ECG arrhythmia classification using class-modular MLP

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2010

Tezin Dili: İngilizce

Öğrenci: HAYDAR VURAL

Danışman: SADIK FİKRET GÜRGEN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

EKG (elektrokardiyogram) insan vücuduna iliştirilen elektik algılayıcılarla kaydedilen elektriksel aktivitenin sinyal grafiğidir. Kardiyologlar tarafından teşhiste kullanılan en önemli biyosinyallerden birisidir. Bu çalışmada temel amacımız, teşhiste yardımcı olabilecek aritmik sinyal anormalilerini otomatik olarak tespit etmektir. EKG'deki bu anormalilerin insanlar tarafından tespiti hem zor hem de hataya açıktır. Bu nedenler, araştırmacıları kalple ilgili aritmi düzensizliklerini otomatik olarak tespit etmeye yönelik araştırma yapmaya yönlendirmiştir. Özdevimli öğrenme teknikleri kullanan bilgisayar yazılımları, karmaşık EKG sinyallerini kolayca analiz edebilir, bunları dönüşütrebilir, aritmi varlığı hakkında tahminlerde bulunabilir ve insanlara kararlarında destek olabilecek bilgiler sağlayabilirler. Bu çalışmada, sinir ağlarına dayanan öğrenme tekniklerinden birisi olan, Çok Katmanlı Geriye Yayılma Algoritması (ÇGY) ve Sınıf-Modülü kavramı iki EKG veri kümesine uygulanmıştır. Sınıf-Modülü kavramı, sınıfa dayalı özellik seçimiyle kullanılarak aynı zamanda boyut azaltma da sağlayan dayanıklı modüller elde edilmesi hedeflenmiş ve bunun için RELIEF tekniği kullanılmıştır. Veri kümelerinden birisi UCI veri havuzundan alınmış daha önce benzer çalışmalarda kullanılmıştır. Bulunulan ülkeye ait bir veri kümesi ise Türk hastalardan toplanan gerçek EKG kayıtlarından yaratılmıştır. Bu kayıtlar dijital ortama aktarılmış ve bir tıp doktoru tarafından incelenmiştir. Özellik seçme (Karar Ağaçları, DVM-Döngüsel Özellik Azaltılması) ve özellik genişletme (Asıl Bileşen Analizi) boyut azaltma teknikleri kullanılarak öğrenme tekniklerinin performansı arttırılmaktadır. Karşılaştırma amaçlı olarak Karar Ağaçları ve Destek Vektör Makineleri aritmi veri kümelerinde test edilmiştir. Weka ve Matlab çalışmalar sırasında özdevimli öğrenme araçları olarak kullanılmışlardır. Yapılan test sonuçlarına gore, ÇGY her iki EKG veri kümesi üzerinde de Karar Ağaçlarından daha iyi, DVM'yle yaklaşık sonuçlar vermektedir. Sınıf-modüler ÇGY'nin biraz daha az başarılı olsa da ÇGY'ye gore sunduğu ek avantajlar vardır.