KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2018 / Cilt: 33 - Sayı: 2

EKG verilerinin destek vektör regresyon yöntemiyle sıkıştırılması

Ömer KARAL
Sayfa
743–756
Yayın Tarihi
2018-04-06
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)

Bilgisayar simülasyon sonuçları, önerilen tekniğin geçerliliğini ve uygulanabilirliğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Elektrokardiyogram (EKG), kalpteki kulakçık ve karıncıkların kasılma ve gevşeme evrelerinde oluşan elektriksel aktivitenin grafiksel bir gösterim şeklidir.
📊
Temel Bulgular & Veri:Kalp hastalıklarının önceden etkin bir şekilde tespiti ve teşhisi için, EKG sinyalleri sürekli kaydedilir.
💡
Sonuç & Katkı:Bilgisayar simülasyon sonuçları, önerilen tekniğin geçerliliğini ve uygulanabilirliğini göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:veri sıkıştırma · elektrokardiyogram · modelleme

Özet

Elektrokardiyogram (EKG), kalpteki kulakçık ve karıncıkların kasılma ve gevşeme evrelerinde oluşan elektriksel aktivitenin grafiksel bir gösterim şeklidir. Kalp hastalıklarının teşhisinde ve analizinde çok önemli bir role sahiptir. Kalp hastalıklarının önceden etkin bir şekilde tespiti ve teşhisi için, EKG sinyalleri sürekli kaydedilir. Bununla birlikte, uzun izleme dönemleri, EKG verilerinin depolanmasını ve iletimini zorlaştıracak şekilde büyük miktarda veri üretir. Dahası, bu kayıtlar çevre nedeniyle gürültüye maruz kalabilir. Bu nedenlerden dolayı, gürültülü bir ortamda bile etkin sonuçlar verebilecek bir EKG veri sıkıştırma algoritmasına ihtiyaç vardır. Bu çalışma, EKG sinyallerinin sıkıştırılması için Destek Vektör Regresyon (DVR) tabanlı yeni bir yöntem önerir. Dönüşüm tabanlı bir yöntem olan DVR, doğruluğu kanıtlanabilir bir algoritmaya dayandığı için, EKG verilerinin en uygun (optimal) bir biçimde sıkıştırılabilmesine imkan verir. Dönüşüm tabanlı yöntemlerde, dönüşümü sağlayan ve doğrusal olmayan taban fonksiyonlarının sayısını, şeklini ve yerini belirlemek çok önemlidir. Önerilen yöntem, DVR optimizasyon algoritması sayesinde söz konusu taban fonksiyonlarının sayısını, şeklini ve yerini hem en uygun hem de hızlı bir şekilde otomatik olarak belirler. Bilgisayar simülasyon sonuçları, önerilen tekniğin geçerliliğini ve uygulanabilirliğini göstermektedir.

🔖

Bu Makaleye Atıf Yap

KARAL, Ö. (2018). EKG verilerinin destek vektör regresyon yöntemiyle sıkıştırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 33 - Sayı: 2, 743–756. https://ajindex.com/articles/20120

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Jalaleddine, S. M., Hutchens, C. G., Strattan, R. D., Coberly, W. A., ECG data compression techniques-a unified approach, IEEE Trans. Biomed. Eng., 37(4), 329-343, 1990.
  2. Olmos, S., MillAn, M., Garcia, J., Laguna, P., ECG data compression with the Karhunen-Loeve transform, Computers in Cardiology, Indianapolis, ABD, 253-256, 8-11 Eylül, 1996.
  3. Reddy, B. S., Murthy, I. S. N., ECG data compression using Fourier descriptors, IEEE Trans. Biomed. Eng., (4), 428-434, 1986.
  4. Singh, B., Kaur, A., Singh, J. A review of ecg data compression techniques. International journal of computer applications, 116(11), 2015.
  5. Benzid, R., Messaoudi, A., Boussaad, A., Constrained ECG compression algorithm using the block-based discrete cosine transform, Digital Signal Process.,18(1), 56-64, 2008
  6. Shinde, A. A., Kanjalkar, P., The comparison of different transform based methods for ECG data compression, Uluslararası konferans, ICSCCN-IEEE, Thuckafay, Hindistan, 332-335, 21-22 Haziran, 2011.
  7. Manikandan, M. S., Dandapat, S., Wavelet-based electrocardiogram signal compression methods and their performances: a prospective review, Biomed. Signal Process. Control, 14, 73-107, 2014.
  8. Addison, P. S., Wavelet transforms and the ECG: a review, Physiol. Meas., 26(5), R155, 2005.
  9. Abo-Zahhad, M., Ahmed, S. M., Sabor, N., Al-Ajlouni, A. F., Wavelet Threshold Based ECG Data Compression Technique Using Immune Optimization Algorithm, IJSIP 8(2), 307-360, 2 Şubat, 2015.
  10. Swarnkar, A., Kumar, R., Kumar, A., Khanna, P. (2017, February). Performance of different threshold function for ECG compression using Slantlet transform. Uluslararsı 4. Sinyal İşleme ve Bütünleşik Ağlar konferansı (SPIN), 375-379, 2-3 Şubat, 2017.
  11. Ballesteros, D. M., Moreno, D. M., Gaona, A. E., FPGA compression of ECG signals by using modified convolution scheme of the Discrete Wavelet Transform, Ingeniare, Revista chilena de ingeniería, 20(1), 2012.
  12. Al-Busaidi, A. M., Khriji, L., Touati, F., Rasid, M. F. A., Mnaouer, A. B. (2015, February). Real-time DWT-based compression for wearable Electrocardiogram monitoring system. Uluslararası 8. GCC konferans ve sergisi, (GCCC), 1-6,
  13. Muscat, Umman, 1-4 Şubat, 2015.
  14. Huang, B., Wang, Y., Chen, J., ECG compression using the context modeling arithmetic coding with dynamic learning vector–scalar quantization, Biomed. Signal Process. Control 8(1), 59-65, 2013.
  15. Hung, K. C., Wu, T. C., Lee, H. W., Liu, T. K., EP-based wavelet coefficient quantization for linear distortion ECG data compression, Med. E