Detection of myocardial infarction using autonomic nervous system, Gaussian mixture model and artificial neural network

Abstract

In this study, a new technique which detects anomalies in skin sympathetic nerve activity (SKNA) and ECG by using state-of- the-art signal processing and machine learning methods is developed to perform the robust detection of myocardial infarction (MI). For this purpose, a signal processing technique that simultaneously obtains SKNA and ECG from wideband recordings on PTB-EKG database is developed. By using preprocessed data, a novel feature extraction technique which obtains SKNA features that are critical for the reliable detection of MI is developed. By using extracted features, a supervised learning technique based on artificial neural network (ANN) and an unsupervised learning technique based on Gaussian mixture model (GMM) are developed to perform the robust detection of SKNA anomalies. A Neyman-Pearson type of approach is developed to perform the robust detection of outliers that correspond to MI. The performance results of the proposed technique over PTB-EKG database showed that the technique provides highly reliable detection of MI by performing the robust detection of SKNA anomalies. Therefore, in cases where the diagnostic information of ECG is not sufficient for the reliable diagnosis of MI, the proposed technique can provide early diagnosis of the disease, which can lead to a significant reduction in the mortality rates of cardiovascular diseases. Bu çalışmada, miyokard enfarktüsünün (ME) gürbüz tespitini gerçekleştirmek amacıyla cilt sempatik sinir aktivitesindeki (CSSA) ve EKG’deki anomalileri güncel sinyal işleme ve makine öğrenmesi yöntemlerini kullanarak tespit eden yeni bir teknik geliştirilmiştir. Bu amaçla, PTB-EKG veri tabanındaki geniş bantlı kayıtlardan eş zamanlı olarak CSSA’yı ve EKG’yi ön plana çıkaran bir sinyal işleme tekniği geliştirilmiştir. Ön işleme sonucu elde edilen veriler kullanılarak, ME’nin güvenilir tespiti için kritik olan CSSA özniteliklerini elde eden özgün bir öznitelik çıkarım tekniği geliştirilmiştir. Elde edilen öznitelikleri kullanarak, CSSA anomalilerinin gürbüz tespitini gerçekleştiren yapay sinir ağına (YSA) dayalı bir gözetimli öğrenme tekniği ve Gauss karışım modeline (GKM) dayalı bir gözetimsiz öğrenme tekniği geliştirilmiştir. ME’yi temsil eden aykırı değerlerin gürbüz tespitini gerçekleştirmek için Neyman-Pearson tipi bir yaklaşım geliştirilmiştir. Önerilen tekniğin PTBEKG veri tabanı üzerindeki başarım sonuçları, tekniğin CSSA anomalilerinin gürbüz tespitini gerçekleştirerek, oldukça güvenilir ME tespiti sağladığını göstermektedir. Bu nedenle, ME’nin güvenilir teşhisi için EKG’nin sağladığı tanısal bilginin yeterli olmadığı durumlarda, önerilen teknik kullanılarak ME’ye erken tanı konulabilir ve kardiyovasküler hastalıkların mortalitesinde belirgin azalma sağlanabilir.