Premature contractions classification using real and simulated photoplethysmographic signals

This thesis investigates the classification of Premature Atrial Contractions (PACs) and Premature Ventricular Contractions (PVCs) using Photoplethysmography (PPG) signals, contrasting with the traditional Electrocardiogram (ECG) approach. Given the common occurrence of PACs and PVCs in both healthy individuals and those with cardiovascular conditions, and their association with adverse cardiovascular events, accurate detection and classification are vital. The study leverages artificial intelligence techniques, such as machine learning and deep learning models, employing datasets from the MIMIC and MIMIC III databases, paired with simulated PPG signals to compare the performances of the models trained with real signals to those trained with simulated signals. The methodology includes preprocessing of PPG signals, feature extraction, and the application of multiple classification models, including Support Vector Machine (SVM), Multi-Layer Perceptron (MLP), Random Forest (RF), and a Deep Convolutional Neural Network (DCNN). The performance of these models was evaluated based on their ability to classify signals into NSR (Normal Sinus Rhythm), PAC, and PVC categories, utilizing both real and simulated data to assess the efficacy of the simulation approach. The results demonstrate that deep learning models, particularly the DCNN, outperform traditional machine learning models in classifying arrhythmias from PPG signals. The DCNN achieved superior performance metrics across various tests, indicating its potential for real-world application in non-invasive, continuous monitoring of cardiac activity. The study concludes that PPG, coupled with advanced computational models, represents a promising avenue for the early detection of arrhythmias, contributing to preventive cardiovascular healthcare strategies. Finally, the results obtained with real PPG signals were significantly better than those obtained with simulated signals. Nevertheless, the findings also highlight the value of simulated data, that with some modifications to the simulation algorithm could become a great resource for the creation of broader PPG databases to be used for the training of arrhythmia classification models.

Questa tesi si propone di studiare la classificazione di contrazioni atriali premature (PACs) e contrazioni ventricolari premature (PVCs) tramite l'uso di segnali fotopletismografici, in contrasto con il più usato approccio basato sull'elettrocardiogramma (ECG). Vista la frequente presenza di PAC e PVC sia in soggetti sani che in soggetti che presentano patologie cardiache, e la loro correlazione con eventi cardiovascolari avversi, rilevazione e classificazione accurate sono fondamentali. Questo studio utilizza metodologie di intelligenza artificiale, in particolare modelli di machine learning e deep learning, usando dataset ricavati dai database MIMIC e MIMIC III, a cui si aggiungono segnali PPG simulati al fine di confrontare le prestazioni dei modelli allenati con segnali reali a quelli allenati con segnali simulati. La metodologia comprende una fase di preprocessing dei segnali PPG, l'estrazione delle features, e l'applicazione di diversi modelli di classificazione, tra cui Support Vector Machine (SVM), Multi-Layer Perceptron (MLP), Random Forest (RF), e una Deep Convolutional Neural Network (DCNN). Le prestazioni di questi modelli sono state valutate sulla loro capacità di classificare i segnali nelle categorie di ritmo normale (NSR), PAC, e PVC, tramite l'utilizzo sia di segnali reali che simulati al fine di valutare l'efficacia del modello di simulazione. I risultati dimostrano come i modelli di deep learning, in questo caso la DCNN, offrano prestazioni migliori rispetto ai modelli tradizionali di machine learning nella classificazione di aritmie dai segnali PPG. La DCNN ha ottenuto prestazioni superiori su tutti gli indicatori, indicando il suo potenziale per applicazioni nel mondo reale per quanto riguarda il monitoraggio continuo e non invasivo dell'attività cardiaca. Lo studio giunge alla conclusione che i segnali PPG, abbinati a modelli computazionali avanzati, rappresentano uno strumento promettente per la rilevazione precoce di aritmie, con la possibilità di contribuire alle strategie di prevenzione nell'ambito cardiovascolare. Infine, i risultati ottenuti con i segnali PPG reali sono stati significativamente migliori rispetto a quelli ottenuti con i segnali simulati. Nonostante ciò, i risultati evidenziano comunque il valore dei segnali simulati, che con l'aggiunta di alcune modifiche agli algoritmi di simulazione hanno il potenziale per diventare una grande risorsa per la creazione di database più vasti, da utilizzare anche per allenare modelli per la classificazione di aritmie.