IOT BASED ECG: HYBRID CNN-BILSTM APPROACH FOR MYOCARDIAL INFARCTION CLASSIFICATION

Abdelmalek Makhir; My Hachem El Yousfi Alaoui; Larbi Bellarbi; Abdelilah Jilbab

doi:10.35784/iapgos.6045

PDF (angielski)

Opublikowane: 2024-09-30

DOI: https://doi.org/10.35784/iapgos.6045

Numer Tom 14 Nr 3 (2024)

TEORETYCZNE PODEJŚCIE DO OKREŚLANIA EMISYJNOŚCI MATERIAŁÓW STAŁYCH I JEJ PORÓWNANIE Z BADANIAMI EKSPERYMENTALNYMI NA PRZYKŁADZIE STALI PROSZKOWEJ 316L
Oleksandr Vasilevskyi, Michael Cullinan, Jared Allison

5-8
SYSTEM INFORMACYJNY DO WYKRYWANIA PARAMETRÓW NIEBEZPIECZNYCH OBIEKTÓW PRZEMYSŁOWYCH NA PODSTAWIE TECHNOLOGII GEOINFORMACYJNYCH
Oleg Barabahs, Olha Svynchuk, Olena Bandurka, Oleh Ilin

9-14
OKRESOWE FUNKCJE ATEB I METODA VAN DER POLA DO KONSTRUOWANIA ROZWIĄZAŃ DWUWYMIAROWYCH NIELINIOWYCH MODELI OSCYLACJI CIAŁ SPRĘŻYSTYCH
Yaroslav Romanchuk, Mariia Sokil, Leonid Polishchuk

15-20
WYKORZYSTANIE REGRESJI PROCESU GAUSSA DO IDENTYFIKACJI NIELINIOWYCH PROCESÓW SEPARACJI MAGNETYCZNEJ
Oleksandr Volovetskyi

21-28
DWUWYMIAROWA MAPA HIPERCHAOTYCZNA DLA CHAOTYCZNYCH OSCYLACJI
Oleh Krulikovskyi, Serhii Haliuk, Ihor Safronov, Valentyn Lesinskyi

29-34
NEUROBIOLOGICZNE WŁAŚCIWOŚCI STRUKTURY SIECI RÓWNOLEGŁO-HIERARCHICZNEJ I JEJ WYKORZYSTANIE DO ROZPOZNAWANIA WZORCÓW
Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Anatolii Horban, Oleksandr Sobovyi, Liudmyla Pogrebniak, Nelia Burlaka, Yurii Didenko, Maksym Kozyr, Ainur Kozbakova

35-38
MODELE FAŁSZYWEGO I POPRAWNEGO WYKRYWANIA SYGNAŁÓW WYCIEKU INFORMACJI Z EKRANÓW MONITORÓW PRZEZ WYSPECJALIZOWANE ŚRODKI TECHNICZNE WROGIEGO WYWIADU
Dmytro Yevgrafov, Yurii Yaremchuk

39-42
USPRAWNIENIE CYFROWEGO KORELACYJNO-INTERFEROMETRYCZNEGO USTALANIA KIERUNKU ZA POMOCĄ PRZESTRZENNEGO SYGNAŁU ANALITYCZNEGO
Nurzhigit Smailov, Vitaliy Tsyporenko, Akezhan Sabibolda, Valentyn Tsyporenko, Askar Abdykadyrov, Assem Kabdoldina, Zhandos Dosbayev, Zhomart Ualiyev, Rashida Kadyrova

43-48
MODEL MATEMATYCZNY I STRUKTURA SIECI NEURONOWEJ DO WYKRYWANIA CYBERATAKÓW NA SYSTEMY TELEINFORMATYCZNE I KOMUNIKACYJNE
Lubov Zahoruiko, Tetiana Martianova, Mohammad Al-Hiari, Lyudmyla Polovenko, Maiia Kovalchuk, Svitlana Merinova, Volodymyr Shakhov, Bakhyt Yeraliyeva

49-55
METODA TWORZENIA SYSTEMU SKRÓCONEGO KODU POZYCYJNEGO DLA PRZEKSZTAŁCONYCH OBRAZÓW WIDEO
Volodymyr Barannik, Roman Onyshchenko, Gennady Pris, Mykhailo Babenko, Valeriy Barannik, Vitalii Shmakov, Ivan Pantas

56-60
OPARTE NA LICZBACH Z MODELOWANIE GRUPOWEGO PODEJMOWANIA DECYZJI DOTYCZĄCYCH WYBORU DOSTAWCÓW W SYSTEMACH PRODUKCYJNYCH
Kamala Aliyeva

61-67
OPTYMALIZACJA INTELIGENTNIE STEROWANEGO BEZMOSTKOWEGO DODATNIEGO PRZEKSZTAŁTNIKA LUO DLA POJAZDÓW ELEKTRYCZNYCH O MAŁEJ POJEMNOŚCI
Rangaswamy Balamurugan, Ramasamy Nithya

68-70
ZMODYFIKOWANY VGG16 DO DOKŁADNEGO WYKRYWANIA GUZÓW MÓZGU W OBRAZACH MRI
Katuri Rama Krishna, Mohammad Arbaaz, Surya Naga Chandra Dhanekula, Yagna Mithra Vallabhaneni

71-75
EKG OPARTE NA IOT: HYBRYDOWE PODEJŚCIE CNN-BILSTM DO KLASYFIKACJI ZAWAŁÓW MIĘŚNIA SERCOWEGO
Abdelmalek Makhir, My Hachem El Yousfi Alaoui, Larbi Bellarbi, Abdelilah Jilbab

76-80
ZINTEGROWANY MODEL HYBRYDOWY DO WYKRYWANIA CHORÓB PŁUC Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA SIĘ
Budati Jaya Lakshmi Narayana, Gopireddy Krishna Teja Reddy, Sujana Sri Kosaraju, Sirigiri Rajeev Choudhary

81-85
MAPOWANIE POLARYZACYJNO-KORELACYJNE OBRAZÓW MIKROSKOPOWYCH TKANEK BIOLOGICZNYCH O RÓŻNEJ STRUKTURZE MORFOLOGICZNEJ
Nataliia Kozan, Oleksandr Saleha, Olexander Dubolazov, Yuriy Ushenko, Iryna Soltys, Oleksandr Ushenko, Oleksandr Olar, Victor Paliy, Saule Smailova

86-90
WYKRYWANIE I KLASYFIKACJA RYB W CZASIE RZECZYWISTYM W ŚRODOWISKU PODWODNYM PRZY UŻYCIU YOLOV5: BADANIE PORÓWNAWCZE ARCHITEKTUR GŁĘBOKIEGO UCZENIA
Rizki Multajam, Ahmad Faisal Mohamad Ayob, W.S. Mada Sanjaya, Aceng Sambas, Volodymyr Rusyn, Andrii Samila

91-95
WYKRYWANIE CHWASTÓW NA MARCHWI PRZY UŻYCIU KONWOLUCYJNEJ SIECI NEURONOWEJ I INTERNETU RZECZY OPARTEGO NA SMARTFONIE
Lintang Patria, Aceng Sambas, Ibrahim Mohammed Sulaiman, Mohamed Afendee Mohamed, Volodymyr Rusyn, Andrii Samila

96-100
ANALIZA I BADANIE PARAMETRÓW WALCOWANIA ZWOJÓW NA POCHYŁEJ PŁASZCZYŹNIE
Larysa Gumeniuk, Lesya Fedik, Volodymyr Didukh, Pavlo Humeniuk

101-104
ANALIZA METOD REKOMENDACJI TREŚCI W SERWISACH INFORMACYJNYCH
Oleksandr Necheporuk, Svitlana Vashchenko, Nataliia Fedotova, Iryna Baranova, Yaroslava Dehtiarenko

105-108
OCENA WYDAJNOŚCI AKADEMICKIEJ STUDENTÓW W NAUCE ONLINE ZA POMOCĄ TECHNIK UCZENIA MASZYNOWEGO
Atika Islam, Faisal Bukhari, Muhammad Awais Sattar, Ayesha Kashif

109-117
ENTROPIJNA OCENA WPŁYWU EDUKACJI NA ROZWÓJ GOSPODARCZY
Yelyzaveta Mykhailova, Nataliia Savina, Volodymyr Lytvynenko, Stanislav Mykhailov

118-122
SYSTEM ІNFORMATYCZNY DO OCENY POZIOMU ZARZĄDZANIA KAPITAŁEM LUDZKIM
Anzhelika Azarova, Larysa Azarova, Iurii Krak, Olga Ruzakova, Veronika Azarova

123-128
ZDECENTRALIZOWANA PLATFORMA FINANSOWANIA PROJEKTÓW CHARYTATYWNYCH
Iryna Segeda, Vladyslav Kotsiuba, Oleksii Shushura, Viktoriia Bokovets, Natalia Koval, Aliya Kalizhanova

129-134

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

Authors

Abdelmalek Makhir

abdelmalek_makhir@um5.ac.ma

Mohammed V University in Rabat

https://orcid.org/0009-0001-0545-818X

My Hachem El Yousfi Alaoui

h.elyousfi@um5r.ac.ma

Mohammed V University in Rabat

Larbi Bellarbi

l.bellarbi@um5r.ac.ma

Mohammed V University in Rabat

Abdelilah Jilbab

a_jilbab@yahoo.fr

Mohammed V University in Rabat

Abstrakt

Choroby układu krążenia, takie jak choroba niedokrwienna serca i udar mózgu, to najniebezpieczniejsze choroby według statystyk WHO. Zawał mięśnia sercowego (MI), choroba niedokrwienna serca, występuje w wyniku nagłego zablokowania tętnic wieńcowych dostarczających krew do serca, powodując brak tlenu i składników odżywczych. Pacjent po zawale serca wymaga ciągłego monitorowania za pomocą elektrokardiografii, gdyż zawsze istnieje ryzyko wystąpienia powikłań w postaci arytmii. Jako rozwiązanie zaproponowano system monitorowania EKG oparty na Internecie rzeczy (IoT), którego warstwa aplikacyjna została zarezerwowana do wykrywania zawału serca i arytmii z wykorzystaniem sztucznej inteligencji, dzięki czemu pacjenci mogą być monitorowani nawet poza placówkami służby zdrowia. W tym celu w artykule zaproponowano hybrydowe podejście oparte na konwolucyjnej sieci neuronowej (CNN) i dwukierunkowej długiej pamięci krótkotrwałej (BiLSTM) do klasyfikacji sygnałów EKG i oceny ich działania przy użyciu surowych i wstępnie przetworzonych danych oraz porównaniu wyników z powiązanymi badaniami. W tej klasyfikacji wykorzystano dwa zbiory danych. Wyniki były obiecujące, model uzyskał 99,00% dokładności w przypadku surowych danych klasyfikujących 4 klasy i 99,73% dokładności w przypadku większych, wstępnie przetworzonych danych w przypadku klasyfikacji 3 klasy. Zaproponowany model nadaje się do realizacji postawionego zadania monitorowania.

Słowa kluczowe:

elektrokardiografia, Głębokie uczenie, Internet rzeczy, konwolucyjne sieci neuronowe, Dwukierunkowe rekurencyjne sieci długoterminowej i krótkoterminowej

Bibliografia

[1] Acharya U. R. et al.: A deep convolutional neural network model to classify heartbeats. Computers in biology and medicine 89, 2017, 389–396.

[2] Acharya U. R. et al.: Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals. Information Sciences 415, 2017, 190–198.

[3] ANSI/AAMI EC57. Association for the Advancement of Medical Instrumentation and Others, Testing and Reporting Performance Results of Cardiac Rhythm and ST Segment Measurement Algorithms 1998 (1998).

[4] Benjamin E. J. et al.: Heart Disease and Stroke Statistics-2019 Update: A Report From the American Heart Association. Circulation 139(10), 2019, e56-e528.

[5] Bisong E.: Building machine learning and deep learning models on Google cloud platform. Apress, Berkeley 2019.

[6] Bousseljot R., Kreiseler D., Schnabel A.: Nutzung der EKG-Signaldatenbank CARDIODAT der PTB über das Internet, 1995, 317–318.

[7] Douzas G., Bacao F., Last F.: Improving imbalanced learning through a heuristic oversampling method based on k-means and SMOTE. Information sciences 465, 2018, 1–20.

[8] Fan X. et al.: A novel hybrid network of fusing rhythmic and morphological features for atrial fibrillation detection on mobile ECG signals. Neural Computing and Applications 32(12), 2020, 8101–8113.

[9] Gao J. et al.: An effective LSTM recurrent network to detect arrhythmia on imbalanced ECG dataset. Journal of healthcare engineering 1, 2019, 6320651.

[10] Goldberger A. L. et al.: PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation 101(23), 2000, e215-e220.

[11] Guo L., Sim G., Matuszewski B.: Inter-patient ECG classification with convolutional and recurrent neural networks. Biocybernetics and Biomedical Engineering 39(3), 2019, 868–879.

[12] Guth J. et al.: Comparison of IoT platform architectures: A field study based on a reference architecture. Cloudification of the Internet of Things – CIoT. IEEE, 2016.

[13] Kachuee M., Fazeli S., Sarrafzadeh M.: ECG heartbeat classification: A deep transferable representation. IEEE international conference on healthcare informatics – ICHI. IEEE, 2018.

[14] Kiranyaz S., Ince T., Gabbouj M.: Real-time patient-specific ECG classification by 1-D convolutional neural networks. IEEE transactions on biomedical engineering 63(3), 2015, 664–675.

[15] Hossin M., Sulaiman M. N.: A review on evaluation metrics for data classification evaluations. International journal of data mining & knowledge management process 5(2), 2015, 1.

[16] Makhir A. et al.: Comprehensive Cardiac Ischemia Classification Using Hybrid CNN-Based Models. International Journal of Online and Biomedical Engineering – iJOE 20(3), 2024, 2024, 154–165.

[17] Mark R. G. et al.: An annotated ECG database for evaluating arrhythmia detectors. IEEE Transactions on Biomedical Engineering 29(8), 1982.

[18] Marti H. H., Risau W.: Angiogenesis in ischemic disease. Thrombosis and haemostasis 82(S 01), 1999, 44–52.

[19] Moody G. B., Mark R. G.: The impact of the MIT-BIH arrhythmia database. IEEE engineering in medicine and biology magazine 20(3), 2001, 45–50.

[20] Rautaharju P. M., Surawicz B., Gettes L. S.: AHA/ACCF/HRS recom-mendations for the standardization and interpretation of the electrocardiogram: part IV: the ST segment, T and U waves, and the QT interval: a scientific statement from the American Heart Association Electrocardiography and Arrhythmias Committee, Council on Clinical Cardiology; the American College of Cardiology Foundation; and the Heart Rhythm Society: endorsed by the International Society for Computerized Electrocardiology. Circulation 119(10), 2009, e241-e250.

[21] Singh S. et al.: Classification of ECG arrhythmia using recurrent neural networks. Procedia Computer Science 132, 2018, 1290–1297.

[22] Tan K. F., Chan K. L., Choi K.: Detection of the QRS complex, P wave and T wave in electrocardiogram. First International Conference Advances in Medical Signal and Information Processing (IEE Conf. Publ. No. 476). IET, 2000.

[23] Wu M. et al.: A study on arrhythmia via ECG signal classification using the convolutional neural network. Frontiers in computational neuroscience 14, 2021, 564015.

[24] Yildirim Ö.: A novel wavelet sequence based on deep bidirectional LSTM network model for ECG signal classification. Computers in biology and medicine 96, 2018, 189–202.

[25] Zhao R. et al.: Machine health monitoring with LSTM networks. 10th International Conference on Sensing Technology – ICST. IEEE, 2016.

[26] Nurmaini S. et al.: An automated ECG beat classification system using deep neural networks with an unsupervised feature extraction technique. Applied sciences 9(14), 2019, 2921.

EKG OPARTE NA IOT: HYBRYDOWE PODEJŚCIE CNN-BILSTM DO KLASYFIKACJI ZAWAŁÓW MIĘŚNIA SERCOWEGO. (2024). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 14(3), 76-80. https://doi.org/10.35784/iapgos.6045

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 3 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja