Implementation and testing of atrial fibrillation detectors for a mobile phone application

This thesis examines several signal processing methods for automatic detection of Atrial Fibrillation (AF) to accomplish the final goal of bringing the most suitable one on a smartphone. The attention is particularly focused on methods based on ventricular response analysis. Three promising detectors are implemented. Selected AF detectors are successively tested by applying a common evaluation protocol. AF features extracted from the methods are successively combined with other simple AF predictors, in the attempt to improve the predictive power of single detectors. Three classifiers for supervised learning are adopted for this purpose: Logistic Regression, Random Forests, Support Vector Machines. Feature importance analysis is performed. Finally, the impact of ectopy on AF detection is investigated: different percentages of ectopic beats are added on normal ECG tracings using a Hidden Markov Model approach. Drop in performance for each detector and for each classifier is quantified.

Questo lavoro di tesi si propone di individuare e mettere a confronto metodi automatici ed accurati per la detezione della Fibrillazione Atriale (FA), che siano appropriati nella prospettiva di una implementazione finale su piattaforma mobile per un'applicazione di screening. Vengono descritte diverse tecniche per l’identificazione dell'aritmia, basate sull'estrazione di caratteristiche dal segnale di variabilità cardiaca. Tre algoritmi per rilevare la FA, giudicati appropriati per gli scopi di questo lavoro, sono implementati per essere testati e comparati. Ampio spazio è dedicato alla fase di testing degli algoritmi. A questo scopo, sono utilizzati i database standard di Physionet. Le performance dei diversi metodi sono analizzate utilizzando il medesimo protocollo di test, allo scopo di rendere i risultati il più possibile comparabili. Successivamente le caratteristiche estratte dal segnale di variabilità cardiaca, attraverso gli algoritmi selezionati, sono combinate ad altri semplici predittori di FA. In particolare, tre modelli matematici (Logistic Regression, Random Forests e Support Vector Machines) sono utilizzati per la classificazione binaria delle stesse osservazioni, nel tentativo di migliorare i risultati ottenuti dai singoli algoritmi. Infine, viene affrontato il problema dei battiti ectopici, i quali, modificando il contenuto spettrale del segnale di variabilità cardiaca, possono confondere i metodi di detezione della FA. Un approccio basato su Hidden Markov Models è utilizzato per introdurre diverse percentuali di battiti ectopici. Il corrispondente impatto sulle performance dei tre algoritmi e dei classificatori viene analizzato.