Makine öğrenmesi algoritmaları ve dalgacık dönüşümü ile EKG sinyalinden özellik çıkarımı

Özet

Günümüzde biyomedikal sinyallerin analizinde dalgacık dönüşümünün kullanılması oldukça yaygın olup elde edilen sonuçlar etkileyicidir. Bu çalışmada, biyomedikal sinyallerden elektrokardiyogram (EKG) sinyallerinde QRS zirvesi belirleme hedeflenmiş ve daha iyi sonuçlar almak için öncelikle EKG sinyallerindeki zemin gezinme gürültüsünün giderilmesi ve yüksek frekanslı gürültünün temizlenmesi amacıyla dalgacık analizi kullanılmıştır. Daubechies 10 (db10) dalgacık dönüşümü uygulanan sinyalin 10. seviye yaklaşım katsayısı ve 10. seviye detay katsayısı çıkartılarak sinyaldeki zemin gezinmesi problemi giderilmistir. Yüksek frekans gürültüsünün giderilmesi için ise zemin gezinmesi problemi giderilmiş olan sinyale dalgacık gürültü temizleme uygulanmıştır. Gürültüsü temizlenen sinyalde QRS zirvelerini belirlemek için sinyalin 1. türev ve 2. türev bilgileri ele alınarak Destek Vektör Makineleri ve Naive Bayes algoritmaları kullanılmıştır. QRS zirvelerinin bulunmasında, MIT-BIH aritmi veri tabanında verilen QRS zirvelerinin konum bilgileri kullanılmıştır. QRS zirvelerini doğru belirlemede Destek Vektör Makineleri algoritması Naive Bayes algoritmasından daha yavaş sonuç vermesine rağmen %99.46 duyarlılık, %100 seçicilik ve %0.54 hata değerlerine ulaşmıştır.

Abstract

Nowadays usage of wavelet transform on biomedical signals has been increased and effective results have been obtained. In this study wavelet transform is used to obtain better results on QRS complex detection; wavelets are used to get rid of baseline wandering and high frequency artifact on ECG. To do so, some ECG recordings on MIT-BIH arrhythmia database are used. To omit baseline wandering Daubechies wavelet up to level 10 is used and approximation and detail coefficients at level 10 are excluded from the ECG signal. To omit high frequency artifact wavelet denoising is applied to the ECG signals. Afterward, using the first and second derivative information of the signal, Support Vector Machine and Naive Bayes algorithms are applied separately. According to the study conducted, although SVM algorithm runs slower than Naive Bayes, results for SVM are much better for QRS detection; the results for SVM are %99.46 sensitivity, %100 positive sensitivity, and %0.54 error.