KaydedilenlerDerginizi ekleyin

Dergiler / Eskişehir Technical University Journal of Science and Technology A - Applied Sciences and Engineering / 2014 / Cilt: 15 - Sayı: 2

EKG SİNYALLERİNİN KABA KÜMELER TEORİSİ KULLANILARAK SINIFLANDIRILMASI

CLASSIFICATION OF EKG SIGNALS USING ROUGH SETS THEORY

Sedat TELÇEKEN
Rasim ÇEKİK
Sayfa
125–135
Yayın Tarihi
2015-05-11
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)

Bu model ile EKG sinyalleri % 85 yakın bir doğruluk ile sınıflandırılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kaba kümeler teorisi (KKT), bulanık kümeler gibi uzman sistemler için analiz ve bilgi çıkarımında kullanılan kural tabanlı bir yöntemdir.
📊
Temel Bulgular & Veri:Kaba kümeler eksik, tutarsız ve belirsiz veri kümelerini düzenleyerek değerlendirme için uygun hale getirmektedir.
💡
Sonuç & Katkı:Bu model ile EKG sinyalleri % 85 yakın bir doğruluk ile sınıflandırılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Kaba kümeler teorisi · EKG · Sınıflandırma

Özet

Kaba kümeler teorisi (KKT), bulanık kümeler gibi uzman sistemler için analiz ve bilgi çıkarımında kullanılan kural tabanlı bir yöntemdir. Kaba kümeler eksik, tutarsız ve belirsiz veri kümelerini düzenleyerek değerlendirme için uygun hale getirmektedir. Bu çalışma EKG sinyallerini, kaba kümeler teorisi tabanlı yeni bir modele göre sınıflandırmayı önerir. Eksik, gereksiz ve tutarsız veri kümeleri günümüzde en çok hastalık verilerinde karşımıza çıkmaktadır. Bu veri kümelerinden doğru kural çıkarmak veya bu veri kümelerini doğru sınıflandırmak, hastalık teşhisinde son derece önemlidir. EKG sinyallerinin verilerinin bulunduğu veri kümesine öngörülen modelin uygulanması, sınıflandırmada çalışma zamanında iyileştirmeyi sağlamıştır. Ayrıca bu çalışma ile en az parametre kullanarak, doktorların daha hızlı ve erken teşhisine yardımcı olacak bir model oluşturulmuştur. Bu model ile EKG sinyalleri % 85 yakın bir doğruluk ile sınıflandırılmıştır.

Abstract

Rough sets theory (RST) is a rule-based method used for the analysis and data mining in expert systems such as fuzzy sets. Rough sets organize data sets with missing, inconsistent and ambiguous data and make them suitable for analysis and evaluation. This paper proposes a new rough sets theory -based model for the classification of EKG signals. Missing, unnecessary and inconsistent data sets are encountered mostly in patient data. For correct diagnosis, it is very important to correctly classify and extract rules from these data sets. The application of the proposed method to a data set containing EKG signals improves the running time performance of classification. Additionally, the proposed method requires minimal number of parameters and can be used as an aid for doctors for faster and early diagnosis. EKG signals are classified correctly up to 85% by this model

🔖

Bu Makaleye Atıf Yap

TELÇEKEN, S., ÇEKİK, R. (2015). EKG SİNYALLERİNİN KABA KÜMELER TEORİSİ KULLANILARAK SINIFLANDIRILMASI. Eskişehir Technical University Journal of Science and Technology A - Applied Sciences and Engineering, Cilt: 15 - Sayı: 2, 125–135. https://ajindex.com/articles/196979

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. A. Abbott Türkiye, Kalp Hastalıkları sayfası. ri_ve_ilac/kalp_hastaliklari.aspx >Accessed at 15.09.2014
  2. Avşar, G. ve Kaya M., (2007). “Kaba Kümeler Yardımıyla Eksik Verilerden Kesin ve Olası Bulanık Kuralların Çıkarılması”, Elektrik-Elektronik-Bilgisayar Mühendisliği 12. Ulusal Kongresi ve Fuarı Aybar, F., (2011). “Kaba Kümeler Teorisi Üzerine Algoritmalar”, Yüksek Lisans Tezi, Ankara Üniversitesi Fen Bilimleri Enstitüsü Anabilim Dalı,. Mühendisliği Aydoğan, A., Kızılkaya, E. ve Gencer, C., (2007). Kullanılarak Veri Problemlerinde Sınıflandırma Amaçlı Yapılmış Olan Çalışmalar". Savunma Bilimleri Dergisi 6.2: 17-32.
  3. Yaklaşımı Madenciliği Bilal, M.S. ve Sarıoğlu, T., (1992). "İskemik İnjurisi Miyokard Miyokard Korunmasına Genel Bir Bakış." Türk Göğüs Kalp Damar Cerrahisi Dergisi 1.2: 118-126. ve İntraoperatif Chmielewski, M.R., and Grzymala-Busse, J. W., (1996). Continuous Attributes as Preprocessing for Machine Learning." International Journal of Approximate Reasoning 15.4: 319-331.
  4. Cios, K.J., Witold, Pedreycz, W., and Swiniarsk, R. M., (1998)."Data Mining Methods for Knowledge Discovery." Neural Networks, Ieee Transactions on 9.6: 1533-1534.
  5. Dener, M., Dörterler, M., ve Orman, A. (2009). "Açık Kaynak Kodlu Veri Madenciliği Programları: Weka’da Örnek Uygulama". Akademik Bilişim 9: 11-13.
  6. Doktor, D., EKG, EKG’nin Kısa Tarihi Sayfası. >Accessed at 11.07.2014
  7. Efeoğlu, M. Acil Tıp Eğitimi İçin EKG, EKG Kütüphanesi sayfa. Accessed at 02.10.2014
  8. Ana Grzymala-Busse, J. W., (1988). "Knowledge Acquisition under Uncertainty—A Rough Set Approach." Journal of Intelligent and Robotic Systems 1.1 3-16.
  9. Lingras, P.J., and Yao, Y. Y., (1998). "Data Mining using Extensions of The Rough Set Model." Journal of The American Society for Information Science 49.5 415-422.
  10. Malmivuo, J., and Plonsey, R., (1995). Bioelectromagnetism: Applications Biomagnetic Fields. Oxford University Press. Principles and and of Bioelectric Orłowska, E., (1994). "Reasoning with Incomplete Information: Rough Set Based Information Logics." Incompleteness and Uncertainty in Information Systems. Springer London, 16-33.
  11. S. Sağlık.im, Miyokard İnfarktüsü sayfası. infarktusu/> Accessed at 02.10.2014
  12. Skowron, A., Komorowski, A., Pawlak, J. Z., and Polkowski, L., (2002). “Rough sets perspective on data and knowledge”, In Handbook of Data Mining and Knowledge Discovery, 134-149,
  13. Oxford University Press.
  14. Inc. Pavlak, Z., (1982). "Rough sets." International Journal of Computer & Information Sciences 11.5 341-3