EKG işaretindeki aritmilerin yumuşak hesaplama algoritmaları kullanılarak sınıflandırılması
Classification of arrhythmias in ecg signal using soft computing algorithms
- Tez No: 536633
- Danışmanlar: DOÇ. DR. EMİNE BOLAT
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyoenformatik Bilim Dalı
- Sayfa Sayısı: 214
Özet
Kardiyak aritmilerin doğrudan ya da dolaylı olarak yol açtığı sağlık problemleri yaşamı tehdit edebilmektedir. Elektrokardiyogram (EKG) işaretinin analizi, klinik araştırmalarda ve hastalık teşhisinde kalbin işlevini değerlendirmek için önemli bir tanı aracıdır. Günümüze kadar EKG işaretinin analizi için çeşitli Yumuşak Hesaplama yöntem ve teknikleri önerilmiştir. Bu tez çalışmasında, EKG işaretindeki kalp atımlarını kategori ve hasta bazlı değerlendirme planına göre aritmili kalp atımlarını otomatik olarak sınıflandıran topluluk öğrenme tabanlı yeni bir yöntem önerilmiştir. EKG işaretindeki taban hattı gürültüsünü kaldırmak için iki aşamalı medyan filtre kullanılmıştır. EKG işaretine ait P dalgası, QRS kompleksi ve T dalgası bileşenlerinin konumları, geliştirilen QRS kompleksi algılayıcısı ile belirlenmiştir. Bu tez kapsamında dört farklı öznitelik çıkartma yöntemi kullanılmıştır. Bunlardan Güç Spektral Yoğunluğu tabanlı yeni bir öznitelik çıkartma tekniği önerilmiştir. Wrapper öznitelik seçme algoritması kullanılarak hibrit alt öznitelik kümeleri oluşturulmuştur. Temel öğrenicileri Multi Layer Perceptron (MLP) ve Random Forest (RF), meta öğrenicisi Lineer Regresyon (LR) sınıflandırıcıları istifleme (stacking) algoritması kullanılarak oluşturulan Topluluk Öğrenme tabanlı yeni bir yöntem önerilmiştir. Önerilen yeni yöntemin, kategori bazlı aritmili kalp atımlarının sınıflandırmasına ait ortalama başarım değerleri; doğruluk %99,88, duyarlılık %99,08, keskinlik %99,94 ve pozitif öngörü (+P) %99,08 olarak elde edilmiştir. Hasta bazlı aritmili kalp atımlarının sınıflandırılmasına ait ortalama başarım değerleri; doğruluk %99,72, duyarlılık %99,30, keskinlik %99,83 ve pozitif öngörü (+P) %99,30 olarak elde edilmiştir. Böylece, önerilen yöntemin literatürdeki benzer çalışmalardan daha yüksek bir başarım sonucuna sahip olduğu görülmüştür.
Özet (Çeviri)
Health problems, directly or indirectly caused by cardiac arrhythmias, may threaten life. The analysis of electrocardiogram (ECG) signals is an important diagnostic tool for assessing cardiac function in clinical researches and disease diagnosis. Until today various Soft Computing methods and techniques have been proposed for the analysis of ECG signals. In this thesis, a new Ensemble Learning based method is proposed that automatically classifies the arrhythmic heart beats of ECG signal according to the category based and patient based evaluation plan. A two-stage median filter was used to remove the baseline noise from the ECG signal. The locations of fiducial points of the ECG signal were determined using the developed QRS complex detector. Within the scope of this thesis, four different feature extraction methods were utilized. A new feature extraction technique based on the Power Spectral Density has been proposed. Hybrid sub-feature clusters were constructed using a wrapper-based feature selection algorithm. A new method based on Ensemble Learning has been proposed by using stacking algorithm. Multi-layer perceptron (MLP) and random forest (RF) as base learners and Linear Regression (LR) as meta learner were utilized. Average performance values for the category-based arrhythmia heart beat classification of the proposed new method based on Ensemble Learning; accuracy was 99,88%, sensitivity was 99,08%, specificity was 99,94% and positive predictivity (+P) was 99,08%. Average performance values for patient-based arrhythmia heart beat classification were 99,72% accuracy, 99,30% sensitivity, 99,83% specificity and 99,30% positive predictivity (+P). Thus, it is concluded that the proposed method has higher performance results than the similar studies in the literature.
Benzer Tezler
- Hilbert transformundan yararlanarak EKG işaretlerinin analizi ve sınıflanması
Hilbert transform to ECG signal analysis and classification
HAKKI ANIL ŞEKER
Yüksek Lisans
Türkçe
2002
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. MEHMET KORÜREK
- EKG işaretlerinden çok katmanlı algılayıcılı sinir ağı kullanarak aritmilerin tespiti
ECG signals used on arrhytmia diagnosis with multilayer perceptraon neural network
ERSİN ERSOY
Yüksek Lisans
Türkçe
2016
Mekatronik MühendisliğiGaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHMUT HEKİM
- Elektrokardiyogram vurularının GAL ağı yardımıyla sınıflandırılması
Classification of electrocardiogram beats using GAL network
SELİN METİN
Yüksek Lisans
Türkçe
2002
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KORÜREK
- Multi-stage classification of abnormal patterns in EEG and e-ECG using model-free methods
Modelden bağımsız yöntemler kullanılarak EEG ve EKG içindeki anormal örüntülerin çok katlı sınıflandırılması
YAKUP KUTLU
Doktora
İngilizce
2010
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. DAMLA KUNTALP
- Uç öğrenme makineleri kullanarak EKG işaretlerinin sınıflandırma başarımlarının iyileştirilmesi
Improvement of the classification achievements of ECG signals using extreme learning machines
AYKUT DİKER
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN AVCI