Hızlı Erişim


Bu Dergi DOI ve Crosscheck üyesidir


Özet


EKG MORFOLOJİSİNE DAYALI ÖZELLİKLERİ KULLANAN ETKİLİ BİR ARİTMİK KALP ATIŞI SINIFLANDIRMA YÖNTEMİ

Klinik açıdan ECG kayıtlarının analiz edilmesi çoğu zaman oldukça zaman alıcı olmaktadır. Bu nedenle, hızlı analiz yapmak ve ECG sinyallerindeki aritmi gibi anormallikleri tespit etmek önem arz etmektedir. Bu nedenle bilgisayar destekli teşhis sistemleri geliştirilmektedir. Geliştirilen sistemler vasıtasıyla ECG kaydında bulunan anormallikler kolaylıkla tespit edilebilmektedir. Böylece, geliştirilen sistemler kalp hastalıklarının teşhis ve tedavi yöntemlerinin belirlenmesinde klinisyenlere karar verme aşamasında faydalı olmaktadır. Bu çalışmada, ECG sinyalindeki baseline wander’ı kaldıran bir IIR tabanlı elliptic digital filtre kullanılmıştır. ECG sinyalinin morfolojik tabanlı öznitelikleri çıkartılmıştır. Daha sonra, SelectKBest yöntemi ve f_ classif skor fonksiyonu kullanılarak bu özniteliklerden en belirleyici olanları seçilmiştir. AAMI standardına göre etiketlenmiş beş temel aritmi, bu öznitelik veri setleri kullanılarak makine öğrenimi yöntemleriyle sınıflandırılmıştır. Aritmi teşhisi için Logistic Regression (LR), Linear Discriminant Analysis (LDA), Support Vector Machine (SVM) ve Multi Layer Perceptron (MLP) makine öğrenmesi yöntemleri sınıflandırıcı olarak kullanılmıştır. Bu sınıflayıcılarla elde edilen başarım sonuçları incelenmiş ve beş temel aritmiyi tatmin edici derecede yüksek olarak tahmin eden LR yöntemi sınıflayıcı olarak önerilmiştir. LR yöntemine ait başarım sonuçları Accuracy 99.766%, Sensitivity 99.416%, Specificity 99.854% and F1-Score 99.416% olarak elde edilmiştir. Bu çalışmada, beş temel aritmiyi tatmin edici derecede yüksek olarak tahmin eden bilgisayar destekli teşhis sistemlerinde faydalı bir şekilde kullanılabilecek bir aritmi teşhis yöntemi önerilmiştir. Bu çalışmada, makine öğrenmesi yöntemlerinin ve özellik seçimi yönteminin gereksinim duyduğu yazılım ve donanım ihtiyacı için Google Cloud Computing alt yapısını kullanan Google Colaboratory’den faydalanılmıştır.



Anahtar Kelimeler
Bulut Bilişim, Öznitellik Çıkartma, Google Colaboratory, Makine Öğrenimi, Sinyal İşleme

Kaynakça Chazal D. P., (2013, September). A switching feature extraction system for ECG heartbeat classification. In Computing in Cardiology 2013 (pp. 955-958). IEEE. Chazal D. P. & Reilly, R. B., (2006). A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features. IEEE transactions on biomedical engineering, 53(12), 2535-2543. Chazal D. P., O'Dwyer, M., & Reilly, R. B. (2004). Automatic classification of heartbeats using ECG morphology and heartbeat interval features. IEEE transactions on biomedical engineering, 51(7), 1196-1206. EC57, A. A., & Association for the Advancement of Medical Instrumentation. (1998). Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms. Association for the Advancement of Medical Instrumentation, Arlington, VA. Google Colaboratory, (15.11.2020), Available: https://colab.research.google.com/. Jiang, W., & Kong, S. G. (2007). Block-based neural networks for personalized ECG signal classification. IEEE Transactions on Neural Networks, 18(6), 1750-1761. Mark R., Moody G., MIT-BIH Arrhythmia Database, http://www. physionet.org/physiobank/database/mitdb/. (Ziyaret Tarihi 30.11.2020). Martis, R. J., Acharya, U. R., Mandana, K. M., Ray, A. K., & Chakraborty, C. (2013). Cardiac decision making using higher order spectra. Biomedical Signal Processing and Control, 8(2), 193-203. Moody, G. B., & Mark, R. G. (2001). The impact of the MIT-BIH arrhythmia database. IEEE Engineering in Medicine and Biology Magazine, 20(3), 45-50. Raj, S. (2020, May). An Efficient Analysis Scheme for Intelligent ECG Monitoring Devices. In 2020 Zooming Innovation in Consumer Technologies Conference (ZINC) (pp. 207-212). IEEE. SelectKBest Sklearn feature selection, (30.11.2020), Available:https://scikitlearn.org/stable/modules/generated/sklearn.feature_selection.SelectKBest.html#sklearn.feature_selection.SelectKBest. Scikit-learn Machine Learning in Python, (28.11.2020), Available: https://scikitlearn.org/stable/index.html. Yakut, O., Solak, S., & Bolat, E. D. (2018). IIR Based Digital Filter Design for Denoising the ECG Signal. Journal of Polytechnic, 21(1), 173-181. Yakut, Ö., & Bolat, E. D. (2018). An improved QRS complex detection method having low computational load. Biomedical Signal Processing and Control, 42, 230-241. Yakut O., (2018). Classification of Arrhytmias in ECG Signal Using Soft Computing Algorithms. PhD, Kocaeli University, Kocaeli, Turkey. Yakut, O., Timus, O., & Bolat, E. D. (2016). HRV Analysis Based Arrhythmic Beat Detection Using kNN Classifier. International Journal of Biomedical and Biological Engineering, 10(2), 60-63. Yakut, O., Solak, S., & Bolat, E. D. (2014, October). Measuring ECG signal using e-health sensor platform. In International Conference

Gelişmiş Arama


Duyurular

    ***********************

    DEĞERLİ BİLİM 

    İNSANLARI!

    mail mail mail mail mail

    Dergimizin Mayıs sayısı 

    (27.05.2021)

    yayınlanmıştır.

    mail mail mail mail mail

    DEĞERLİ BİLİM 

    İNSANLARI!

    mail mail mail mail mail

    Dergimizin

    Temmuz Sayısı 

    İçin Makalenizi  

    Sisteme Yükleyebilirsiniz.

    mail mail mail mail mail

     



Adres :Göztepe Mah., Beykoz, İstanbul/TURKEY
Telefon :+90 555 005 92 85 Faks :+90 216 606 32 75
Eposta :info@euroasiajournal.org

Web Yazılım & Programlama Han Yazılım Bilişim Hizmetleri