Automatic heartbeat detection using machine learning and deep learning methods on seismocardiographic signals

Seismocardiography (SCG) measures the precordial micro-vibrations of the chest induced by the mechanical activity of the heart, valve opening and closing, and blood ejection into the vascular tree at each heartbeat. Recent advancements in technologies, such as the development of lightweight and portable sensors, have renewed the interest in SCG as a tool for the cardiac activity monitoring tasks. Moreover, several approaches using machine learning and deep learning techniques have been studied to automatize the analysis of the SCG, without the need of other cardiac signals such as Electrocardiography (ECG). The aim of this thesis was the development of a classification machine learning model for the automatic detection of systolic phases in SCG recordings. Different models have been tested including Random Forest (RF), Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) which were combined with different types of input data extracted by the SCG signals. The models were trained both using raw signal data and features extracted from SCG heartbeat segments, having the ECG as gold standard. The automaticity of the models in detecting the systolic complexes in SCG data was evaluated using a sliding window passing through the entire SCG recordings. Further post-processing steps were included to enhance the prediction performances, such as Non-Maximum Suppression (NMS) algorithm. The best results were achieved using the LSTM model trained with the raw signal data composed by the systolic complexes of the SCG recordings, and a combination of post- processing filters composed by an NMS step and a filter considering previous knowledge about the waveforms shape constraints. The classification model was able to identify systolic complexes with an Accuracy of 93.7%, a Specificity of 93.9% and a Recall score of 79%. Nevertheless, Precision and F1-score obtained were of 12.4% and 21.4%, respectively, indicating the need of further analysis to enhance the model ability in distinguishing non-systolic (including noise) and systolic complexes.

La sismocardiografia (SCG) registra le micro-vibrazioni precordiali del torace indotte dall'attività meccanica del cuore, dall'apertura e dalla chiusura delle valvole e dall'eiezione del sangue nell'albero vascolare a ogni battito cardiaco. I recenti progressi tecnologici, come lo sviluppo di sensori leggeri e portatili, hanno rinnovato l'interesse per la SCG come strumento per il monitoraggio dell'attività cardiaca. Inoltre, sono stati studiati diversi approcci che utilizzano tecniche di machine learning e deep learning per automatizzare l'analisi dei segnali SCG, senza la necessità di altri segnali cardiaci come l’elettrocardiogramma (ECG). Lo scopo di questo studio è il rilevamento automatico delle fasi sistoliche in registrazioni SCG, precedentemente etichettate, attraverso lo sviluppo di un modello di classificazione basato sul machine learning. Sono stati testati diversi modelli, tra cui Random Forest (RF), Convolutional Neural Netwotk (CNN) e Long Short-Term Memory (LSTM), combinati con diversi tipi di dati di input estratti dai segnali SCG. I modelli sono stati addestrati sia con i dati grezzi del segnale sia tramite features estratte dalle finestre di battito cardiaco dei segnali SCG. L'automaticità dei modelli nel rilevare i complessi sistolici nelle registrazioni SCG è stata valutata utilizzando una finestra scorrevole che attraversava l'intero segnale. Per migliorare le prestazioni dei modelli sono state incluse ulteriori fasi di post- elaborazione, come l'algoritmo di soppressione non massimale (NMS). I risultati migliori sono stati ottenuti utilizzando il modello LSTM addestrato con i dati del segnale grezzo composto dai complessi sistolici delle registrazioni SCG e una combinazione di filtri di post-elaborazione con l’uso di NMS e un di filtro sulla forma d'onda. Il modello di classificazione è stato in grado di identificare i complessi sistolici con un'accuratezza del 93,7%, una specificità del 93,9% e un punteggio di Recall del 79%. Tuttavia, la precisione e il punteggio F1 ottenuti sono stati rispettivamente del 12,4% e del 21,4%, indicando la necessità di ulteriori analisi per migliorare la capacità del modello di distinguere i complessi non sistolici da quelli sistolici.