Published January 1, 2022
| Version v1
Publication
Open
An Effective Machine Learning Approach for Classifying Artefact-Free and Distorted Capnogram Segments Using Simple Time-Domain Features
- 1. Arab Academy for Science, Technology, and Maritime Transport
- 2. University of Technology Malaysia
- 3. University College Cork
Description
Capnogram signal analysis has received considerable attention owing to its important applications in assessing cardiopulmonary functions. However, the automatic elimination of deformed parts of a capnogram waveform remains an open research problem. Herein, we introduce an automatic classification approach for discriminating artefact-free (regular) and distorted (irregular) segments of capnogram signals. The proposed features include Hjorth parameters and mean absolute deviation (MAD). The main advantage of these features is their simplicity, such that they can be employed in a computationally efficient machine learning algorithm. MATLAB simulation is conducted on 100 regular and 100 irregular segments of capnogram to extract the proposed and existing features, which are ranked based on the Pearson correlation coefficient, ${p}$ -value and area under receiver operating characteristic (ROC) curve. The naive Bayes, decision tree, random forest and support vector machine (SVM) classifiers are fed by the relatively highly ranked features, and the classification performance is assessed via ten-fold cross-validation. Besides the linear kernel SVM, the radial basis function (RBF) and polynomial kernel functions with different orders are also included in the current experiment. Results revealed the effectiveness of the Hjorth activity and MAD attributes when used with the fourth-order polynomial kernel-SVM classifier. The achieved accuracy, precision and specificity are 89%, 92.1%, and 91% outperforming the existing method by 2.5%, 5.6% and 7%, respectively. The simplicity of the proposed time-domain features is confirmed by the average total computational time of features extraction and classification phases which is only 13 ms instead of 19 ms in the case of incorporating both time- and frequency-domain features, indicating a reduction of 31.6%. It is envisaged that the proposed approach can be valuable if implemented with capnography devices for real-time and fully automated capnogram-based respiratory assessment. Even so, further research is recommended to enhance the classification performance through exploring more features and/or classifiers.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
وقد حظي تحليل إشارة كابنوغرام باهتمام كبير بسبب تطبيقاته الهامة في تقييم وظائف القلب والرئة. ومع ذلك، فإن الإزالة التلقائية للأجزاء المشوهة من الشكل الموجي الكابنوغرافي لا تزال مشكلة بحثية مفتوحة. هنا، نقدم نهج تصنيف تلقائي لتمييز المقاطع الخالية من القطع الأثرية (العادية) والمشوهة (غير المنتظمة) من إشارات الرسم البياني. تشمل الميزات المقترحة معلمات Hjorth ومتوسط الانحراف المطلق (MAD). الميزة الرئيسية لهذه الميزات هي بساطتها، بحيث يمكن استخدامها في خوارزمية تعلم آلي فعالة حسابيًا. يتم إجراء محاكاة MATLAB على 100 مقطع منتظم و 100 مقطع غير منتظم من capnogram لاستخراج الميزات المقترحة والحالية، والتي يتم تصنيفها بناءً على معامل ارتباط بيرسون وقيمة ${p}$ والمساحة تحت منحنى خاصية تشغيل جهاز الاستقبال (ROC). يتم تغذية مصنفات Bayes الساذجة وشجرة القرار والغابات العشوائية وآلة ناقلات الدعم (SVM) من خلال الميزات ذات التصنيف العالي نسبيًا، ويتم تقييم أداء التصنيف من خلال التحقق المتبادل بعشرة أضعاف. إلى جانب النواة الخطية SVM، يتم أيضًا تضمين دالة الأساس الشعاعي (RBF) ودوال النواة متعددة الحدود بترتيب مختلف في التجربة الحالية. كشفت النتائج عن فعالية نشاط Hjorth وسمات MAD عند استخدامها مع مصنف kernel - SVM متعدد الحدود من الدرجة الرابعة. تبلغ الدقة والدقة والنوعية المحققة 89 ٪ و 92.1 ٪ و 91 ٪ متفوقة على الطريقة الحالية بنسبة 2.5 ٪ و 5.6 ٪ و 7 ٪ على التوالي. يتم تأكيد بساطة ميزات النطاق الزمني المقترحة من خلال متوسط إجمالي الوقت الحسابي لمراحل استخراج الميزات وتصنيفها وهو 13 مللي ثانية فقط بدلاً من 19 مللي ثانية في حالة دمج ميزات النطاق الزمني والتردد، مما يشير إلى انخفاض بنسبة 31.6 ٪. من المتصور أن النهج المقترح يمكن أن يكون ذا قيمة إذا تم تنفيذه باستخدام أجهزة capnography لتقييم الجهاز التنفسي في الوقت الفعلي وبشكل مؤتمت بالكامل. ومع ذلك، يوصى بإجراء مزيد من الأبحاث لتعزيز أداء التصنيف من خلال استكشاف المزيد من الميزات و/أو المصنفات.Translated Description (French)
L'analyse du signal du capnogramme a fait l'objet d'une attention considérable en raison de ses applications importantes dans l'évaluation des fonctions cardiopulmonaires. Cependant, l'élimination automatique des parties déformées d'une forme d'onde de capnogramme reste un problème de recherche ouvert. Ici, nous introduisons une approche de classification automatique pour discriminer les segments sans artefact (réguliers) et déformés (irréguliers) des signaux de capnogramme. Les caractéristiques proposées comprennent les paramètres de Hjorth et l'écart absolu moyen (MAD). Le principal avantage de ces fonctionnalités est leur simplicité, de sorte qu'elles peuvent être utilisées dans un algorithme d'apprentissage automatique efficace sur le plan informatique. La simulation Matlab est réalisée sur 100 segments réguliers et 100 segments irréguliers de capnogramme pour extraire les caractéristiques proposées et existantes, qui sont classées en fonction du coefficient de corrélation de Pearson, de la valeur ${p} $ et de la surface sous la courbe de la caractéristique de fonctionnement du récepteur (roc). Les classificateurs Bayes naïfs, arbre de décision, forêt aléatoire et machine à vecteurs de support (SVM) sont alimentés par les caractéristiques relativement bien classées, et la performance de classification est évaluée via une validation croisée de dix fois. Outre le SVM du noyau linéaire, la fonction de base radiale (RBF) et les fonctions du noyau polynomial avec des ordres différents sont également incluses dans l'expérience actuelle. Les résultats ont révélé l'efficacité de l'activité Hjorth et des attributs MAD lorsqu'ils sont utilisés avec le classificateur polynomial de quatrième ordre noyau-SVM. La précision, la précision et la spécificité obtenues sont respectivement de 89 %, 92,1 % et 91 % supérieures de 2,5 %, 5,6 % et 7 % à la méthode existante. La simplicité des caractéristiques du domaine temporel proposées est confirmée par le temps de calcul total moyen des phases d'extraction et de classification des caractéristiques qui n'est que de 13 ms au lieu de 19 ms dans le cas de l'incorporation de caractéristiques du domaine temporel et fréquentiel, indiquant une réduction de 31,6 %. Il est envisagé que l'approche proposée puisse être utile si elle est mise en œuvre avec des dispositifs de capnographie pour une évaluation respiratoire en temps réel et entièrement automatisée basée sur le capnogramme. Néanmoins, des recherches supplémentaires sont recommandées pour améliorer les performances de classification en explorant plus de caractéristiques et/ou de classificateurs.Translated Description (Spanish)
El análisis de la señal del capnograma ha recibido una atención considerable debido a sus importantes aplicaciones en la evaluación de las funciones cardiopulmonares. Sin embargo, la eliminación automática de las partes deformadas de una forma de onda de capnograma sigue siendo un problema de investigación abierto. En este documento, presentamos un enfoque de clasificación automática para discriminar los segmentos libres de artefactos (regulares) y distorsionados (irregulares) de las señales de capnograma. Las características propuestas incluyen los parámetros de Hjorth y la desviación absoluta media (MAD). La principal ventaja de estas características es su simplicidad, de modo que se pueden emplear en un algoritmo de aprendizaje automático computacionalmente eficiente. La simulación de MATLAB se realiza en 100 segmentos regulares y 100 irregulares de capnograma para extraer las características propuestas y existentes, que se clasifican en función del coeficiente de correlación de Pearson, el valor de ${p}$ y el área bajo la curva de características operativas del receptor (Roc). Los clasificadores ingenuos de Bayes, árbol de decisión, bosque aleatorio y máquina de vectores de soporte (SVM) se alimentan de las características de clasificación relativamente alta, y el rendimiento de la clasificación se evalúa a través de una validación cruzada de diez veces. Además de la SVM del núcleo lineal, la función de base radial (RBF) y las funciones polinómicas del núcleo con diferentes órdenes también se incluyen en el experimento actual. Los resultados revelaron la efectividad de la actividad de Hjorth y los atributos MAD cuando se usan con el clasificador kernel-SVM polinómico de cuarto orden. La exactitud, precisión y especificidad alcanzadas superan en un 89%, 92,1% y 91% al método existente en un 2,5%, 5,6% y 7%, respectivamente. La simplicidad de las características de dominio de tiempo propuestas se confirma por el tiempo computacional total promedio de las fases de extracción y clasificación de características, que es de solo 13 ms en lugar de 19 ms en el caso de incorporar características de dominio de tiempo y frecuencia, lo que indica una reducción del 31.6%. Se prevé que el enfoque propuesto puede ser valioso si se implementa con dispositivos de capnografía para la evaluación respiratoria basada en capnografía en tiempo real y totalmente automatizada. Aun así, se recomienda realizar más investigaciones para mejorar el rendimiento de la clasificación mediante la exploración de más características y/o clasificadores.Files
09682692.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:a0bd088022b49a4cc8794f496605ea7f
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نهج فعال للتعلم الآلي لتصنيف شرائح Capnogram الخالية من القطع الأثرية والمشوهة باستخدام ميزات بسيطة للنطاق الزمني
- Translated title (French)
- Une approche d'apprentissage automatique efficace pour classer les segments de capnogrammes sans artefacts et déformés à l'aide de fonctionnalités simples dans le domaine temporel
- Translated title (Spanish)
- Un enfoque eficaz de aprendizaje automático para clasificar segmentos de capnogramas distorsionados y sin artefactos utilizando funciones simples de dominio de tiempo
Identifiers
- Other
- https://openalex.org/W4206746217
- DOI
- 10.1109/access.2022.3143617
References
- https://openalex.org/W1563088657
- https://openalex.org/W1567010277
- https://openalex.org/W1967903496
- https://openalex.org/W1979586046
- https://openalex.org/W2008651241
- https://openalex.org/W2025985965
- https://openalex.org/W2027666102
- https://openalex.org/W2037036168
- https://openalex.org/W2040884411
- https://openalex.org/W2041406732
- https://openalex.org/W2055271333
- https://openalex.org/W2060637447
- https://openalex.org/W2071341607
- https://openalex.org/W2090485897
- https://openalex.org/W2134050473
- https://openalex.org/W2135992227
- https://openalex.org/W2137716815
- https://openalex.org/W2152186962
- https://openalex.org/W2158698691
- https://openalex.org/W2167101736
- https://openalex.org/W2239915590
- https://openalex.org/W2274746292
- https://openalex.org/W2316557706
- https://openalex.org/W2518549364
- https://openalex.org/W2764162749
- https://openalex.org/W2773560649
- https://openalex.org/W2775167326
- https://openalex.org/W2778740878
- https://openalex.org/W2786199384
- https://openalex.org/W2792065904
- https://openalex.org/W2890552408
- https://openalex.org/W2911964244
- https://openalex.org/W2912118475
- https://openalex.org/W2955914832
- https://openalex.org/W2962986775
- https://openalex.org/W3022341094
- https://openalex.org/W3043928476
- https://openalex.org/W3158931549
- https://openalex.org/W3161688641
- https://openalex.org/W3169906287
- https://openalex.org/W4205699531
- https://openalex.org/W4298054724
- https://openalex.org/W585036949