Automatic electrocardiogram (ECG) beat classification system using hybrid technique

Abstract

Kalp insan vücudundaki kritik organlardan biridir. Elektrokardiografi (EKG) işareti kalbin elektriksel aktivitesini kaydeden biyoelektrik bir işarettir ve bu teknik kalbin elektrofizyolojisi ve meydana çıkabilecek değişiklikler hakkında gerekli bilgileri toplayarak birçok kalp hastalığı için birincil tanı aracı olarak kullanılmaktadır. Kalp hastalıklarından kaynaklanan ölüm oranını azaltmak için bu hastalıkların erken tanısı büyük önem taşımaktadır. Bu tezde, Massachusetts Teknoloji Enstitüsü Beth Israel Hastanesi (MIT-BIH) ritm bozukluğu veri tabanından alınan işaretler kullanılarak EKG vurularını normal, sağ dal bloğu (Rbbb), kalp pili vurusu, sol dal bloğu (Lbbb) olmak üzere dört sınıfa ayırmak için Matlab 2013 ortamında bulunan işaret işleme, dalgacık dönüşümü ve yapay sinir ağları araç kutularını kullanan karma bir sistem önerilmektedir.Önişleme ve QRS kompleksinin sezilmesi aşamasında, gürültüyü azaltmak ve R-tepelerini tespit etmek amacıyla Pan-Tompkins algoritması kullanılmıştır. Zaman ortamı öznitelikleri olarak R-R aralıkları arasındaki R-T eşdeğer aralığı örnekleri alınmış ve bu örneklere ayrık dalgacık dönüşümü (ADD) ve durağan dalgacık dönüşümü (DDD) uygulanarak zaman-frekans öznitelikleri elde edilmiş, bu büyüklüklerin ortalama, medyan, standart sapma, en büyük, en küçük, enerji ve entropi gibi istatistiksel parametreleri hesaplanarak yapay sinir ağları ile sınıflandırılmıştır. Sırasıyla azaltılmış ve geniş veri seti için R-T eşdeğer aralığı öznitelikleriiçin %98.22 ve %94.18 ortalama doğruluk elde edilirken, ADD öznitelikleri için %99.84 ve%97.59 ortalama doğruluk elde edilmiştir. Geniş veri setinde DDD için %98.33 ortalama doğruluk oranı ile bir iyileştirme sağlanmıştır. Ayrıca, farklı dalgacık aileleri arasında da karşılaştırma yapılmış ve db4, coif5 ve sym8 dalgacıkları için daha yüksek başarım elde edilmiştir. Yeni bir öznitelik olarak DDD zaman ve frekans entropisi önerilmiş, %98.21 ile zaman entropisi %97.77 doğruluk oranı olan frekans entropisinden daha iyi bir sonuç vermiştir. Tüm öznitelikler karşılaştırıldığında, DDD istatistiksel parametreleri daha iyi sonuçlar vermiştir. Anahtar Kelimeler: EKG, ADD, DDD, Pan-Tompkins, EKG vuru sınıflandırma

Heart is one of the critical organs in the human body. Electrocardiography (ECG) signal is a bioelectrical signal which record the electrical activity of the heart, it is a technique used primarily as a diagnostic tool for various cardiac diseases by providing necessary information on the electrophysiology and changes that may occur in the heart. To reduce mortality rate associated with cardiac diseases, early detection of these diseases is of paramount important. In this thesis, automated ECG beat detection system using a hybrid technique has been proposed for classifying four ECG beats as normal, right bundle branch block (Rbbb), paced beat and left bundle branch block (Lbbb) using the signals from Massachusetts Institute of Technology Beth Israel Hospital (MIT-BIH) arrhythmia database and processed using signal processing toolbox, wavelet toolbox and neural network toolbox found in Matlab 2013 environment.In the preprocessing and QRS detection stage, a well known and acceptable Pan-Tompkins algorithm has been used to remove noise and detect R-peaks. Equivalent R-T interval samples between R-R intervals have been extracted as a time domain features, these features have been decomposed using discrete wavelet transform (DWT) and stationary wavelet transform (SWT) as time-frequency features, statistical parameters have been calculated as mean, median, standard deviation, maximum, minimum, energy and entropy using time-frequency features and classification has been performed using neural network. The hybrid method gives a promising result as equivalent R-T interval features gives average accuracy of 98.22% and 94.18%, the DWT with statistical features gives average accuracy of 99.84% and 97.59% for reduced and large number of samples respectively. However, an improvement was recorded when employing SWT for wavelet decomposition using large number of samples with average accuracy of 98.33%. Also comparative performance has been carried out between different wavelet families in which db4, coif5 and sym8 give higher performance. Wavelet time and frequency entropy using SWT have been calculated as a new feature; based on the classification results wavelet time entropy gives average accuracy of 98.21% against frequency entropy of 97.77%. Based on the comparative analysis among all the proposed methods combined SWT with statistical features gives higher and satisfactory results.Keywords: ECG, DWT, SWT, Pan-Tompkins, ECG beat classification