Linear prediction coding and wavelet based multi heart diseases classification via SVM

Abstract

Organlarda bulunan kanı kontrol ettiği için, insan kalbinin insan vücudunun ana parçalarından birisi olduğu kabul edilmektedir. Kalp hastalıkları yılda 15 milyon'dan fazla insanın ölümüne sebep olmasından dolayı kalp hastalıklarının teşhisi, hem biyolojik hem de klinik sistemlerde büyük önem arz etmektedir.. Bilgisayar teknikleri kullanılarak yapılan Elektrokardiyogram (EKG) sinyallerinin incelenmesi ön-işleme, özellik çıkarımı ve işleme sonrası gibi bir takım işlemleri içermektedir. Bu alanda yapılan çalışmaların çoğu kalp hastalıkları için EKG'leri (normal ve anormal olmak üzere) iki vakaya ayırmaktadır. Diğer araştırmacılar normal vakada EKG standart özelliklerinin analizi ile ilgilenmiş (P dalgası, PR aralığı, QRS kompleksi, ST segmenti, T dalgası, QT aralığı), bu çalışmalardan bazıları ise işlemlerde yüksek seviye operasyonlar gerektiren Yapay Zeka (AI) yöntemlerini uygulamışlardır. Bu tez çalışmasında, ön işleme aşaması sırasında sinyal gerileme ve normalleşme için Lineer Tahmini Kodlamayı (LPC) kullanarak kalp hastalıklarının 6 farklı vakasını tespit etmek için doğru bir yöntem ortaya koymaktayız. Daha sonra, özellik çıkarımı aşamasında, özellik vektörünü çıkarmak için EKG sinyalini zaman serileri alanından frekans alanına transfer etmek için 8-seviyeli kesikli dalgacık dönüşümünü (DWT) ve Dalgacık Enerjisini (WE) kullanmaktayız. Bundan sonra, sınıflandırma aşamasında veri kümelerini çalıştırmak ve test numunelerini sınıflandırmak için Destek Vektör Makinasını (SVM) kullanmakta ve son olarak Yinelemeli En Yakın Noktayı (ICP) uygulayarak veri kümelerini çalıştırmak için denemenin en yakın vektörünü bulmaktayız.Çalışmamızın performansı 6 hastalık için %98,14 doğruluk oranı veren karışıklık matrisi kullanılarak değerlendirilmiştir.

The human heart is considered to be a main part in the human body since it controls the blood in whole parts of the organs. Therefore, diagnosis of heart diseases is considered to be of major importance in biological and clinical systems as these diseases cause more than 15 million deaths per year. The examination of Electrocardiogram (ECG) signals using computerization techniques involves a number of procedures such as pre-processing, feature extraction and post-processing. Most studies focusing on this domain have classified ECGs into two cases (normal and abnormal) for heart cases. Other researches have been interested in the analysis of ECG standard features of normal case (P wave, PR interval, QRS complex, ST segment, T wave, QT interval), and some of these works have applied Artificial Intelligent (AI) methods which require high level operations in processing. In this thesis, we propose an accurate method in order to detect 6 different cases of heart diseases by using Linear Predictive Coding (LPC) as signal regressing and normalizing during the preprocessing phase. Then, during the feature extraction phase, we use Discrete Wavelet Transform (DWT) with 8-level to transfer the ECG signal from time series domain to frequency domain and Wavelet Energy (WE) in order to extract the feature vector. After that, using Support Vector Machine (SVM) in the classification phase to train datasets and classify the test samples and finally finding the closest vector of testing to train datasets by applying Iterative Closest Point (ICP). Performance of our work was evaluated by using the confusion matrix which gave an accuracy rate of 98.14% for 6 diseases.