CLASSIFICATION OF EKG SIGNALS USING ROUGH SETS THEORY

Yıl 2014, Cilt: 15 Sayı: 2, 125 - 135, 11.05.2015

Sedat Telçeken Rasim Çekik

https://doi.org/10.18038/btd-a.13841

Öz

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

Anahtar Kelimeler

Rough Sets Theory, EKG, Classification, Expert Systems, Big Data Analysis, Data Mining.

EKG SİNYALLERİNİN KABA KÜMELER TEORİSİ KULLANILARAK SINIFLANDIRILMASI

Öz

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.

Anahtar Kelimeler

Kaba kümeler teorisi, EKG, Sınıflandırma, Uzman sistemler, Büyük veri analizi, Veri madenciliği

Kaynakça

• A. Abbott Türkiye, Kalp Hastalıkları sayfası. ri_ve_ilac/kalp_hastaliklari.aspx >Accessed at 15.09.2014
• 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. 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.
• 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.
• Dener, M., Dörterler, M., ve Orman, A. (2009). "Açık Kaynak Kodlu Veri Madenciliği Programları: Weka’da Örnek Uygulama". Akademik Bilişim 9: 11-13.
• Doktor, D., EKG, EKG’nin Kısa Tarihi Sayfası. >Accessed at 11.07.2014
• Efeoğlu, M. Acil Tıp Eğitimi İçin EKG, EKG Kütüphanesi sayfa.<http://www.acilci.net/> Accessed at 02.10.2014 Ana
• Grzymala-Busse, J. W., (1988). "Knowledge Acquisition under Uncertainty—A Rough Set Approach." Journal of Intelligent and Robotic Systems 1.1 3-16.
• 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.
• 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.
• S. Sağlık.im, Miyokard İnfarktüsü sayfası. infarktusu/> Accessed at 02.10.2014
• 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, Oxford University Press. Inc.
• Pavlak, Z., (1982). "Rough sets." International Journal of Computer & Information Sciences 11.5 341-356.
• Predki, B., Słowiński, B., Stefanowski, R., Susmaga, J., and Wilk, R., (1998).“ROSE- Software Implementation of The Rough set Theory”. In Rough Sets and Current Trends in Computing, 605-608, Springer Berlin Heidelberg.
• Telçeken, S. and Doğan, M., (2004). “Kaba Kümeler Teorisi Yardımı ile Büyük Veri Topluluklarının Analizi”. ELECO’04, Cilt1, 414-418,