Dergiler / Karadeniz Fen Bilimleri Dergisi / 2019 / Cilt: 9 - Sayı: 1
Elektrokardiyografi Sinyallerinde Deneysel Mod Ayrıştırma Ve Geliştirilmiş Karar Ağaçları Kullanarak Aritmi Tespiti
- Sayfa
- 103–110
- DOI
- —
Özet
Günümüzde ölüme neden olan kalp hastalıkları yaygınlaşmıştır. Elektrokardiyografi bu hastalıkların teşhis aşamasında sıkça kullanılan biyomedikal bir sinyaldir. Bu çalışmada, EKG incelemesi sonucunda aritmiyi saptamada kullanılabilecek bir teknik önerilmiştir. Aritmiyi tespit için, Deneysel Mod Ayrıştırma ve de Tekil Değerlere Ayrıştırma kullanıldı. Deneysel Mod Ayrıştırma durağan, doğrusal olmayan serileri analiz için uygun bir tekniktir ve yerel düzeyindeki salınım sinyallerini kullanır. Sinyalleri, İç Mod Fonksiyonları adındaki salınım yapılarına ayrıştırır. Tekil Değerlere Ayrıştırma ise karmaşık veri setlerinin boyutlarını küçültülmede kullanılan bir cebirsel yöntemdir ve gürültü etkilerini azaltmada kullanılmıştır. Gürültünün etkisinin azaltılmasından ve uygun öznitelliklerin elde edilmesinden sonra, Sınıflandırma, Geliştirilmiş Karar Ağaçları kullanılarak yapıldı. Sınıflandırmanın performansını değerlendirmede doğruluk, duyarlılık ve özgünlük değerleri hesaplandı.
Abstract
Nowadays, heart diseases that cause death have become widespread. Electrocardiography is a biomedical signal commonly used in the diagnosis of these diseases. In this study, a technique which can be used for detecting arrhythmia as a result of ECG examination is proposed. In order to detect arrhythmia, Empirical Mode Decomposition and Singular Value Decomposition were used. Empirical Mode Decomposition is an appropriate technique for analysis of the stationary, non-linear series and uses oscillation signals at the local levels. It separates the signals into oscillation structures called Intrinsic Mode Functions. Singular Value Decomposition is an algebraic method used to reduce the size of complex data sets and is used to reduce noise effects. After reducing the effect of noise and obtaining the appropriate features, the classification was made by using Boosted Trees. Accuracy, sensitivity, and specificity values were calculated to evaluate the performance of the classification.