Ateş böceği ve Bulanık C-Ortalama algoritmalarını kullanarak, sınıflandırma doğruluk oranı sırasıyla %99,47 ve %99,54 olarak bulunmuştur.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Elektrokardiyografik sinyallerdeki aritmileri otomatik olarak teşhis etmek ve kalp atım tipini sınıflandırma için yeni yöntemler geliştirilmektedir.
📊
Key Findings & Data:Bu çalışmada, veri kümelemesi için Ateş böceği(AB) ve Bulanık C-Ortalama (BCO) algoritmalarını kullanarak K-En Yakın Komşuluk (K-EYK) yöntemiyle EKG aritmilerinin sınıflandırmasını gerçekleştirdik.
💡
Conclusion & Impact:Ateş böceği ve Bulanık C-Ortalama algoritmalarını kullanarak, sınıflandırma doğruluk oranı sırasıyla %99,47 ve %99,54 olarak bulunmuştur.
Elektrokardiyografik sinyallerdeki aritmileri otomatik olarak teşhis etmek ve kalp atım tipini sınıflandırma için yeni yöntemler geliştirilmektedir. Bu çalışmada, veri kümelemesi için Ateş böceği(AB) ve Bulanık C-Ortalama (BCO) algoritmalarını kullanarak K-En Yakın Komşuluk (K-EYK) yöntemiyle EKG aritmilerinin sınıflandırmasını gerçekleştirdik. Ateş böceği algoritmasının sonuçları, Bulanık C-Ortalama algoritması başarı sonuçları ile karşılaştırılmıştır. EKG verileri MITBIH veri tabanından elde edilmiştir. Ateş böceği ve Bulanık C-Ortalama algoritmalarını kullanarak, sınıflandırma doğruluk oranı sırasıyla %99,47 ve %99,54 olarak bulunmuştur.
KOÇYİĞİT, Y., DİLMAÇ, S. (2018). Ateş Böceği Algoritmasını Kullanarak Kardiyak Aritmi Teşhisi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 21 - Sayı: 3, 226–234. https://ajindex.com/articles/876552
Bezdek, J. C. (1981). Objective Function Clustering. In Pattern recognition with fuzzy objective function algorithms (pp. 43-93).
Springer, Boston, MA. Chen, S., Hua, W., Li, Z., Li, J., & Gao, X. (2017). Heartbeat classification using projected and dynamic features of ECG signal. Biomedical Signal Processing and Control, 31, 165-173.
De Albuquerque, V. H. C., Nunes, T. M., Pereira, D. R., Luz, E. J. D. S., Menotti, D., Papa, J. P., & Tavares, J. M. R. (2018). Robust automated cardiac arrhythmia detection in ECG beat signals. Neural Computing and Applications, 29(3), 679-693.
De Falco, I., Della Cioppa, A., & Tarantino, E. (2007). Facing classification problems with particle swarm optimization. Applied Soft Computing, 7(3), 652-658.
Dilmac, S., & Korurek, M. (2015). ECG heart beat classification method based on modified ABC algorithm. Applied Soft Computing, 36, 641-655.
Doğan, B., & Korürek, M. (2012). A new ECG beat clustering method based on kernelized fuzzy c-means and hybrid ant colony optimization for continuous domains. Applied Soft Computing, 12(11), 3442-3451.
Dorigo, M., & Stützle, T. (2004).
Ant colony optimization. MIT Press,
USA. Elhaj, F. A., Salim, N., Harris, A. R., Swee, T. T., & Ahmed, T. (2016). Arrhythmia recognition and classification using combined linear and nonlinear features of ECG signals. Computer methods and programs in biomedicine, 127, 52-63.
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern recognition letters, 31(8), 651-666.Jung, W. H., & Lee, S. G. (2017). An Arrhythmia Classification Method in Utilizing the Weighted KNN and the Fitness Rule. IRBM, 38(3), 138-148.
Karaboga, D., & Ozturk, C. (2011). A novel clustering approach: Artificial Bee Colony (ABC) algorithm. Applied soft computing, 11(1), 652-657. Karlιk, B., Koçyiğit, Y., & Korürek, M. (2009). Differentiating types of muscle movements using a wavelet based fuzzy clustering neural network. Expert Systems, 26(1), 49-59.
Koçyiğit, Y. (2016). Heart sound signal classification using fast independent component analysis. Turkish Journal of Electrical Engineering & Computer Sciences, 24(4), 2949-2960.
Korürek, M., & Nizam, A. (2008). A new arrhythmia clustering technique based on Ant Colony Optimization. Journal of Biomedical Informatics, 41(6), 874-881.
Korürek, M., & Nizam, A. (2010). Clustering MIT–BIH arrhythmias with Ant Colony Optimization using time domain and PCA compressed wavelet coefficients. Digital Signal Processing, 20(4), 1050-1060. Kutlu