Çoklu sınıflandırıcı sistemleri ile konjestif kalp yetmezliği teşhisi

Abstract

Kalbin temel görevleri arasında kanın vücuda pompalanması, metabolizma faaliyetleri sonucunda oluşan artık ürünlerin vücuttan uzaklaştırılması, vücut ısısının düzenlenmesi, asit-baz dengesinin korunması, hormon ve enzimlerin vücudun gerekli bölgelerine taşınması bulunmaktadır. Kalp Yetmezliği, kalbin kanla dolması veya kanı pompalaması yeteneklerinin azalması durumudur. Vücudun çeşitli yerlerinde sıvı birikmesi durumu bu rahatsızlığa sahip hastalarda yaygın olarak rastlandığı için, bu rahatsızlığa Konjestif Kalp Yetmezliği (KKY) ismi de verilmektedir. Kalp yetmezliğinin teşhisi uzman hekimler için kolay olmasına rağmen, hastalık belirtilerinin çoğu zaman diğer hastalıkların belirtileri ile karıştırılması nedeniyle özellikle pratisyen hekimler teşhiste zorlanmaktadırlar. Bu durumun ortadan kaldırılması için son zamanlarda veri madenciliği ve karar verme teknikleri oldukça gelişmiş ve bu doğrultuda yeni ileri teknikler sunulmuştur. Bu çalışmada KKY hastalarının teşhisi için kalp hızı değişkenliği verileri üzerinden standart ölçümlerin yanında dalgacık dönüşümü ölçümlerinden ve doğrusal olmayan ölçümlerden oluşan özniteliklerle çalışabilecek yeni bir teşhis sistemi amaçlanmıştır. Öncelikle farklı istatistiksel anlamlılık değerleri ve geriye doğru eleme yöntemi kullanılarak öznitelik sayısını azaltma yoluna gidilmiştir. Azalan veri miktarı literatürde sık kullanılan 5 farklı sınıflandırıcı algoritması ile sınıflandırılmıştır. Bu sınıflandırıcılardan önce çalıştırılmak üzere, basitliği ve kolay uygulanabilir olması sebebiyle algılayıcılar eklenmiştir. Bu şekilde çok katlı sınıflandırıcılar tasarlanarak sistemin performans analizi yapılmıştır. Elde edilen sonuçlar doğrultusunda çok katlı sınıflandırma işlemi ile gerçekleşen bu yapının istatistiksel olarak öznitelik sayısı düşürülmüş verileri kullanarak sınıflandırıcı algoritmalarında fark edilebilir bir iyileşme ve katlı sistemimizde de literatürdeki en yüksek sonuçlar elde edilmiştir.

The main purpose of the heart is to pump blood to the body, removal of waste products from the body as a result of metabolic activities, regulation of body temperature, protection of acid-base balance, transportation of the necessary parts of the body hormones and enzymes. Heart Failure is a decreased ability of the heart to either fill itself with blood or emptying it. The fluid accumulation in various parts of the body is common in the patients with heart failure, this disease is also named as Congestive Heart Failure (CHF). Although diagnosis of heart failure is easy for specialist physicians, some of physicians have difficulty in diagnosis. because symptoms of the disease are often mixed with other symptoms of the disease. Recently, to eliminate this situation, data mining and decision-making techniques are quite advanced and presented the new advanced techniques.This study is focused on a new diagnostic system which using addition to the standard measurements is used wavelet transform measurement and nonlineer measurements on heart rate variability data for the diagnosis of CHF patients. In this system, the number of attributes is reduced by statistical method which different statistical significance values and backward elimination method. Decreasing the amount of data is classified with five different classification algorithms that commonly used in the literature. Perceptron is added due to its simplicity and easy-to-use features before five different classification algorithms. In this way multi stage classifier system is designed. Performance analysis of the system investigated. According to the results, the performance of the classifier algorithms is increased remarkably using features found statistical method which different statistical significance values and the highest results are obtained in our multi stage classifier system in the literature.