Elektrokardiyogram vurularının GAL ağı yardımıyla sınıflandırılması
Classification of electrocardiogram beats using GAL network
- Tez No: 126907
- Danışmanlar: DOÇ. DR. MEHMET KORÜREK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2002
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 101
Özet
ELEKTROKARDIYOGRAM VURULARININ GAL AGI YARDIMIYLA SINIFLANDIRILMASI ÖZET Kalp hastalıklarının tanı ve tedavisinde EKG (elektrokardiyogram) kayıtlarının hızlı ve doğru yorumlanması çok önemlidir. Ancak bu, uzun süreli EKG kayıtlarının incelenmesini gerektirir. Analiz için harcanan süreden ve insan emeğinden tasarruf etmek, saklanan bilgi miktarını azaltmak ve EKG vurularım çeşitli hastalıklar hakkında ön bilgi içeren sınıflara ayırmak için bilgisayar destekli otomatik analiz sistemleri kullanılır. Otomatik analiz yöntemim iyileştirmek için incelenen sınıf sayısı artırılmalıdır. Ancak sınıf sayısının artması, sınırlayıcının sınıfları birbirinden ayırabilme performansım olumsuz etkilemektedir. Ayrıca veri boyutunu indirgemek için yapılan öznitelik çıkartma ve dönüşüm işlemleri ek hesaplama maliyeti getirmektedir. Tez çalışması içinde veriyi ön işleme sokmadan doğrudan sınırlayıcıya giriş olarak kabul eden bir algoritma geliştirilmiştir. Sınırlayıcı olarak GAL (grow and learn) ağı kullanılmıştır. Çalışmada EKG vurulan l'i normal, 8'i anormal olmak üzere 9 sınıfa ayrılmıştır: Normal vuru (N), erken karıncık kasılması (V), sol dal blok vurusu (L), sağ dal blok vurusu (R), anormal erken kulakçık kasılması (a), yapay vuru (P), yapay ve normal vuru birleşimi (f), karıncık ve normal vuru birleşimi (F), karıncık kaçak vurusu (E)'dur. EKG vurularının incelenmesinde dalga formu deteksiyonu ve kalıp uydurma yöntemleri kullanılmıştır. Analiz aşamasında sırasıyla şu adımlar uygulanmıştır 1) Kalıpların elde edilmesi, 2) Filtreleme, 3) QRS komplekslerinin algılanması ve özniteliklerin elde edilmesi, 4) Sınıflama işlemi. Kalıpların Elde Edilmesi EKG vurularının incelenmesinde her vuru tipi için ayrı kalıplar elde edilmiş ve bunlar incelenecek EKG kaydındaki QRS kompleksleriyle karşılaştırılmıştır. Kalıp alınacak EKG kaydında önce R tepesi belirlenmiş ve bunun etrafında 50 örneklik bir pencere seçilerek bu 50 örneğin genlik değerleri doğrudan öznitelik vektörlerim oluşturmada kullanılmıştır. İncelenen her vuru tipi için değişik EKG kayıtlarından 10'ar adet kalıp alınmıştır. Her kalıp R tepesinin genliğine göre normalize edilmiştir. Taban hattını ayarlamak için işaretin ortalaması alınarak işaretin kendisinden çıkarılmıştır. Bu yöntem, hesap yükünü hafifletmiştir. Bu şekilde elde edilen kalıpların hastanın yaşma, cinsiyetine, fizyolojisine ve ölçüm sistemine bağımlılığı IXortadan kaldırılmaya çalışılmıştır. Öznitelik vektörleri yalnızca EKG şekil bilgisinden etkilenir hale getirilmiştir. Filtreleme EKG işaretinde bulunabilecek 60 Hz'lik şebeke gürültüsünü ve DC bileşenleri filtrelemek için sayısal filtreleme işlemi uygulanmıştır. Taban hattına göre negatif yönde kalan işaret bileşenlerini de hesaplamalarda kullanabilmek için filtrelenmiş işaretin karesi alınmıştır. Taban hattını elde etmek amacıyla orijinal işaretin ortalaması alınarak kendisinden çıkarılmıştır. QRS Komplekslerinin Algılanması ve Özniteliklerin Elde Edilmesi QRS deteksiyonu için önce R tepeleri elde edilmiştir. Bu nedenle filtrelenmiş işarete bir eşik uygulanmış ve eşiği geçen örnekler üzerinde işlem yapılmıştır. Eşiği geçen ilk örneğin yeri bir listede saklanmış ve bundan sonraki 80 örnek boyunca göz kapama işlemi uygulanmıştır. Sonraki aşamada eşiği geçen ilk örnekten önceki 50 ve sonraki 50 örnekten oluşan 100 örneklik dizi incelenir. Eğer eşiği geçen ilk örnekten önceki 10 ve sonraki 10 örnekten oluşan dizinin ortalaması pozitif ise 100 örneklik dizinin maksimum genliğe sahip elemanı R tepesini verir. Aksi halde 100 örneklik dibinin minimum genliğe sahip elemanı R tepesidir. Bu işlem sayesinde çeşitli EKG aritmilerinde ortaya çıkan ters dönmüş R dalgaları da detekte edilebilmektedir. Bu şekilde bulunan R tepesinin etrafında 50 örneklik bir pencere alınarak bu örneklerin genlik değerleri doğrudan öznitelikler olarak elde edilmiştir. Öznitelik vektörlerinin ortalaması alınarak kendisinden çıkarılmış ve taban hattı düzeyinden kaynaklanabilecek genlik değişimi yok edilmiştir. Daha sonra her 50 örneklik dizi R tepesine göre normalize edilmiştir. Öznitelik vektörlerinden oluşan QRS kompleksi dizileri sınıflama aşamasında kalıp vektörleriyle karşılaştırılmak üzere saklanmıştır. Sınıflama İşlemi Elde edilen QRS kompleksi dizileri GAL ağının eğitimi sonucu bulunan ağırlık matrisinin satırları ile karşılaştırılır. Ağırlık matrisinin satırları, kalıp vektörlerinden oluşmaktadır. Ağırlık matrisinin her satırının ilk 50 elemanı ağın bir düğümünü, 51. elemanı ise bu düğümün sınıfını göstermektedir. Karşılaştırma sonucu minimum mesafedeki ağ düğümünün sınıfı QRS kompleksinin sınıfı olarak atanır. Karşılaştırma ölçütü olarak öklid normu kullanılmıştır. Sınıflayın Olarak Yapay Sinir Ağlan Yapay sinir ağlan; öğrenebilme ve bilgiyi saklama yetenekleri, rasgele durumlara uyarlanabilmeleri ve hata toleransı gösterebilmeleri nedeniyle biyolojik işaretlerin sınıflandırılması için uygun yapılardır.Çalışmada GAL ağı kullanılarak EKG vurulan analiz edilmeye çalışılmıştır. GAL ağının sınıf sınırlarını temsil edebilme yeteneğini ve genel çalışmasını test etmek amacıyla yapay olarak oluşturulmuş iki boyutlu bir örnek uzay kullanılmıştır. Böylece sözü edilen niteliklerin görsel olarak incelenebilmesi mümkün olmuştur. GAL Ağı GAL ağı, düğümleri sınıf sınırlarını temsil edecek şekilde dağıtmaktadır. Her bir düğüm, sınıf sınırlarıyla ilgili yalnızca bir ayrıntıyı saklar; yani bütüne ait bilgiyi değil, bütünün parçalarına ait bilgiyi saklar. Eğitim sırasında oluşan ve sınıflan temsil yeteneği diğer düğümlere göre daha zayıf olan düğümler, unutma sırasında ağdan çıkarılmaktadır. Böylece ağın boyutu indirgenmiş ve test işleminin süresi kısaltılmış olmaktadır. Ağın performansım etkileyen önemli unsurlardan biri QRS komplekslerinin doğru algılanmasıdır. QRS deteksiyon algoritması, kaydın başında çok erken görülen QRS komplekslerini yakalayamamaktadır. Bunun nedeni, filtrelemeden ve yapılan işlemlerden kaynaklanan gecikme, göz kapama süresi ve kalıp uzunluğudur. Karşılaştırmada kullanılacak kalıpların vuru tiplerini iyi temsil edecek şekilde seçilmesi ve sayılarının çokluğu, ağın doğru sınıflama performansım artırmaktadır. Ancak kalıp sayısının fazla olması; yapılan karşılaştırma sayışım, dolayısıyla ağın eğitim ve sınıflama sürelerini artırmaktadır. Çalışmada MTT-BIH veri tabanındaki EKG kayıtlarından yararlanılmıştır. 30 dakikalık kayıtlar 10'ar dakikalık bölümler halinde incelenmiştir. Kayıtların çoğu için %90'ın üzerinde başarım ve sınıflama duyarlığı elde edilmiştir. Kullanılan algoritmalar MATLAB ile PHI 800 MHz işlemcili 128 MB RAM içeren bir PC üzerinde geliştirilmiştir. XI
Özet (Çeviri)
CLASSIFICATION OF ELECTROCARDIOGRAM BEATS USING GAL NETWORK SUMMARY Fast and correct interpretation of ECG (electrocardiogram) data is very important for the diagnosis and cure of cardiac illnesses. However, this requires long term ECG records to be analyzed. To save time and human work, to reduce the amount of knowledge to be stored, and to classify the ECG data into classes that include pre- knowledge about illnesses, computer aided automatic analysis systems are used. The number of classes to be analyzed must be increased to improve the automatic analysis method. However, as the number of classes increases, performance of the class separation decreases. Feature extraction and transform processes that are used to reduce the amount of data to be analyzed bring additional calculation cost. In this thesis an algorithm is developed which, without any pre-processing, directly accepts the data as input for the classifier. GAL network is used as classifier. In this study, ECG beats are classified into 9 categories: Normal beat (N), premature ventricular contraction (V), left bundle branch block (L), right bundle branch block (R), aberrated atrial premature beat (a), paced beat (P), fusion of paced and normal beat (f), fusion of ventricular and normal beat (F), ventricular escape beat (E). Waveform detection and template matching methods are used in analysis of ECG beats. Analysis is performed according to the following steps respectively: 1) Obtaining the templates, 2) Filtering, 3) Detection of the QRS complexes from beats and feature extraction, 4) Classification process. Obtaining the Templates Different templates are obtained for each ECG beat class and these are compared with the QRS complexes in the ECG record to be analyzed. First R peak is defined in the ECG record from which the template is to be taken and a window of 50 samples is selected around the R peak. The amplitude values of these 50 samples are directly used to form the feature vectors. 10 templates are taken from different ECG records for each beat class. Each template is normalized according to the R peak amplitude. To adjust the isoelectric level mean value of the ECG signal is subtracted from the original signal. This method improves the cost of calculation. The dependence of the templates to patient's age, sexuality, physiology and to the measurement system is decreased by this method. Feature vectors are affected only from morphologic changes. XllFiltering To filter the 60 Hz noise and DC components in the ECG signal digital filtering is used. To be able to use the signal components which are in the negative direction according to the isoelectric level square of the filtered signal is taken. Mean value of the original signal is subtracted from itself to obtain the isoelectric level amplitude. Detection of the QRS Complexes and Feature Extraction R peaks are found first to detect QRS. Thus a threshold is applied to the filtered signal and only those samples that are above the threshold are taken into account The position of the first sample which is above the threshold is stored in a list and during the following 80 samples no operation is done. In the next stage a 100-sample array, which is formed by taking 50 samples before and after the first sample above the threshold, is analyzed. If the mean value of the array formed by taking 10 samples before and after the first sample above the threshold is positive, then the sample with the maximum amplitude in the 100 sample array is the R peak. Otherwise the sample with the minimum amplitude is the R peak. Using this method upside down R waves which occur in some of the ECG arrhythmias can be detected. A 50-sample window around the R peak is taken and the amplitude values of these samples are taken as feature vectors. Mean values of the feature vectors are subtracted from the feature vectors^arAsLasy^probable amplitude change caused by isoelectric level is prevented. Then every 50 sample array is normalized according to the R peak amplitude. QRS complex arrays of feature vectors are stored to be compared with the template vectors. Classification Process QRS complex arrays are compared with the rows of the weight matrix obtained by the learning phase of the GAL network. Each row of the weight matrix is a template vector. The first 50 elements of each row of the weight matrix forms a node of the network, and the 51st element is the label of this node. The label of the network node, which has the minimum distance from the input vector, is appointed as the class of the QRS complex. Euclidean distance is used as comparison metric. Neural Networks as Classifiers Neural networks, with their learning and knowledge storing abilities, adaptation ability to random processes and error tolerances, are suitable structures for the classification of biological signals. In this study ECG beats are analyzed using GAL network. To test the seperation ability and general operation of the GAL network a two dimensional sample feature space is used. Thus a visual analysis of the mentioned qualities is made possible. X1UGAL Network GAL network distributes the nodes so as to be able to represent the class borders. Each node stores only one detail about the class borders; that means the knowledge belonging to the pieces of the whole body is stored instead of storing the whole body. Nodes, whose ability to represent the classes is weaker than the others, are removed from the network during sleep stage. Thus the dimension of the network is reduced and time needed for test process is shortened. One of the important factors affecting the network performance is the true detection of QRS complexes. QRS detection algorithm fails to detect the QRS complexes which occur very early at the beginning of the record. The reason for this is the latency occuring from the filtering, eye shutting period and the length of the templates. Choosing the templates, which correctly represent the beat types and having a large number of templates positively affects the network performance. However, the excess number of templates increases the number of the comparisons to be made, thus increasing the time needed for classification. ECG records from the MTT-BIH database are used in this study. The 30 minute records are analyzed in 10 minute periods. The performance of the network for many of the records is above 90%. The algorithms are developed on a PC platform with PHI 800 MHz processor and 128 MB RAM using MATLAB. ıcttısııû?irn»ıaîwu» xiv «0BfwwsvoR mucin
Benzer Tezler
- Yapay sinir ağları ve genetik algoritmalar kullanılarak EKG vurularının sınıflandırılması
Classification of ECG beats by using artifical neural networks and genetic algorithms
ZÜMRAY DOKUR
- Karıncık ve kulakçık erken vurularının otomatik tespiti
Automatic detection of ventricular and atrial premature contractions
ZAHİDE ELİF AKIN
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜLEYMAN BİLGİN
- Elektrokardiyogram verilerinin iyileştirilmiş yapay arı kolonisi (MABC) algoritması ile analizi
Analysis of electrocardiogram data by using modified artificial bee colony (MABC) algorithm
SELİM DİLMAÇ
Doktora
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- EKG vuru imgelerinden kardiyak aritmilerin makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması
Classification of cardiac arrhythmias from ECG beat images by machine learning and deep learning methods
MUHAMMED HALİL AKPINAR
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Dalgacık ağlarıyla elektrokardiyografik aritmilerin sınıflandırılması
Electrocardiogram arrhytmias classification using wavelet networks
ABDULLAH KARADAĞ
Yüksek Lisans
Türkçe
2009
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KORÜREK