Classification of ECGarrythmia beats with artificial neural networks

Abstract

EKG (Elektrokardiyografi) kalbin elektriksel aktivitelerinin görüntülenmesini sağlayan çok kullanışlı noninvaziv bir görüntüleme metodudur. EKG kayıtlarına bakılarak kalbin sağlığıyla ilgili bir çok bilgi edinilebilir. Bu bilgiler ise küçük çapta veya hayati önem taşıyan bilgiler olabilir. Bunun üzerine bilim adamları kalbin elektriksel aktivitesindeki anormallikleri tanıyabilen otomatik sistemler üzerinde çalışmaya başlamışlardır. Bu sistemlerin gerek hastanın kendisini, gerek klinik ortamda hekimlerin hastalarını gözlemleyebilmelerine yardımcı olmaları beklenmektedir. Bu otomatik tanıyıcı sistemler kalp hastalıklarının erken ve efektif teşhisine büyük katkıda bulunmaktadır. Buna dayanarak bu tezde otomatik aritmi tanıyıcı bir system öne sürülmektedir. Aritmilerin tanınması bir kullanıcı arayüzü içinde gerçekleştirilmektedir. Hasta gözlem arayüzünde kullanıcının seçimine göre, ekranda akan sinyalde hangi aritmi çeşidinin olduğu gösterilmektedir. Arka planda ise kullanıcı arayüzü 7 farklı aritmi çeşidini birbirinden ayırt edebilmek için daha önceden eğitilmiş bir yapay sinir ağını kullanmaktadır. Yapay sinir ağlarının eğitilmesi sırasında MIT BIH Aritmi veritabanında bulunan EKG kayıtları kullanılmıştır. Aritmi örnekleri YSA'nı eğitirken kullanılacak eğitim kümesi oluşturacak şekilde işlemden geçirilmiştir. Bu işlemler sırasında önceden belirlenmiş bir uzunlukta ana kayıttan çıkarılan sinyal Fourier transformundan geçirilmiştir. YSA'nın eğitilmesi arayüzde kullanılacak olan en iyi YSA'nın üretilmesi amaçlanarak birden çok adımda gerçekleştirilmiştir. YSA'nın eğitilmesi MATLAB 2008b programının Neural Network Toolbox u kullanılarak gerçekleştirilmiştir. Bu eğitimler sırasındaki çıktılar tüm eğitim denemelerinin karşılaştırılması amacıyla kaydedilmiştir. Bu çalışmada en iyi YSA'nın %80 performansla çalıştığı gözlenmiştir.

Electrocardiography (ECG) is a very useful noninvasive imaging method of the heart's electrical activity. Based on these recordings, a wide range of heart conditions can be diagnosed. These conditions may vary from minor to life threatening ones. Therefore, the scientists started to work on automatic systems that would detect any kind of abnormalities in the heart's electrical activity. These automated systems are expected to help patients monitor themselves or the clinicians monitor their patients for any kind of abnormalities. With the help of these automated systems, there is a big contribution to early, quick and efficient diagnose of the heart diseases.Based on this need, this thesis presents an automated arrhythmia detection system.The classification of beats is performed in a Graphical User Interface, namely Patient Monitoring GUI. Based on the user's selection, the GUI displays the type of beats that flow on the screen. In the background, the GUI uses an Artificial Neural Network (ANN) trained to classify the 7 different types of arrhythmias. During the training process of ANNs, the ECG recordings from MIT BIH Arrhythmia database are used as references. The arrhythmia samples are extracted from the database and preprocessed to create input sets to train ANNs. The Fourier Transforms of a predefined window of signals were taken as a feature extraction method. The training was performed in multiple steps in order to obtain best performing ANN that will be finally used by the Patient Monitoring GUI. The training of the ANNs was performed by using the Neural Network Toolbox in Matlab 2008b and the results were recorded to track the difference between the training attempts.The overall success rate of the best performing ANN was measured as 80%.