Hızlı Erişim


Bu Dergi DOI ve Crosscheck üyesidir


EKG MORFOLOJİSİNE DAYALI ÖZELLİKLERİ KULLANAN ETKİLİ BİR ARİTMİK KALP ATIŞI SINIFLANDIRMA YÖNTEMİ
(AN EFFICIENT ARRHYTHMIC HEARTBEAT CLASSIFICATION METHOD USING ECG MORPHOLOGY BASED FEATURES )

Yazar : Önder YAKUT  & Emine DOĞRU BOLAT  
Türü :
Baskı Yılı : 2020
Sayı : 13
Sayfa : 200-212
    


Özet

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

Abstract

Clinically, analyzing the ECG records is often quite time-consuming. Therefore, it is important to perform rapid analysis and detect abnormalities in ECG signals such as arrhythmias. For this reason, computer-aided diagnostic systems are being developed. With the developed systems, abnormalities in the ECG record can be easily detected. Thus, the developed systems are useful for clinicians in determining the diagnosis and treatment methods of heart diseases. In this study, an IIR based elliptic digital filter was used for removing the baseline wander in the ECG signal. Morphologically based features of the ECG signal are extracted. Then, the most meaningful of these features were selected by using the SelectKBest method and the f_ classif score function. Five basic arrhythmias labelled according to the AAMI standard have been classified using machine learning methods utilizing these feature data sets. Logistic Regression (LR), Linear Discriminant Analysis (LDA), Support Vector Machine (SVM) and Multi Layer Perceptron (MLP) machine learning methods were used as classifiers for arrhythmia diagnosis. The performance results obtained with these classifiers were examined and the LR method, which predicts the five basic arrhythmias as satisfactorily high was proposed as a classifier. The performance results of the LR method were obtained as Accuracy 99.766%, Sensitivity 99.416%, Specificity 99.854% and F1-Score 99.416%. In this study, the arrhythmia diagnosis method has been proposed which predicts five basic arrhythmias satisfactorily high. The proposed method can be used beneficially in computer-aided diagnostic systems. In this study, Google Colaboratory was used for the software and hardware needs of machine learning methods.



Keywords
Cloud Computing, Feature Extraction, Google Colaboratory, Machine Learning, Signal Processing

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