Date of Award

5-2021

Document Type

Thesis

Degree Name

Master of Science and Software Engineering (MSSE)

Department

Computer Engineering

First Advisor

Mohammad Mehedy Masud

Second Advisor

M. Adel Serhani

Abstract

Cardiovascular arrhythmia diseases are considered as the most common diseases that cause death around the world. Abnormal arrhythmia diseases can be identified by analyzing heart rhythm using an electrocardiogram (ECG). However, this analysis is done manually by cardiologists, which may be subjective and susceptible to different cardiologist observations and experiences, as well as to noise and irregularities in those signals. This can lead to misdiagnosis. Motivated by this challenge, an automated heart rhythm diagnosis approach from ECG signals using Deep Learning has been proposed. In order to achieve this goal, three research problems have been addressed. First, recognize the role of each single-lead of a 12-lead ECG to classify heart rhythms. Second, understanding the importance of static data (e.g., demographics and clinical profile) in classifying heart rhythms. Third, realizing whether the static data can be combined with the ECG time series data for better classification performance. In this thesis, different deep learning models have been proposed to address these problems and satisfactory results are achieved. Therefore, using this knowledge, an effective hybrid deep learning model to classify heart rhythms has been proposed. As per knowledge obtained from relevant literature, this is the first work to identify the importance of individual lead and combined lead as well as the importance of combining static data with ECG time series data in classifying heart rhythms. Extensive experiments have been performed to evaluate this algorithm on a 12-lead ECG database that contains data from more than 10,000 individual subjects and obtained a high average of accuracy (up to 98.7%) and F1-measure (up to 98.7%). Moreover, in this thesis, the distribution of heart rhythms from the database based on heart rhythm type, gender, and age group have been analyzed, which will be valuable for further improvement of classification performance. This study will provide valuable insights and will prove to be an effective tool in automated heart rhythm classification and will assist cardiologists in effectively and accurately diagnosing heart disease.

Comments

تعتبر النوبات القلبية وأمراض القلب من أكثر الأمراض شيوعًا، والتي تسبب الوفاة في العالم. يمكن التعرف على إيقاعات القلب الغير طبيعية عن طريق جهاز التخطيط الكهربائي للقلب ( ECG ) . حيث يتم إجراء هذا التشخيص بواسطة أطباء القلب، ومع ذلك، قد يكون التشخيص الذاتي يختلف من اخصائي لآخر رغم الخبرة، لأن اشارات المخطط غير خالية من الضوضاء والترددات المختلفة مما يؤدي الى التشخيص الخطأ. تجنبا لذلك، ولأهمية هذا الموضوع، تم توظيف الذكاء الإصطناعي ممثلاً بالتعلم العميق في تشخيص أمراض القلب من خلال النشاط الكهربائي للقلب المكون من 12 صورة ( -lead 12 ) التي تُنتج عن طريق الجهاز الكهربائي للقلب بواسطة أجهزة الاستشعار التي توضع حول جسم المريض. لقد تم إحراز تقدم كبير في هذا الصدد، وأُجريت تجارب شاملة في تقييم الخوارزميات على قاعدة بيانات مكونة من ( -lead 12 ) تحتوي على أكثر من عشرة آلاف مريض. هذا العمل يسعى للإجابة على ثلاث أسئلة بحثية: أولاً، ما هي أهمية ودور كل lead في تصنيف الإيقاعات القلبية. ثانيًا، فهم أهمية البيانات الوصفية الثابته ( مثل البيانات الطبية السريرية والبيانات الديموغرافية ) في تصنيف الإيقاعات، ثالثا،ً ما إذا كان يمكن دمج البيانات الوصفية الثابته مع بيانات المخطط الكهربائي الزمنية لتخطيط القلب للحصول على نتائج أفضل في التصنيف. يعتبر هذا العمل البحثي الأول من نوعه في أهمية تحديد الاستفاده من الـ lead الفردي والمشترك بالإضافة الى أهمية البيانات الوصفية الثابتة مع الزمنية في تصنيف إيقاعات القلب. باستخدام هذه المعرفة التي تم الحصول عليها، وبناءً على مخرجات التجارب، تم التوصل الى نسبة مئوية عالية في التصنيف )تصل الى 98.7 % ) ونسبة الـ F1-measure )تصل الى 98.7 %(. ). علاوة على ذلك ، تم القيام أيضًا في هذا العمل البحثي بتوزيع وتصنيف إيقاعات القلب من قاعدة البيانات بناءً على نوع كل إيقاع والفئة العمرية، والتي ستكون خطوة مهمة في تحسين أداء التصنيف. هذه الدراسة ستوفر نظرة ثاقبة، وستثبت انها فعالة في التصنيف الآلي لإيقاعات القلب والتي ستُساعد أطباء القلب في التشخيص الفعال لأمراض القلب.

Download
COinS