Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız:
http://acikerisim.ktu.edu.tr/jspui/handle/123456789/516
Başlık: | EKG aritmilerinin zaman frekans esaslı öznitelikler kullanılarak sınıflandırılması |
Diğer Başlıklar: | Classification of ECG arrhythms using time-frequency based features |
Yazarlar: | Akdeniz, Fulya |
Anahtar kelimeler: | Elektrokardiyogram (EKG), Anormal Atım Tespiti, Aritmi Sınıflandırma, Zaman-Frekans Dönüşümü, MIT-BIH Aritmi Veritabanı;Electrocardiogram (ECG), Abnormal Beat Detection, Arrhythmia Classification, Time-Frequency Disturbition, MIT-BIH Arrhythmia Database |
Yayın Tarihi: | 2017 |
Yayıncı: | Karadeniz Teknik Üniversitesi |
Özet: | Kalp hastalıklarının önceden tespit edilmesiyle ilerde ortaya çıkabilecek kalıcı hasarların hatta ölümlerin bile önüne geçilebilmektedir. Bu tezde çeşitli makine öğrenmesi algoritmalarıyla EKG Aritmilerinin tespit edilmesi amaçlanmıştır. Buda klinik karar destek sistemleri için oldukça önemlidir. Çalışmada MIT-BIH Aritmi veritabanından seçilen R-R aralıklarından oluşturulan büyük bir veritabanı kullanılmıştır. Çalışma iki aşamadan oluşmaktadır. Birinci aşamada kalp hastalıkları Sağlıklı EKG kayıtları ve aritmili EKG kayıtları olmak üzere iki sınıf şeklinde ayrılmıştır. İlk aşamada kişide herhangi bir aritminin olup olmadığınn tespit edilmesi amaçlanmıştır. İkinci aşamda ise EKG kayıtları 9 sınıfa ayrılmıştır ve kişideki aritminin ne olduğunun bulunması amaçlanmıştır. Öznitelik çıkarma aşamasında zaman-frekans dönüşümü yöntemleri kullanılmıştır. Bu yöntemler Yumuşatılmış Sahte Wigner-Ville, Choi-Williams,Born-Jordan, Bessel ve Zhao-Atlas-Mark dönüşümleridir. Sınıflandırma aşamasında ise Destek Vektör Makineleri, K En Yakın Komşuluk algoritmaları, Topluluk sınıflandırıcıları, Ağaç yöntemleri ve Ayırma Analizi kullanılmıştır. Tez çalışmasında önerilen yöntemin hesaplama süresinin oldukça kısa olduğu görülmüştür ve gerçek zamanlı sistemlere uyarlanabilirliği kanıtlanmıştır. Tez çalışması geliştirilmekte olan Teletıp sisteminde Karar Destek sisteminin bir parçası olacaktır. Yapılan iki sınıflı çalışmanın performans sonuçları doğruluk, duyarlılık, özgüllük ve pozitif prediktif değerleri sırasıyla %93.88, %92.14, %95.62, %95.46 olarak bulunmuştur. 9 sınıflı olarak yapılan aşamasında ise doğruluk, duyarlılık, özgüllük, F skor, pozitif prediktif değer, negatif prediktif değerler sırasıyla %98.56, %71.69, %98.48, %76.71, %89.31, %98.91 olarak bulunmuştur. Early detection of heart diseases can prevent permanent damage or even death that may occur in the future. In this thesis, it is aimed to determine Ecg Arrhythms with various machine learning algorithms. This is very important for clinical decision support systems. The thesis study used a large database of R-R intervals selected from the MIT-BIH Arrhythmia database. The study consists of two phases. In the first stage heart diseases are divided into two classes to be healthy and arrhythmia ECG records. At the first stage, it is aimed to determine whether there is any heart disease in the person. In the second phase, the ECG records are divided into 9 classes, and the aim is to find out what is the arrhythmia.The thesis study used a large database of R-R intervals selected from the MIT-BIH Arrhythmia database. Time-frequency transformation methods are used in the feature extraction phase. These methods are Smoothed Pseudo Wigner-Ville, Choi-Williams, Born-Jordan, Bessel and Zhao-Atlas-Mark Transforms. In the classification phase, Support Vector Machines, K Nearest Neighborhood algorithms, Ensemble classifiers, Tree methods and Discriminant Analysis were used. It has been shown that the proposed algorithm has a fairly short computation time and adaptability to real-time systems. The study will be part of the Decision Support System in the Telemedicine system being developed. The performance results of study based on classification for two-class are obtained as respectively 93.88%, 92.14% , 95.62% , 95.46% for accuracy sensitivity, specificity and positive predictive values, and results of study based on classification for nine-class are obtained as respectively 98.56%, 71.69%, 98.48%, 76.71%, 89.31%, 98.91% for accuracy sensitivity, specificity, F score, positive predictive and negative predictive values. |
URI: | http://acikerisim.ktu.edu.tr/jspui/handle/123456789/516 |
Koleksiyonlarda Görünür: | Elektrik-Elektronik Mühendisliği |
Bu öğenin dosyaları:
Dosya | Açıklama | Boyut | Biçim | |
---|---|---|---|---|
Tam Metin.pdf | 11.26 MB | Adobe PDF | ![]() Göster/Aç |
DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.