ECG classification using slantlet transform and artificial neural network

إن كشف و تصنيف حالات القلب المرضية مهم في تشخيص الحالات القلبية الشاذة. هذا البحث يوضح طريقة لتصنيف الحالات المرضية من تخطيط القلب و ذلك من خلال دمج التحويل (Slantlet) مع الشبكة العصبية الاصطناعية (ANN). قدرة التحويل (Slantlet) على تحليل الإشارة إلى عناصرها ذات الدقة المختلفة تسمح باستخلاص أدق للميزات التي تحملها الإشارات غير المستقرة مثل الأشكال الموجية لتخطيط القلب الكهربائي. المعاملات ذات التردد الواطئ ( و التي تحتوي على أعظم نسبة من المعلومات عن الحالة المرضية) تم اختيارها من التحليل الناتج من استخدام التحويل (Slantlet). هذه المعاملات تم تجهيزها الى شبكة عصبية اصطناعية متعددة الطبقات و التي بدورها تقوم بتصنيف الحالات المرضية. في العمل المقدم تم أخذ بيانات تخطيط القلب الكهربائي من قاعدة البيانات القياسية (MIT-BIH). إن النظام المقترح قادر على التمييز بين الحالة الطبيعية و تسعة حالات مرضية. الدقة الإجمالية للتصنيف في الطريقة المقدمة هي 98.40 %. كذلك تم استخدام ثلاث طرق تحويلات أخرى و تم مقارنة دقة التصنيف لكل طريقة مع الدقة الناتجة باستخدام التحويل (Slantlet). هذه الطرق هي التحويل (Fourier) الذي يعطي دقة 67.80 %، التحويل (discrete cosine) و الذي يعطي دقة 92.72 % و التحويل (Wavelet) ]باستخدام معاملات دالة الحجم (Haar) و (Daubechies-4) و التي أعطت دقة 96.02 % و 96.25 % على التوالي]. Automatic detection and classification of cardiac arrhythmias is important for diagnosis of cardiac abnormality. This paper shows a method to accurately classify ECG arrhythmias through a combination of slantlet transform and artificial neural network (ANN). The ability of the slantlet transform to decompose signal at various resolutions allows accurate extraction of features from non-stationary signals like ECG. The low frequency coefficients, which contain the maximum information about the arrhythmia, were selected from the slantlet decomposition. These coefficients are fed to a Multi-Layer Perceptron (MLP) artificial neural network which classifies the arrhythmias. In the present work the ECG data is taken from standard MIT-BIH database. The proposed system is capable of distinguishing the normal sinus rhythm and nine different arrhythmias. The overall accuracy of classification of the proposed approach is 98.40 %. Three other transformation methods are used and the accuracy of the classification of each was compared with the slantlet system accuracy. These transformation methods are : the Fourier transforms which gives 67.80 % accuracy, the discrete cosine transforms which gives 92.72 % accuracy, and the wavelet transform (using Haar and Daubechies-4 scaling function coeffic