EJONS INTERNATIONAL JOURNAL ON MATHEMATICS, ENGINEERING & NATURAL SCIENCES ISSN 2602 - 4136

Quick Access


Bu Dergi DOI ve Crosscheck üyesidir


Ağaç Tabanlı Makine Öğrenmesi Yöntemleri Kullanılarak ECG Sinyalinden Aritmi Teşhisi
(Arrhythmia Diagnosis from ECG Signal Using Tree-based Machine Learning Methods )

Author : Önder YAKUT  Önder YAKUT, Emine DOĞRU BOLAT  
Type :
Printing Year : 2020
Number : 16
Page : 954-964
Cite : Önder YAKUT Önder YAKUT, Emine DOĞRU BOLAT, (2020). Ağaç Tabanlı Makine Öğrenmesi Yöntemleri Kullanılarak ECG Sinyalinden Aritmi Teşhisi. EJONS INTERNATIONAL JOURNAL ON MATHEMATICS, ENGINEERING - NATURAL SCIENCES, 16, p. 954-964. Doi: 10.38063/ejons.361.
    


Summary

Günümüzde insanların ölümüne neden olan kalp hastalıkları giderek yaygınlaşmaktadır. Kalp hastalıklarının önceden teşhisi edilmesi hem hastalar hem de klinisyenler için önem arz etmektedir. Elektrokardiyografi (ECG) kalp hastalıklarının teşhisinde kullanılan biyoelektriksel bir sinyaldir. Kardiyak aritmi teşhisi yapan bilgisayar destekli teşhis sistemlerinde kullanılacak gürültü giderme, öznitelik çıkartma, öznitelik seçme ve sınıflandırma yöntemleri geliştirilmektedir. Bu çalışmada, MIT-BIH Arrhythmia Database (MIT-BIH AD) kullanılarak aritmi teşhisi yapan bir bilgisayar destekli tanı sistemi önerilmiştir. MIT-BIH AD.’deki ECG kayıtları, Chebyshev Type II Filtre kullanılarak taban hattı gürültüsünden arındırılmıştır. Daha sonra, MIT-BIH AD.’deki annotation file’lar kullanılarak ECG kayıtlarındaki kalp atımlarına ait olan R tepelerinin konumları elde edilmiştir. ECG sinyalindeki kalp atımlarının R tepeleri 256 örnek genişliğindeki bir pencere kullanılarak Discrete Wavelet Transform (DWT) yöntemiyle alt bantlara ayrılmıştır. Alt bant katsayıları kullanılarak öznitelikler oluşturulmuştur. Elde edilen öznitelikler [0,1] aralığına normalize edilmiştir. SelectKBest yöntemi, chi2 score fonksiyonu kullanılarak özniteliklerin önem dereceleri bulunmuştur. Bu dereceler kullanılarak en etkili 27 öznitelik elde edilmiştir. Bu çalışmada, 170 öznitelikten oluşan ve seçilmiş 27 öznitelikten oluşan iki veri seti elde edilmiştir. Bu veri setleri eğitim seti (2/3) ve test seti (1/3) olarak ikiye bölünerek sınıflayıcıları beslemişlerdir. Bu çalışmada, makine öğrenmesi yöntemleri olarak Random Forest, Extra Trees ve Decision Tree Classifiers kullanılmıştır. Bu yöntemlerden, Random Forest sınıflayıcısı en iyi başarım sonucunu göstermiştir. Son olarak, 10 sınıflı aritmili kalp atımı içeren ve DWT tabanlı özniteliklere sahip bir veri seti kullanarak aritmi teşhisinde sağlık personeline yardımcı olmak amacıyla bilgisayar destekli bir karar destek sistemi önerilmiştir. Bu çalışmadaki makine öğrenmesi yöntemlerinin yazılımsal ve donanımsal gereksinimleri Google Cloud Computing tabanlı Google Colaboratory kullanılarak karşılanmıştır.



Keywords
Aritmi Sınıflandırma, Bulut Bilişim, Google Colaboratory, Makine Öğrenimi, Sinyal İşleme

Abstract

Today, heart diseases that cause the death of people are becoming more common. Pre-diagnosis of heart diseases is important for both patients and clinicians. Electrocardiography (ECG) is a bioelectrical signal used in the diagnosis of heart disease. Noise reduction, feature extraction, feature selection and classification methods that diagnose cardiac arrhythmia are being developed to be used in computer-aided diagnostic systems. In this study, a computer-aided diagnosis system that detects arrhythmia using the MIT-BIH Arrhythmia Database (MIT-BIH AD) is proposed. ECG recordings in MIT-BIH AD are denoised of baseline wander using Chebyshev Type II Filter. Then, the positions of the R peaks belonging to the heartbeats in the ECG recordings were obtained by using the annotation files in MIT-BIH AD. The R peaks of the heartbeats in the ECG signal were divided into sub-bands using the DWT method using a 256 sample-wide window. The features have been created by using the sub-band coefficients. The obtained features have been normalized in the interval of [0,1]. Significance levels of features have been found using SelectKBest method, chi2 score function. The most effective 27 features have been obtained by using these levels. In this study, two data sets consisting of 170 features and 27 selected features have been obtained. These data sets have been divided into two as the training set (2/3) and testing set (1/3). In this study, Random Forest, Extra Trees and Decision Tree Classifiers have been used as machine learning methods. Among these methods, Random Forest classifier has obtained the best performance result. Finally, a computer-aided diagnosis system has been proposed to assist healthcare professionals in the diagnosis of arrhythmia using the data set containing 10-class arrhythmia heartbeats and with DWT-based features. The software and hardware requirements of the machine learning methods in this study have been met using Google Cloud Computing based Google Colaboratory.



Keywords
Arrhythmia Classification, Cloud Computing, Google Colaboratory, Machine Learning, Signal Processing

Advanced Search


Announcements

    Mart Sayısı

    VERBİS'E KAYIT S�RELERİ HAKKINDA DUYURU | Kırklareli Ticaret ve ...

    Mart ayında yayınlanacak Sayımız için  25 Şubat Tarihine kadar çalişmanızı Yükleyebilirsiniz



Address :Kazakh National Women's Pedagogical University, Almatı, Kazakhistan
Telephone :+7 778 921 0336 - 0 534 349 92 73 Fax :
Email :ejonsjournal@gmail.com

Web Yazılım & Programlama Han Yazılım Bilişim Hizmetleri