Konjestif kalp yetmezliği hastalarının teşhisinde veri azaltma yöntemleri kullanılarak en yakın komşu sınıflandırıcı çalışma süresinin kısaltılması

Abstract

Kalbin asıl görevi vücut için gerekli oksijen ve besinleri taşıyan kanı dolaştırmaktır. Kalp Yetmezliği, kalbin doldurma veya boşaltma ile ilgili yeteneklerinin azalması durumudur. Vücudun çeşitli yerlerinde sıvı birikmesi durumu bu rahatsızlığa sahip hastalarda yaygın olduğu için bu rahatsızlığa Konjestif Kalp Yetmezliği (KKY) ismi de verilmektedir. Kalp yetmezliğinin teşhisi basit olmasına rağmen, hastalık belirtilerinin çoğu zaman diğer hastalıkların belirtileri ile karıştırılması nedeniyle özellikle pratisyen hekimler teşhiste zorlanmaktadırlar.Son zamanlarda veri madenciliği ve karar verme teknikleri üzerine çok gelişmiş teknikler sunulmuştur. KKY teşhisi için Elektrokardiyogram (EKG) veya EKG'den türetilmiş kalp hızı değişkenliği (KHD) analizi daha önce yapılan birçok çalışmaya konu olmasına rağmen, bu çalışmaların hepsi hasta ve sağlamlardan elde edilen verilerin çevrimdışı çalışan algoritmalar kullanılarak incelenmesi esasına dayanmaktadır. Eğitim için kullanılan verinin boyutundan dolayı, gerçek zamanlı bir algoritmayı geliştirmek uygulamada zor olmaktadır.Bu çalışma KKY hastalarının teşhisi için gerçek zamanlı çalışabilecek KHD analizi tekniği geliştirilmesi için sınıflandırıcı eğitim kümesi boyutunun veri azaltma teknikleri kullanılarak düşürülmesi üzerine odaklanmıştır. Basitliği ve kolay uygulanabilirliği nedeniyle k-yakın komşu sınıflandırıcısı tercih edilmiştir. Bu çalışmaları yürütebilmek için, KKY hastalarının normal kişilerden ayırt edilmesinde MIT/BIH tarafından sağlanan ve herkesin erişimine açık olan KHD veritabanları kullanılmıştır. Elde edilen sonuçlar, bu veritabanlarından kullanılan örnek sayısının sınıflandırıcı başarımını etkilemeden düşürülebileceğini göstermektedir. Böylece KKY hastalarının çevrimiçi teşhisi için daha düşük özellikli bir donanım kullanılması mümkündür.

The major purpose of the heart is to circulate blood, which carries oxygen and nutrients to the body. Heart Failure is a decreased ability of the heart to either fill itself with blood or emptying it. Because 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, at times, the diagnosis of heart failure is straightforward, it often challenges physicians because particular aspects of the syndrome lead to confusion.Recently, many advanced techniques on data-mining and decision-making have been presented. Although Electrocardiogram (ECG) and ECG-derived Heart Rate Variability (HRV) analysis have been the subjects of many studies in the literature, all of these studies have used to analyze data acquired from patients with CHF and normal subjects using offline algorithms. Because of the size of training data, it may be difficult to develop a real-time algorithm in practice.This study is focused on reducing the number of samples using data reduction methods to develop a real-time HRV analysis technique for diagnosing in CHF patients. k-nearest neighbors classifier is preferred due to its simplicity and easy-to-use features. In order to conduct these studies, open-source databases from MIT/BIH are used to discriminate the patients with CHF from normal subjects. The results show that the number of records from these databases can be reduced with no reduction in the accuracy of the classifier. Hence a low-cost hardware can be used for online diagnosing the patients with CHF.