EKG işaretindeki aritmilerin yumuşak hesaplama algoritmaları kullanılarak sınıflandırılması

Abstract

Kardiyak aritmilerin doğrudan ya da dolaylı olarak yol açtığı sağlık problemleri yaşamı tehdit edebilmektedir. Elektrokardiyogram (EKG) işaretinin analizi, klinik araştırmalarda ve hastalık teşhisinde kalbin işlevini değerlendirmek için önemli bir tanı aracıdır. Günümüze kadar EKG işaretinin analizi için çeşitli Yumuşak Hesaplama yöntem ve teknikleri önerilmiştir. Bu tez çalışmasında, EKG işaretindeki kalp atımlarını kategori ve hasta bazlı değerlendirme planına göre aritmili kalp atımlarını otomatik olarak sınıflandıran topluluk öğrenme tabanlı yeni bir yöntem önerilmiştir. EKG işaretindeki taban hattı gürültüsünü kaldırmak için iki aşamalı medyan filtre kullanılmıştır. EKG işaretine ait P dalgası, QRS kompleksi ve T dalgası bileşenlerinin konumları, geliştirilen QRS kompleksi algılayıcısı ile belirlenmiştir. Bu tez kapsamında dört farklı öznitelik çıkartma yöntemi kullanılmıştır. Bunlardan Güç Spektral Yoğunluğu tabanlı yeni bir öznitelik çıkartma tekniği önerilmiştir. Wrapper öznitelik seçme algoritması kullanılarak hibrit alt öznitelik kümeleri oluşturulmuştur. Temel öğrenicileri Multi Layer Perceptron (MLP) ve Random Forest (RF), meta öğrenicisi Lineer Regresyon (LR) sınıflandırıcıları istifleme (stacking) algoritması kullanılarak oluşturulan Topluluk Öğrenme tabanlı yeni bir yöntem önerilmiştir. Önerilen yeni yöntemin, kategori bazlı aritmili kalp atımlarının sınıflandırmasına ait ortalama başarım değerleri; doğruluk %99,88, duyarlılık %99,08, keskinlik %99,94 ve pozitif öngörü (+P) %99,08 olarak elde edilmiştir. Hasta bazlı aritmili kalp atımlarının sınıflandırılmasına ait ortalama başarım değerleri; doğruluk %99,72, duyarlılık %99,30, keskinlik %99,83 ve pozitif öngörü (+P) %99,30 olarak elde edilmiştir. Böylece, önerilen yöntemin literatürdeki benzer çalışmalardan daha yüksek bir başarım sonucuna sahip olduğu görülmüştür.

Health problems, directly or indirectly caused by cardiac arrhythmias, may threaten life. The analysis of electrocardiogram (ECG) signals is an important diagnostic tool for assessing cardiac function in clinical researches and disease diagnosis. Until today various Soft Computing methods and techniques have been proposed for the analysis of ECG signals. In this thesis, a new Ensemble Learning based method is proposed that automatically classifies the arrhythmic heart beats of ECG signal according to the category based and patient based evaluation plan. A two-stage median filter was used to remove the baseline noise from the ECG signal. The locations of fiducial points of the ECG signal were determined using the developed QRS complex detector. Within the scope of this thesis, four different feature extraction methods were utilized. A new feature extraction technique based on the Power Spectral Density has been proposed. Hybrid sub-feature clusters were constructed using a wrapper-based feature selection algorithm. A new method based on Ensemble Learning has been proposed by using stacking algorithm. Multi-layer perceptron (MLP) and random forest (RF) as base learners and Linear Regression (LR) as meta learner were utilized. Average performance values for the category-based arrhythmia heart beat classification of the proposed new method based on Ensemble Learning; accuracy was 99,88%, sensitivity was 99,08%, specificity was 99,94% and positive predictivity (+P) was 99,08%. Average performance values for patient-based arrhythmia heart beat classification were 99,72% accuracy, 99,30% sensitivity, 99,83% specificity and 99,30% positive predictivity (+P). Thus, it is concluded that the proposed method has higher performance results than the similar studies in the literature.