007 - Universidad Nacional del Nordeste

Detección de Parámetros Electrocardiográficos
con Modelos SOM y LVQ de Redes Neuronales
Kleisinger, Gretchen H. - del Valle, Eduardo E. - Monzón, Jorge E.
Departamento de Ingeniería Eléctrica - Facultad de Ciencias Exactas y Naturales y Agrimensura - UNNE.
9 de Julio 1449 - (3400) Corrientes - Argentina.
Teléfono/Fax: +54 (3783) 423126 / 473930
E-mail: jemonzon@exa.unne.edu.ar
ANTECEDENTES
Las redes neuronales artificiales, por su constitución y fundamentos, presentan un gran número de
características semejantes a las del cerebro humano. Son capaces de aprender de la experiencia, de generalizar
de casos anteriores a nuevos casos, o de abstraer características esenciales a partir de entradas que representan
información aparentemente irrelevante. Las redes neuronales artificiales ofrecen, por ello, numerosas ventajas y
justifican la aplicación de este tipo de tecnología en múltiples áreas. Como lo señalan Maren y colaboradores
(1990), las características de la redes neuronales incluyen:
Aprendizaje adaptivo. Es la capacidad de aprender a realizar tareas basadas en un entrenamiento o en una
experiencia inicial.
Auto-organización. Una red neuronal puede crear su propia organización, o representación de la información
que recibe mediante una etapa de aprendizaje.
Tolerancia a fallas. Aunque la destrucción parcial de una red conduce a una degradación de su estructura,
algunas capacidades de la red se pueden retener, incluso ante graves deterioros estructurales.
Operación en tiempo real. Los sistemas computadores basados en arquitectura neuronal pueden ser
implementados en paralelo. Con esta modalidad operativa, se diseñan y fabrican equipos con hardware
específico para procesamiento rápido en paralelo.
Disponibilidad tecnológica. Actualmente existen circuitos integrados con topologías de redes neuronales, lo
que mejora la capacidad operativa de las redes y facilita su incorporación modular a sistemas más complejos.
Los diferentes tipos de redes neuronales obedecen a la necesidad de contar con estructuras de procesamiento
adecuadas para una aplicación particular. El denominado Modelo de Kohonen resulta especialmente útil para el
estudio y tratamiento de las señales biológicas.
Modelo de Kohonen. Algunas neuronas cerebrales se organizan en zonas, según lo sugieren ciertas evidencias,
de modo tal que las informaciones recibidas de los órganos sensoriales se representan internamente en forma de
mapas topológicos, y según un cierto aprendizaje. El Modelo de Kohonen pertenece al grupo de algoritmos de
codificación del vector. El modelo genera un mapa topológico para ubicar de manera óptima, un número fijo
de vectores en un espacio de entrada de mayor dimensión, y así facilitar la compresión de datos (Haykin, 1994).
Dos variantes del Modelo de Kohonen son el Mapa Auto-organizativo (SOM – Self-Organizing Map) y el
Learning Vector Quantization (LVQ). SOM es un modelo de red neuronal que en general implementa una
proyección no lineal de un espacio multi-dimensional de señales de entrada hacia un arreglo bi-dimensional.
SOM pertenece a la categoría de algoritmos de aprendizaje competitivo (Kohonen, 1996), es decir que las
neuronas de la salida compiten por activarse y sólo una de ellas permanece activa ante una determinada
información de entrada a la red. En función de esta única neurona activa, llamada prevalente o vencedora, se
ajustan los pesos de las conexiones (Hilera y Martinez, 1995).
Los algoritmos SOM y LVQ están estrechamente relacionados. El aprendizaje en SOM es no-supervisado,
mientras que LVQ es un método supervisado. Las neuronas en el mapa auto-organizativo interactúan, durante
el aprendizaje, en la dirección lateral. Las neuronas de LVQ se actualizan de modo independiente. LVQ es un
algoritmo adaptivo que encuentra un conjunto óptimo de vectores de referencia. Durante el aprendizaje, estos
vectores de referencia son desplazados desde una distribución inicial aleatoria a una posición final que describe
la función densidad de probabilidad del conjunto de vectores uni-dimensionales de
entrenamiento.(Poechmueller y col., 1996). Tanto SOM como LVQ son algoritmos que se destacan por la
precisión que tienen en tareas de reconocimiento.
Con anterioridad hemos utilizado topologías de redes neuronales multicapa (MLP – Multilayer Perceptron)
para filtrado adaptivo de bioseñales (Lovatto y Monzón, 1996), para la clasificación de patrones del ritmo
cardíaco (Lovatto y Monzón, 1997) y para la identificación de contracciones ventriculares anormales (Lovatto y
Monzón, 1998a y 1998b; Kleisinger y col., 2000). En un trabajo previo (Barbosa y col., 2000) presentamos la
topología LVQ y comparamos su desempeño con MLP. El objetivo del presente trabajo es evaluar la habilidad
de detección, en registros electrocardiogáficos patológicos, de una combinación de ambos algoritmos SOMLVQ y compararla con la topología simple LVQ.
MATERIALES Y METODOS
Señales electrocardiográficas. Todas las señales electrocardiográficas fueron extraídas de la base de datos de
arritmias cardíacas del MIT-BIH (1999). Como patrón de entrenamiento seleccionamos el registro 106. Para la
prueba, y por presentar registros de arritmias ventriculares (PVC) adecuados, tanto en variedad como en
cantidad (Moody, 1997) se utilizaron los registros 105, 119 y 200.
Algoritmos de Redes neuronales. La Figura 1 ilustra la estructura de la red SOM. La entrada (P) está
compuesta por el intervalo RR, la longitud del complejo QRS y por la comparación del intervalo RR actual con
el intervalo inmediato ante-precedente, es decir que P = [rr; qrs; r2]. Con este vector de entrada, se obtiene a
la salida un mapa 1x3, que clasifica los intervalos RR en tres categoría: Normales, Cortos o Largos. La Figura 2
muestra la topología de red LVQ, que como se advierte presenta 3 nodos en la capa de entrada y 5 en la de
salida. Los nodos de la capa de entrada corresponden a SSOM (salida de la red SOM, véase Fig. 1), PROM
(promedio de 10 intervalos RR) y SQ (longitud del segmento SQ), o sea P = [ssom; prom; sq]. La neurona
vencedora en la capa de salida indicará un latido normal (1), o PVC (2).
Hardware y Software. Procesador Intel Pentium II, 32 Mb de RAM, bajo sistema operativo Windows'98. Los
algoritmos fueron implementados con MATLAB (The Mathworks, Natick, Massachusetts) y el Neural Network
Toolbox 3.0 (Hanselman y Littlefield, 1995).
Enseñanza y prueba de las redes. Utilizando el algoritmo propuesto por Afonso (1993), se calcularon las
duraciones de los intervalos RR, del intervalo SQ y del complejo QRS. Como lo sugiere Hu (1996), y a los fines
de reducir los parámetros de entrada y enfatizar los patrones más importantes de la señal, se toma el promedio
de 10 intervalos RR. El registro 106, que contiene un total de 2027 latidos (25.7% de PVC), fue dividido en tres
sub-conjuntos de datos para realizar con uno de ellos el entrenamiento y con los otros dos la prueba (Hu y col.,
1994).
Neuronas de salida
1
2
3
Neuronas de entrada
Figura 1. SOM (Self-Organizing Map)
Neuronas de salida
1
2
3
Neuronas de entrada
Figura 2. LVQ (Learning Vector Quantization)
DISCUSION DE RESULTADOS
Los resultados del estudio comparativo entre el algoritmo LVQ y la combinación de SOM-LVQ se muestran en
la tabla de la Figura 3. Como lo expusimos anteriormente (Barbosa y col., 2000), la habilidad de detección de
las redes neuronales implementadas con algoritmos SOM-LVQ y con LVQ, se evalúa calculando la
Sensibilidad S, la Especificidad E, la Predictividad Positiva PP y la Tasa de Falsos Positivos TFP, indicadas
en las columnas de la tabla de la Figura 3, para cada una de las señales electrocardiográficas de prueba. Todos
los cálculos tienen en cuenta el número de verdaderos y falsos positivos y de verdaderos y falsos negativos, por
comparación de la información disponible en cada uno de los registros del MIT-BIH, y de la obtenida
experimentalmente. Como se muestra en la tabla, el desempeño de la red implementada con LVQ mejora si el
vector de entrada posee una componente surgida del pre-proceso con un mapa auto-organizativo.
SEÑAL
RED
119
S
E
PP
105
TFP
S
E
PP
200
TFP
S
E
PP
TFP
SOM-LVQ
1.00 1.00 1.00 0.00 0.96 1.00 0.96
0.00
0.72
0.85
0.72
0.15
LVQ
0.93 0.79 0.78 0.06 0.96 0.97 0.51
0.03
0.68
0.97
0.89
0.03
Figura 3. Resultados de la comparación entre LVQ y SOM-LVQ
CONCLUSIONES
La aproximación al espacio de entrada provisto por SOM mejora la eficacia de la topología LVQ, obteniéndose
de esa manera resultados similares a los logrados con los clásicos perceptrones multicapa (MLP) a los que debe
agregarse la buena precisión en tareas de reconocimiento que tiene el Modelo de Kohonen.
BIBLIOGRAFIA
Afonso VX, 1993. ECG QRS Detection. En W.J. Tompkins (editor), Biomedical Digital Signal Processing.
Englewood Cliffs, NJ:Prentice-Hall, 1993.
Barbosa L, Kleisinger GH, Valdez AD, Monzón JE, 2000. Comparación de Topologías MLP y LVQ de
Redes Neuronales para la Detección de Arritmias Ventriculares. Reunión de Comunicaciones
Científicas y Tecnológicas de la Universidad Nacional del Nordeste. Resistencia (Chaco), 23 al 27 de
Octubre.
Hanselman D, Littlefield B, 1995. MATLAB User’s Guide. Englewood Cliffs, NJ, Prentice-Hall.
Haykin S, 1994. Neural networks: a comprehensive foundation. Englewood Cliffs, New Jersey: IEEE Press
Macmillan.
Hilera JR, Martínez VJ, 1995. Redes Neuronales Artificiales: Fundamentos, modelos y aplicaciones.
Madrid, España: RAMA Editorial.
Hu YH, 1996. Pattern Classification with Multiple Classifiers. Dept. of Elect. & Comput. Engineering.
University of Wisconsin-Madison.
Hu YH, Tompkins WJ, Urrusti JL, Afonso VX, 1994. Applications of Artificial Neural Networks for ECG
Signal Detection and Classification. Journal of Electrocardiology, Vol. 26, pp. 66-73. Supplement.
Kleisinger GH, Barbosa L, Monzón JE, 2000. Neural-Network Detection of Abnormal Ventricular Beats
Using Temporal and Morphological Features of the Electrocardiographic Signal. Proceedings of the
Fourth World Multiconference on Systemics, Cybernetics and Informatics. Orlando, Florida, USA.
Kohonen T, 1996. Things You Haven´t Heard about the Self-Organizing Map. En P.K. Simpson (editor),
Neural Networks Theory, Technology, and Applications. Piscataway, NJ:IEEE Technical Activities
Board, 1996.
Lovatto SF, Monzón JE, 1996. Filtrado Adaptivo Digital mediante Redes Neuronales Artificiales. VII
Simposio Latinoamericano de Ingeniería Biomédica. Bucaramanga, Colombia, 9-13 Octubre.
Lovatto SF, Monzón JE, 1997. Clasificación de Patrones del Ritmo Cardíaco con Redes Neuronales
Heteroasociativas. Reunión de Comunicaciones Científicas y Tecnológicas de la Universidad Nacional
del Nordeste. Corrientes, 29 de Septiembre al 3 de Octubre.
Lovatto SF, Monzón JE, 1998a. Análisis del ECG con redes neuronales multicapa para la identificación de
contracciones ventriculares anormales. Reunión de Comunicaciones Científicas y Tecnológicas de la
Universidad Nacional del Nordeste. Resistencia (Chaco), 26 al 30 de octubre.
Lovatto SF, Monzón JE, 1998b. Reconocimiento de Contracciones Ventriculares Prematuras Utilizando Redes
Neuronales de la Clase MLP. Revista Argentina de Bioingeniería, Vol. 4, Nº 2, pp. 23-27.
Maren AJ, Harston CT, Pap RM, 1990. Handbook of Neural Computing Applications. Academic Press..
MIT-BIH, 1999. Massachusetts Institute of Technology-Beth Israel Hospital Database Distribution, MIT, 77
Massachusetts Avenue, Room 20A-113, Cambridge, MA 02139.
Moody GB, 1997. ECG Database Applications Guide, Tenth Edition. Harvard-MIT Division of Health
Sciences. Biomedical Engineering Center.
Poechmueller W, Glesner M, Juergs H, 1996, Is LVQ Really Good for Classification: An Interesting
Alternative. En P.K. Simpson (editor), Neural Networks Theory, Technology, and Applications.
Piscataway, NJ:IEEE Technical Activities Board, 1996.