Detectie van voorkamerfibrillatie: een tensorgebaseerde methode

Simon Geirnaert
Deze scriptie beschrijft een nieuwe tensor-gebaseerde methode om voorkamerfibrillatie, een hartritmestoornis, te detecteren in zowel één- als meerkanaals ECG-signalen. Deze scriptie combineert technieken uit de tensoralgebra, signaalverwerking en machine learning. Een dergelijk algoritme is een noodzakelijke tool in de digitale geneeskunde, gezien de opkomst van mobiele sensoren om ECG op te meten (AppleWatch, ...).

Automatische detectie van voorkamerfibrillatie: een noodzakelijke tool in de digitale gezondheidszorg

Heeft u wel al eens last van hartkloppingen? Voelt het aan alsof uw hart op hol slaat? Dan leidt u misschien wel aan voorkamerfibrillatie, de meest voorkomende hartritmestoornis. Vroege en accurate detectie is hier erg belangrijk. Automatische detectie van voorkamerfibrillatie kan de nodige assistentie verlenen aan uw huisarts of cardioloog om de op termijn mogelijk zware gevolgen van deze aandoening te vermijden.

Voorkamerfibrillatie: een stille doder

Voorkamerfibrillatie is de meeste voorkomende hartritmestoornis. Ongeveer één op vier zal hier ooit aan lijden, terwijl circa één percent in België deze aandoening nu heeft. Zeker wanneer u in uw omgeving veel zestigplussers heeft, is de kans groot dat u iemand kent met voorkamerfibrillatie. Voordat u panikeert: er is geen onmiddellijk risico voor uw gezondheid. Ook valt het vrij gemakkelijk te behandelen met medicatie, of in uitzonderlijke gevallen, via een operatie.

Op lange termijn echter kan voorkamerfibrillatie wel leiden tot longembolie of een beroerte. De gebrekkige bloeddoorstroming door het hart kan bloedklonters veroorzaken. Wanneer deze bloedklonters in de bloedbanen terecht komen, sluiten ze zuurstoftoevoer af, een potentiële doodsoorzaak.

De digitale geneeskunde

De revolutie van de digitale geneeskunde heeft de afgelopen jaren voor een explosie aan gezondheidsapps en -toestellen gezorgd. Fitbits, smartwatches en consorten zorgen ervoor dat we onze eigen gezondheidszorg kunnen organiseren. Denk ook aan ‘Doctor Google’, waarbij patiënten steeds meer zelf op zoek gaan naar een diagnose. Ondanks de mogelijke risico’s die deze trend met zich meedraagt, bijvoorbeeld op het vlak van privacy of door onnodige onrust bij patiënten, biedt hij ook heel wat kansen. Deze nieuwe technologieën bieden bijvoorbeeld de mogelijkheid om op veel grotere schaal te screenen op voorkamerfibrillatie. Dit is noodzakelijk, gezien de hoge prevalentie, terwijl daarenboven één op vijf geen symptomen vertoont.

Het Amerikaanse bedrijf AliveCor bracht recent de KardiaMobile uit: een kleine sensor, horende bij uw smartphone, die niet alleen uw hartritme monitort, maar ook het elektrocardiogram (ECG) opmeet. Onlangs kondigde ook Apple aan dat zijn nieuwe Watch een ECG-meting kan doen, met heel wat media-aandacht tot gevolg. Zo wijdde Terzake hier op 21 september een reportage aan.

image-20180925103115-1

                                                                      De KardiaMobile van AliveCor, waarmee een ECG-meting thuis kan gebeuren.

Zo’n ECG toont de elektrische activiteit van het hart en heeft bij gezonde patiënten een stereotiepe vorm. Klassiek meet de cardioloog dit ECG op met meerdere elektrodes, waardoor hij vanuit verschillende posities de activiteit kan registreren. Sensoren, zoals de KardiaMobile, die we dagelijks willen gebruiken, zijn hierin beperkt: meestal is slechts één signaal beschikbaar, wat uitdagender is in gebruik.

Automatische detectie van voorkamerfibrillatie

De twee voorgaande elementen, de noodzaak aan vroege screening en de beschikbaarheid van draagbare sensoren, motiveren het belang van een automatische detectie van voorkamerfibrillatie. U zou thuis uw ECG dan kunnen opmeten, waarna het algoritme u zegt of er potentieel voorkamerfibrillatie aanwezig is en u best uw huisdokter of cardioloog bezoekt. Een dergelijk algoritme dient dan ook niet als vervanging van de cardioloog, maar is een hulpmiddel, zodat de cardioloog zich kan bekommeren om de problematische gevallen. In de context van het ziekenhuis, bij gebruik van meerdere elektrodes, kan zo’n algoritme dienen als screening vooraf, of om de diagnose van de cardioloog te bevestigen of te corrigeren. De doelstelling van deze scriptie is dan ook de ontwikkeling van een algoritme om automatisch voorkamerfibrillatie te detecteren, zowel bij gebruik van één als meerdere elektrodes.

Het algoritme gebruikt verschillende technieken uit signaalverwerking, (tensor)algebra en machine learning. Een ECG-signaal, bestaande uit meerdere hartslagen, wordt eerst herleid tot één representatieve hartslag. Op basis van een database van gekende ECG-signalen, die door cardiologen reeds beoordeeld werden als normaal of als voorkamerfibrillatie, bouwt de methode in een eerste fase een model van een hartslag. Ten opzichte van dit model kunnen afwijkingen in een hartslag uitgedrukt worden, in een aantal getallen. Deze getallen symboliseren elke hartslag ten opzichte van het model. Voor de wiskundeknobbel onder u: deze modellering gebruikt tensoren, een meerdimensionale uitbreiding van matrices (de verzameling van getalletjes in een rechthoek, zeg maar).

In een tweede fase gebruikt de methode machine learning om deze getallen om te zetten in een ritme: normaal of voorkamerfibrillatie. Hierbij kan ook andere informatie toegevoegd worden over het hartritme, zoals het aantal hartslagen per minuut en afgeleide getallen hiervan. In machine learning leert de computer al deze informatie om te zetten naar een bepaald ritme, op dezelfde manier zoals mensen leren: door naar voorbeelden te kijken. Door de computer een database van voorbeelden te geven waarvan het ritme gekend is, kan hij, zolang er maar genoeg voorbeelden zijn, zelf de link leren tussen de gegeven informatie en de ritmes.

Deze ontwikkelde methode toont zowel op ECG-signalen van de KardiaMobile, als op signalen uit het ziekenhuis erg veelbelovende resultaten. Maar er zijn nog andere voordelen. Als hulpmiddel voor cardiologen, is het erg belangrijk dat zij de resultaten van een dergelijk algoritme kunnen interpreteren. Enkel op die manier kan de tool werkelijk een hulp zijn in de diagnostiek. Doordat deze methode modellen gebruikt, is ze veel transparanter voor cardiologen. De informatie die aan de machine learning-technieken gegeven wordt, is dan ook interpreteerbaar, zodat duidelijk is op basis van welke informatie een beslissing genomen wordt in de laatste diagnostische stap. Dit is een niet te onderschatten element in het succes van een dergelijk algoritme.

Recente ontwikkelingen, zoals de onthulling van de nieuwe ECG-functie op de Apple Watch, tonen dat de revolutie van de digitale geneeskunde op haar hoogtepunt zit. Samen met al deze nieuwe sensoren, worden ook bijhorende methodes steeds belangrijker. Dit onderzoek richtte zich op de ontwikkeling van een nieuw algoritme om automatisch voorkamerfibrillatie te detecteren, met de nadruk op klinische interpreteerbaarheid. Dergelijke methodes vormen de toekomst in onze maatschappij met de steeds groter wordende groep ouderen. Dit onderzoek stelt technologie ter beschikking van een maatschappij die er nood aan heeft.

Bibliografie

[1] Mobile Health (mHealth) Technologies and Global Markets estimated to reach $46.2 billion by 2021. PR Newswire, June 2017.

[2] Official results PhysioNet/CinC Challenge 2017. https://physionet.org/challenge/2017/results.csv, October 2017. [Online; beschikbaar op 18 mei 2017].

[3] A. Al-Fahoum. Quality assessment of ECG compression techniques using a wavelet-based diagnostic measure. IEEE Transactions on Information Technology in Biomedicine, 10(1):182–191, January 2006.

[4] R. Alcaraz, C. Vayá, R. Cervigón, C. Sánchez, and J. Rieta. Wavelet sample entropy: A new approach to predict termination of atrial fibrillation. In Computers in Cardiology, volume 33, pages 597–600, 2006.

[5] AliveCor®. KardiaMobile. https://commons.wikimedia.org/wiki/File:KardiaMobile.jpg. [Online; beschikbaar op 25 mei 2018].

[6] AliveCor®. Gebruikershandleiding voor Kardia™ van AliveCor®. https: //alivecor.zendesk.com/hc/en-us#quickstart, December 2017. [Online; beschikbaar op 27 mei 2018].

[7] S. Asgari, A. Mehrnia, and M. Moussavi. Automatic detection of atrial fibrillation using stationary wavelet transform and support vector machine. Computers in Biology and Medicine, 60:132–142, May 2015.

[8] M. Bousse, G. Goovaerts, N. Vervliet, O. Debals, S. Van Huffel, and L. De Lathauwer. Irregular heartbeat classification using Kronecker Product Equations. In Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, pages 438–441. Institute of Electrical and Electronics Engineers Inc., September 2017.

[9] M. Boussé, N. Vervliet, I. Domanov, O. Debals, and L. De Lathauwer. Linear Systems with a Canonical Polyadic Decomposition Constrained Solution: Algorithms and Applications. Technical report, ESAT-STADIUS, KU Leuven, 2017.

[10] E. Brochu, V. M. Cora, and N. de Freitas. A Tutorial on Bayesian Optimization of Expensive Cost Functions, with Application to Active User Modeling and Hierarchical Reinforcement Learning. arXiv preprint arXiv:1012.2599, December 2010.

[11] A. Bultheel and D. Huybrechs. Wavelets with applications in signal and image processing. chapter 2.6 The Heisenberg uncertainty principle, p.27-28, August 2014.

[12] A. Bultheel and D. Huybrechs. Wavelets with applications in signal and image processing. chapter 2.7 Time-frequency plane, p.29, August 2014.

[13] S. Chauhan and L. Vig. Anomaly detection in ECG time signals via deep long short-term memory networks. In Data Science and Advanced Analytics (DSAA), 2015. 36678 2015. IEEE International Conference on, pages 1–7. IEEE, October 2015.

[14] A. Cichocki, D. Mandic, L. De Lathauwer, G. Zhou, Q. Zhao, C. Caiafa, and H. Phan. Tensor decompositions for signal processing applications: From two-way to multiway component analysis. IEEE Signal Processing Magazine, 32(2):145–163, March 2015.

[15] G. D. Clifford, F. Azuaje, and P. McSharry. Advanced Methods And Tools for ECG Data Analysis, chapter 5.3.3 A Denoising Example: Wavelet Choice, pages 144–148. Artech House, Inc., Norwood, MA, USA, 2006.

[16] G. D. Clifford, R. Colloca, and J. Oster. Comput_AFEv, comp_dRR, metrics, BPCount. https://github.com/pratyusk/AFibClassification. [Code AFEvidence, Online; beschikbaar op 13 mei 2018].

[17] G. D. Clifford, C. Liu, B. Moody, L.-w. H. Lehman, I. Silva, Q. Li, A. Johnson, and R. G. Mark. AF Classification from a short single lead ECG recording: the PhysioNet/Computing in Cardiology Challenge 2017. Computing, 44:1, 2017.

[18] R. Colloca, A. E. Johnson, G. D. Clifford, and L. Mainardi. A Support Vector Machine approach for reliable detection of atrial fibrillation events. In Computing in Cardiology, volume 40, pages 1047–1050, 2013.

[19] N. Cristianini and J. Shawe-Taylor. An introduction to support vector machines and other kernel-based learning methods. Cambridge University press, Cambridge, 2000.

[20] L. De Lathauwer, B. De Moor, and J. Vandewalle. A Multilinear Singular Value Decomposition. SIAM Journal on Matrix Analysis and Applications, 21(4):1253–1278, 2000.

[21] L. De Lathauwer, B. De Moor, and J. Vandewalle. On the Best Rank-1 and Rank-(R1,R2,. . .,RN) Approximation of Higher-Order Tensors. SIAM Journal on Matrix Analysis and Applications, 21(4), January 2000.

[22] O. Debals. Tensorization and Applications in Blind Source Separation. PhD thesis, Leuven, 2017.

[23] O. Debals and L. De Lathauwer. Stochastic and deterministic tensorization for blind signal separation. In International Conference on Latent Variable Analysis and Signal Separation, volume 9237, pages 3–13. Springer, 2015.

[24] D. Donoho. De-noising by soft-thresholding. Information Theory, IEEE Transactions on, 41(3):613–627, May 1995.

[25] A. Fasano and V. Villani. Baseline wander removal in ECG and AHA recommendations. In Computing in Cardiology, volume 40, pages 1171–1174, 2013.

[26] A. Fasano and V. Villani. ECG baseline wander removal and impact on beat morphology: A comparative analysis. In Computing in Cardiology, volume 40, pages 1167–1170, 2013.

[27] A. Fasano and V. Villani. Baseline wander removal for bioelectrical signals by quadratic variation reduction. Signal Processing, 99:48–57, June 2014.

[28] A. Fasano, V. Villani, and L. Vollero. Fast ECG baseline wander removal preserving the ST segment. In Proceedings of the 4th International Symposium on applied sciences in biomedical and communication technologies, ISABEL ’11, pages 1–5. ACM, October 2011.

[29] M. García, J. Ródenas, R. Alcaraz, and J. J. Rieta. Application of the relative wavelet energy to heart rate independent detection of atrial fibrillation. Computer Methods and Programs in Biomedicine, 131:157–168, July 2016.

[30] M. A. Gelbart, J. Snoek, and R. P. Adams. Bayesian Optimization with Unknown Constraints. arXiv preprint arXiv:1403.5607, March 2014.

[31] L. Geris. Wetenschap en utopie: Lessen voor de eenentwintigste eeuw, chapter Utopie voor morgen: digitale gezondheidszorg, pages 79–94. Lessen voor de eenentwintigste eeuw 23. Leuven UP, Leuven, 2017.

[32] A. Goldberger, L., L. Amaral, A. N., L. Glass, M., J. Hausdorff, Ch., P. Ivanov, G., R. Mark, E., J. Mietus, B., G. Moody, Eugene, C.-K. Peng, Eugene, and H. Stanley, Eugene. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation: Journal of the American Heart Association, 101(23):e215–e220, June 2000.

[33] G. H. Golub and C. F. Van Loan. Matrix computations, volume 3, chapter 4.3.6 Tridiagonal System Solving, page 157. JHU Press, 2012.

[34] A. Gramacki. Nonparametric Kernel Density Estimation and Its Computational Aspects. Studies in Big Data, 37. Springer International Publishing, 2018.

[35] A. Gramacki. Nonparametric Kernel Density Estimation and Its Computational Aspects, chapter 2.5 Parzen Windows, page 16. Studies in Big Data, 37. Springer International Publishing, 2018.

[36] Hartcentrum Hasselt. Voorkamerfibrillatie? Informatie voor patiënten. http://www.hartcentrumhasselt.be/patient/hartziekten/ hartritmestoornissen/te-snel-hartritme--tachycardie/ voorkamerfibrillatie [Online; beschikbaar op 25 mei 2018].

[37] M. Ishteva, P.-A. Absil, S. Van Huffel, and L. De Lathauwer. Best Low Multilinear Rank Approximation of Higher-Order Tensors, Based on the Riemannian Trust-Region Scheme. SIAM Journal on Matrix Analysis and Applications, 32(1):115–135, 2011.

[38] M. Kania, M. Fereniec, and R. Maniewski. Wavelet denoising for multi-lead high resolution ECG signals. Measurement science review, 7(4):30–33, 2007.

[39] A. H. Khandoker, C. Karmakar, M. Brennan, M. Palaniswami, and A. Voss. Poincaré Plot Methods for Heart Rate Variability Analysis. Springer US : Imprint: Springer, Boston, MA, 2013.

[40] T. G. Kolda and B. W. Bader. Tensor Decompositions and Applications. SIAM Review, 51(3):455–500, August 2009.

[41] S. Ladavich and B. Ghoraani. Rate-independent detection of atrial fibrillation by statistical modeling of atrial activity. Biomedical Signal Processing and Control, 18, April 2015.

[42] D. E. Lake and J. R. Moorman. Accurate estimation of entropy in very short physiological time series: the problem of atrial fibrillation detection in implanted ventricular devices. American journal of physiology. Heart and circulatory physiology, 300(1), January 2011.

[43] K. Lee. ApEn. https://nl.mathworks.com/matlabcentral/fileexchange/ 32427-fast-approximate-entropy. [Code ApEn, Online; beschikbaar op 15 april 2018].

[44] Leuvens Aritmie Centrum. Voorkamerfibrillatie, Informatie voor patiënten. https://www.uzleuven.be/node/58989, Februari 2017.

[45] R. A. Álvarez, A. J. M. Penín, and X. A. V. Sobrino. A Comparison of Three QRS Detection Algorithms Over a Public Database. Procedia Technology, 9:1159–1165, 2013.

[46] I. Markovsky. Low Rank Approximation: Algorithms, Implementation, Applications, chapter 2: From Data to Models, page 62. Communications and Control Engineering. Springer, London, 2012.

[47] J. Moeyersons, C. Varon, D. Testelmans, B. Buyse, and S. Van Huffel. ECG Artefact Detection Using Ensemble Decision Trees. Computing in Cardiology, 44:1, 2017.

[48] G. Moody. A new method for detecting atrial fibrillation using RR intervals. Computers in Cardiology, pages 227–230, 1983.

[49] G. Moody. Spontaneous termination of atrial fibrillation: a challenge from physionet and computers in cardiology 2004. In Computers in Cardiology, 2004, pages 101–104. IEEE, 2004.

[50] S. Padhy and S. Dandapat. Third-order tensor based analysis of multilead ECG for classification of myocardial infarction. Biomedical Signal Processing and Control, 31:71–78, January 2017.

[51] J. Pan and W. J. Tompkins. A Real-Time QRS Detection Algorithm. Biomedical Engineering, IEEE Transactions on, BME-32(3):230–236, March 1985.

[52] S. Petrutiu, A. V. Sahakian, and S. Swiryn. Abrupt changes in fibrillatory wave characteristics at the termination of paroxysmal atrial fibrillation in humans. Europace, 9(7):466–470, July 2007.

[53] U. Rajendra Acharya, K. Paul Joseph, N. Kannathal, C. Lim, and J. Suri. Heart rate variability: a review. Medical and Biological Engineering and Computing, 44(12):1031–1051, December 2006.

[54] R. M. Rangayyan. Biomedical Signal Analysis, chapter 1.2.5 The electrocardiogram (ECG), pages 24–25. John Wiley & Sons, Inc. Hoboken, New Jersey, 2015.

[55] R. M. Rangayyan. Biomedical Signal Analysis, chapter 3.1 Problem Statement, page 104. John Wiley & Sons, Inc. Hoboken, New Jersey, 2015.

[56] R. M. Rangayyan. Biomedical Signal Analysis, chapter 3.3.3 Motion artifact in the ECG, page 104. John Wiley & Sons, Inc. Hoboken, New Jersey, 2015.

[57] R. M. Rangayyan. Biomedical Signal Analysis, chapter 5.6 Analysis of Activity, pages 314–320. John Wiley & Sons, Inc. Hoboken, New Jersey, 2015.

[58] S. Sarkar, D. Ritscher, and R. Mehra. A Detector for a Chronic Implantable Atrial Tachyarrhythmia Monitor. Biomedical Engineering, IEEE Transactions on, 55(3):1219–1224, March 2008.

[59] B. Schölkopf and A. J. Smola. Learning with kernels: support vector machines, regularization, optimization, and beyond. Adaptive computation and machine learning. MIT Press, Cambridge, 2002.

[60] F. Shaffer and J. P. Ginsberg. An Overview of Heart Rate Variability Metrics and Norms. Frontiers in Public Health, 5, September 2017.

[61] I. Silva and G. B. Moody. An open-source toolbox for analysing and processing physionet databases in matlab and octave. Journal of open research software, 2(1), 2014.

[62] K. Tateno and L. Glass. Automatic detection of atrial fibrillation using the coefficient of variation and density histograms of RR and Delta RR intervals. Medical & Biological Engineering & Computing, 39(6):664–671, November 2001.

[63] L. N. Trefethen and D. Bau. Numerical linear algebra, chapter 4. The Singular Value Decomposition, pages 29–30. SIAM, Philadelphia, 1997.

[64] N. Vannieuwenhoven, R. Vandebril, and K. Meerbergen. A New Truncation Strategy for the Higher-Order Singular Value Decomposition. SIAM Journal on Scientific Computing, 34(2):1027–1052, 2012.

[65] N. Vervliet, O. Debals, L. Sorber, M. Van Barel, and L. De Lathauwer. Tensorlab 3.0. https://www.tensorlab.net, Mar. 2016. Available online.

[66] M. Vollmer. A robust, simple and reliable measure of heart rate variability using relative RR intervals. In Computing in Cardiology Conference (CinC), 2015, pages 609–612. CCAL, September 2015.

[67] B. Weng, J. J. Wang, F. Michaud, and M. Blanco-Velasco. Atrial fibrillation detection using stationary wavelet transform analysis. Conference proceedings: 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference, 2008, 2008.

[68] Y. Xia, N. Wulan, K. Wang, and H. Zhang. Detecting atrial fibrillation by deep convolutional neural networks. Computers in Biology and Medicine, 93:84–92, February 2018.
 

Universiteit of Hogeschool
Master in de ingenieurswetenschappen: Wiskundige Ingenieurstechnieken
Publicatiejaar
2018
Promotor(en)
Prof. dr. ir. Sabine Van Huffel, Prof. dr. ir. Lieven De Lathauwer
Kernwoorden
Deel deze scriptie