KaydedilenlerDerginizi ekleyin

Dergiler / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2026 / Cilt: 31 Sayı: 1

İki Boyutlu Difüzyon Filtreleme ve Stockwell Dönüşümü Kullanılarak Elektrokardiyogram İşaretlerinin İyileştirilmesi

Kazım Hanbay0000-0003-1374-1417
Sayfa
39–46
Yayın Tarihi
2019-03-15
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Deneysel sonuçlar önerilen hibrit modelin daha iyi Sinyal Gürültü Oranı (SGO) ve daha düşük Ortalama Karesel Hatanın Karekökü (OKHK) değerlerine sahip olduğunu göstermiştir

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Elektrokardiyogram (EKG) kalp rahatsızlıkları için önemli bir teşhis aracı olarak kullanılmaktadır.
📊
Temel Bulgular & Veri:Temizlenmiş bir EKG işareti kalp rahatsızlıklarının türü hakkında elektriksel bilgi içerir.
💡
Sonuç & Katkı:Deneysel sonuçlar önerilen hibrit modelin daha iyi Sinyal Gürültü Oranı (SGO) ve daha düşük Ortalama Karesel Hatanın Karekökü (OKHK) değerlerine sahip olduğunu göstermiştir
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Elektrokardiyogram · stockwell dönüşümü · difüzyon filtreleme

Özet

Elektrokardiyogram (EKG) kalp rahatsızlıkları için önemli bir teşhis aracı olarak kullanılmaktadır. Temizlenmiş bir EKG işareti kalp rahatsızlıklarının türü hakkında elektriksel bilgi içerir. Bu çalışmada, Stockwell dönüşümü ve iki boyutlu eşyönsüz lineer olmayan difüzyon metotları kullanılarak yeni hibrit bir EKG gürültü giderme metodu önerilmiştir. Önerilen metot MIT-BIH aritmi veri tabanının altı EKG işaretine kas kasılmaları (MA) ve elektrot hareket (EM) gürültüleri eklenerek test edilmiştir. Deneysel çalışmalarda, önerilen metot geleneksel S-dönüşümü ve WT- alt bant metotları ile karşılaştırılmıştır. Deneysel sonuçlar önerilen hibrit modelin daha iyi Sinyal Gürültü Oranı (SGO) ve daha düşük Ortalama Karesel Hatanın Karekökü (OKHK) değerlerine sahip olduğunu göstermiştir

🔖

Bu Makaleye Atıf Yap

Hanbay, K. (2019). İki Boyutlu Difüzyon Filtreleme ve Stockwell Dönüşümü Kullanılarak Elektrokardiyogram İşaretlerinin İyileştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 31 Sayı: 1, 39–46. https://ajindex.com/articles/1268146

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. Barros AK, Mansour A, Ohnishi, N. Removing artifacts from electrocardiographic signals using independent components analysis. Neurocomputing 1998; 22(1–3): 173-186
  2. Wang F, Ji Z. Application of the dual-tree complex wavelet transform in biomedical signal denoising. Bio-Med. Mater. Eng. 2014; 24(1): 109-115
  3. El B’charri, O, Latif R, Elmansouri K, Abenaou A, Jenkal W. ECG signal performance de-noising assessment based on threshold tuning of dual-tree wavelet transform. Biomed. Eng. Online 2017; 16(26): 1-26
  4. Poornachandra S. Wavelet-based denoising using subband dependent threshold for ECG signals. Digital Signal Process. 2008; 18(1): 49–55
  5. Ho CYF, Ling BWK, Wong TPL, Chan AYP, Tam PKS. Fuzzy multiwavelet denoising on ECG signal. Electron. Lett. 2003; 39(16): 1163-1164
  6. Thakor NV, Zhu YS. Applications of adaptive filtering to ECG analysis: noise cancellation and arrhythmia detection. IEEE Trans. Biomed. Eng. 1991; 38(8): 785-794
  7. Tayel MB, Eltrass AS, Ammar AI. A new multi-stage combined kernel filtering approach for ECG noise removal. J. Electrocardiol. 2017; 51(2): 265-275
  8. Xiong P, Wang H, Liu M, Zhou S, Hou Z, Liu X. ECG signal enhancement based on improved denoising auto-encoder. Eng. App. Artif. Intell. 2016; 52: 194-202
  9. Erçelebi E. Electrocardiogram signals de-noising using lifting-based discrete wavelet transform. Comput. Biol. Med. 2004; 34(6): 479-493
  10. Smital L, Vítek M, Kozumplík J, Provazník I. Adaptive wavelet wiener filtering of ECG Signals. IEEE Trans. Biomed. Eng. 2013; 60(2): 437–445
  11. Ari S, Das MK, Chacko A. ECG signal enhancement using S-Transform. Comput. Biol. Med. 2013; 43(6): 649–660
  12. Das MK, Ari S. Analysis of ECG signal denoising method based on S-transform. IRBM 2013; 34(6): 362–370
  13. Rodrigues R,Couto P. A. Neural Network Approach to ECG Denoising. Cs.CE 2012; 1–15. Retrieved from
  14. Stockwell RG. A basis for efficient representation of the S-transform. Digital Signal Process. 2007;17(1): 371–393
  15. Perona P, Malik J. Scale-space and edge detection using anisotropic diffusion. IEEE Trans. Pattern Anal. Mach. Intell. 1990; 12(7): 629–639
  16. MIT-BIH Arrhythmia Database. [Online]. Available:
  17. PhysioBank ATM. [Online]. Available: https://www.physionet.org/cgi-bin/atm/ATM.