy, Islam Rizk, Nouhad El-Dahshan, El-Sayed Salem, Abdelbadeeh |
| author_sort | Bassiouni, Mahmoud |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2023-05-21T20:04:38Z |
| description | One of the main reasons for human death is diseases caused by the heart. Detecting heart diseases in the early stage can stop heart failure or any damage related to the heart muscle. One of the main signals that can be beneficial in the diagnosis of diseases of the heart is the electrocardiogram (ECG). This paper concentrates on the diagnosis of four types of ECG records such as myocardial infarction (MYC), normal (N), variances in the ST-segment (ST), and supraventricular arrhythmia (SV). The methodology captures the data from six main datasets, and then the ECG records are filtered using a pre-processing chain. Afterward, a proposed 1D CNN model is applied to extract features from the ECG records. Then, two different classifiers are applied to test the extracted features’ performance and obtain a robust diagnosis accuracy. The two classifiers are the softmax and random forest (RF) classifiers. An experiment is applied to diagnose the four types of ECG records. Finally, the highest performance was achieved using the RF classifier, reaching an accuracy of 98.3%. The comparison with other related works showed that the proposed methodology could be applied as a medical application for the early detection of heart diseases. |
| first_indexed | 2025-07-17T10:27:57Z |
| format | Article |
| id | journaliasakpiua-article-265099 |
| institution | System research and information technologies |
| language | English |
| last_indexed | 2025-07-17T10:27:57Z |
| publishDate | 2022 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| spelling | journaliasakpiua-article-2650992023-05-21T20:04:38Z 1D CNN model for ECG diagnosis based on several classifiers 1D модель CNN для діагностики ЕКГ на кількох класифікаторах Bassiouni, Mahmoud Hegazy, Islam Rizk, Nouhad El-Dahshan, El-Sayed Salem, Abdelbadeeh Electrocardiogram (ECG) Continuous wavelet transform (CWT) 1D convolutional neural network (CNN) model електрокардіограма (ECG) безперервне вейвлет-перетворення (CWT) одновимірна модель згорткової нейронної мережі (CNN) One of the main reasons for human death is diseases caused by the heart. Detecting heart diseases in the early stage can stop heart failure or any damage related to the heart muscle. One of the main signals that can be beneficial in the diagnosis of diseases of the heart is the electrocardiogram (ECG). This paper concentrates on the diagnosis of four types of ECG records such as myocardial infarction (MYC), normal (N), variances in the ST-segment (ST), and supraventricular arrhythmia (SV). The methodology captures the data from six main datasets, and then the ECG records are filtered using a pre-processing chain. Afterward, a proposed 1D CNN model is applied to extract features from the ECG records. Then, two different classifiers are applied to test the extracted features’ performance and obtain a robust diagnosis accuracy. The two classifiers are the softmax and random forest (RF) classifiers. An experiment is applied to diagnose the four types of ECG records. Finally, the highest performance was achieved using the RF classifier, reaching an accuracy of 98.3%. The comparison with other related works showed that the proposed methodology could be applied as a medical application for the early detection of heart diseases. Однією з основних причин смерті людини є захворювання серця. Виявлення серцевих захворювань на ранній стадії може запобігти серцевій недостатності або будь-якому пошкодженню серцевого м’яза. Одним з основних сигналів, які можуть бути корисними в діагностиці захворювань серця, є електрокардіограма (ЕКГ). Розглянуто діагностику чотирьох типів записів ЕКГ, таких як інфаркт міокарда (MYC), норма (N), відхилення сегмента ST (ST) і надшлуночкова аритмія (SV). Методологія збирає дані з шести основних наборів даних, а потім записи ЕКГ фільтруються за допомогою ланцюжка попереднього оброблення. Після цього запропонована модель 1D CNN використовується для вилучення ознак із записів ЕКГ. Потім застосовуються два різні класифікатори, щоб перевірити ефективність виділених ознак і отримати надійну точність діагностики. Два класифікатори – це softmax і класифікатор випадкового лісу (RF). Застосовується експеримент для діагностики чотирьох типів записів ЕКГ. Зрештою найвищої продуктивності досягнуто за допомогою радіочастотного класифікатора з точністю 98,3%. Порівняння з іншими суміжними роботами показало, що запропоновану методику можна застосовувати для раннього виявлення захворювань серця. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2022-12-27 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/265099 10.20535/SRIT.2308-8893.2022.4.01 System research and information technologies; No. 4 (2022); 7-20 Системные исследования и информационные технологии; № 4 (2022); 7-20 Системні дослідження та інформаційні технології; № 4 (2022); 7-20 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/265099/270160 |
| spellingShingle | електрокардіограма (ECG) безперервне вейвлет-перетворення (CWT) одновимірна модель згорткової нейронної мережі (CNN) Bassiouni, Mahmoud Hegazy, Islam Rizk, Nouhad El-Dahshan, El-Sayed Salem, Abdelbadeeh 1D модель CNN для діагностики ЕКГ на кількох класифікаторах |
| title | 1D модель CNN для діагностики ЕКГ на кількох класифікаторах |
| title_alt | 1D CNN model for ECG diagnosis based on several classifiers |
| title_full | 1D модель CNN для діагностики ЕКГ на кількох класифікаторах |
| title_fullStr | 1D модель CNN для діагностики ЕКГ на кількох класифікаторах |
| title_full_unstemmed | 1D модель CNN для діагностики ЕКГ на кількох класифікаторах |
| title_short | 1D модель CNN для діагностики ЕКГ на кількох класифікаторах |
| title_sort | 1d модель cnn для діагностики екг на кількох класифікаторах |
| topic | електрокардіограма (ECG) безперервне вейвлет-перетворення (CWT) одновимірна модель згорткової нейронної мережі (CNN) |
| topic_facet | Electrocardiogram (ECG) Continuous wavelet transform (CWT) 1D convolutional neural network (CNN) model електрокардіограма (ECG) безперервне вейвлет-перетворення (CWT) одновимірна модель згорткової нейронної мережі (CNN) |
| url | http://journal.iasa.kpi.ua/article/view/265099 |
| work_keys_str_mv | AT bassiounimahmoud 1dcnnmodelforecgdiagnosisbasedonseveralclassifiers AT hegazyislam 1dcnnmodelforecgdiagnosisbasedonseveralclassifiers AT rizknouhad 1dcnnmodelforecgdiagnosisbasedonseveralclassifiers AT eldahshanelsayed 1dcnnmodelforecgdiagnosisbasedonseveralclassifiers AT salemabdelbadeeh 1dcnnmodelforecgdiagnosisbasedonseveralclassifiers AT bassiounimahmoud 1dmodelʹcnndlâdíagnostikiekgnakílʹkohklasifíkatorah AT hegazyislam 1dmodelʹcnndlâdíagnostikiekgnakílʹkohklasifíkatorah AT rizknouhad 1dmodelʹcnndlâdíagnostikiekgnakílʹkohklasifíkatorah AT eldahshanelsayed 1dmodelʹcnndlâdíagnostikiekgnakílʹkohklasifíkatorah AT salemabdelbadeeh 1dmodelʹcnndlâdíagnostikiekgnakílʹkohklasifíkatorah |