No abstract

Arrhythmia, also known as dysrhythmia, is a condition involving an irregular heartbeat. A problem in the heart may cause problems in other organs, and as time passes, this will lead to more severe problems. Arrhythmia must be detected at an early stage to prevent such a problem occurring in the heart. Detection of arrhythmia from an electrocardiogram is an easy method that does not need much equipment and does not harm the patient. The purpose of this research is to find a faster and more accurate system to classify nine classes of arrhythmia. The St. Petersburg Institute of Cardiological Technics 12-lead arrhythmia database was used for training and testing. Data were compressed and preprocessed (denoising, trend elimination, baseline correction, and normalization) before being sent to the system for feature calculation. The wavelet coefficients that displayed the most significant effect on classification were chosen and used as features. Standard deviation and variance were also added to the feature set. Later, principal component analysis (PCA) was used to reduce the number of features further. After deciding the features, the performance of the basic classification methods and spiking neural network was checked to determine whether there was a better classifier to be used for our research. Tenfold cross-validation was applied to the training dataset. Bagged trees were found to produce better results. The classifiers' performance was tested by sensitivity, specificity, and accuracy.

Günümüzde ölüme neden olan kalp hastalıkları yaygınlaşmıştır. Elektrokardiyografi bu hastalıkların teşhis aşamasında sıkça kullanılan biyomedikal bir sinyaldir. Bu çalışmada, EKG incelemesi sonucunda aritmiyi saptamada kullanılabilecek bir teknik önerilmiştir. Aritmiyi tespit için, Deneysel Mod Ayrıştırma ve de Tekil Değerlere Ayrıştırma kullanıldı. Deneysel Mod Ayrıştırma durağan, doğrusal olmayan serileri analiz için uygun bir tekniktir ve yerel düzeyindeki salınım sinyallerini kullanır. Sinyalleri, İç Mod Fonksiyonları adındaki salınım yapılarına ayrıştırır. Tekil Değerlere Ayrıştırma ise karmaşık veri setlerinin boyutlarını küçültülmede kullanılan bir cebirsel yöntemdir ve gürültü etkilerini azaltmada kullanılmıştır. Gürültünün etkisinin azaltılmasından ve uygun öznitelliklerin elde edilmesinden sonra, Sınıflandırma, Geliştirilmiş Karar Ağaçları kullanılarak yapıldı. Sınıflandırmanın performansını değerlendirmede doğruluk, duyarlılık ve özgünlük değerleri hesaplandı.

Tıptaki gelişmeler ve sağlık bilincinin artması sonucunda sağlık hizmeti için talep artmıştır. Ancak bunu karşılayacak yeterli insan kaynağı, cihaz ve sağlık kuruluşu bulunmamaktadır. Tele-tıp sayesinde bu ihtiyaç azaltılabilir. Özellikle kırsal bölgedeki kalp rahatsızlıklarına sahip hastalarının EKG sinyallerinin izlenmesi çok önemlidir. Bilgi teknolojisindeki gelişmeler, erken teşhis ve tanı için klinik karar destek sistemlerine önemli katkılar sağlamaya başlamıştır. Özellikler hjorth tanımlayıcılar, sinyalin yapay EKG sinyali ile korelasyonu, içkin kip işlevinden standart sapma, gücün aktiviteye oranı ve standart sapmadan oluşmaktadır. Farklı sınıflandırma yöntemleri bu özellikleri kullanarak karşılaştırılmıştır. Özellik çıkartma ve sınıflandırma için Matlab kullanıldı. Yöntemin performansı PhysioNet veri tabanından elde edilen kullanılan veriler üzerinde test edilmiştir.

Kalp hastalıklarının çok yaygın ve ölümcül hastalıklar olduğu söylenebilir. Bu nedenle EKG incelenerek kalp rahatsızlıklarını doğru tespit etmek gerekmektedir. Bu çalışmada kişinin elektrokardiyografi (EKG) kayıtlarının otomatik incelenmesi yoluyla aritmi tespiti hedeflenmektedir. Bu süreçte dalgacık yönteminden elde edilen özellikler RUS Geliştirilmiş Ağaç yöntemiyle sınıflandırılmıştır. Kalp atışları 7 farklı sınıfa ayrılmıştır. Bu aşamada öznitelik sayısını azaltmak ve sinyal işleme sürecini hızlandırmak için RUSBoost yöntemi kullanılmıştır. Bu yöntem çok miktarda zayıf öğreniciyi bir araya getirip, bu süreçten güçlü öğrenici oluşturmak olarak bilinir. ST-Petersburg Enstitüsü Kardiyolojik Veritabanı analiz için tercih edilmiştir. Test ve eğitim doğruluğu 12 kanal EKG verilerinde bulunmuştur. Yöntem gerçek zamanlı aritmi tespiti için yeterince hızlıdır. Bütün analizler için MATLAB kullanılmıştır.