EECP Sistem Uygulamasında ST Segmentinin Yapay Sinir Ağları ile Belirlenmesi

Abstract

Bu çalışmada gelişmiş harici karşı darbe (External Enhanced Counter Pulsation-EECP) cihazının işaret işleme biriminin kardiyovasküler dolaşımın diyastol faz başlangıcını hatasız biçimde tespit edebilmesini sağlamak için elektrokardiyogram (EKG) işaretinin ST parçasının segmentasyonu gerçekleştirilmiştir. EECP cihazı özellikle miyokard iskemisinin non-invazif tedavisinde kullanılmaktadır. Cihaz (EKG) işaretini analiz etmekte ve kan dolaşımının diyastol fazında hastanın alt uzuvlarına bağlı manşonları şişirerek haricen basınç uygulamaktadır. Dolaşımın sistol fazında ise manşonlar söndürülerek harici basıncın ortadan kaldırılması suretiyle sistemik vasküler rezistansın azalması sağlanmaktadır. Bu etki kalbin art yükünün (afterload) düşmesine yol açar. EKG işaretinin QRS parçası ventrikülün (karıncık) kasılmasını başlatır. Bir başka ifadeyle QRS dalgasının ortaya çıkışından hemen sonra kalp kasılması yani sistol fazı başlar. T dalgasının ortaya çıkışını takiben ventrikülün kasılması son bulur. Dolayısıyla EECP cihazının doğru zamanda devreye girmesini sağlamak için ST dalga kompleksinin tespit edilmesi bir zorunluluktur. Yapılan çalışmada ST segmentasyonu için Physio.net’in sağlamış olduğu MIT-BIH Arrhythmia Database kullanılmıştır. Sisteme yüklenen işaretler öncesinde ön işleme tabi tutularak gürültülerden ve baseline kaymalarından arındırılmıştır. Gürültü eliminasyonu ve baseline kayması düzenlenen işaretin P, Q, R, S ve T noktaları tespit edilmiştir. Tespit edilen bu noktalardan P, Q ve R noktalarıyla birlikte bu noktalarla ilişkili 7 nokta daha giriş işaretlerini oluşturarak 10 girişli ve S, T noktalarını belirleyecek şekilde 2 çıkışlı bir ara katmanlı bir yapay sinir ağı oluşturulmuştur. Oluşturulan bu yapıda k cross validation (k katlamalı çaprazlama) yöntemi kullanılmıştır. Sistem eğitiminde sabit eğitim algoritması, farklı k katsayıları, farklı nöron sayıları ve farklı transfer fonksiyonları kullanılarak en iyi yapı elde edilmeye çalışılmıştır. Sabit olarak seçilen eğitim algoritması Levenberg-Marquardt’dır. Yapılan çalışma sonucunda k katlama değeri 5 olarak belirlenmiştir. 25 nöronun kullanıldığı gizli katman için logsig tipi transfer fonksiyonu ve çıkış için poslin tipi transfer fonksiyonu kullanılarak en küçük hatayı veren yapı elde edilmiştir

Keywords

• EECP,Yapay Sinir Ağları,ST Segmentasyonu

Determination of ST Segment in EECP System Application by Artificial Neural Networks

Abstract

In this study in order to detect start of diastole phase of blood cicrculation by signal processing unit of EECP (enhanced exeternal counterpulsation device) device segmentation of ST part of ECG (electrocardiogram) signal has been done. EECP device is especially being used in the non invasive treatment of myocardial ischemia. Device analyses ECG signal and then in the diastole phase applys external pressure to lower extremities by inflating the cuffs with air weared by patient on his/her lower extremities. In the systole phase systemic vascular resistance decreases when the device deflates the cuffs which removes external pressures on extremities. This also results in reduce of heart’s afterload. QRS wave initiates to contraction of heart’s ventricles. In other words the systole phase begins shortly after the appearance of QRS wave. The ventricle’s contraction is ended following the appearance of T wave. Hence, it is required to detect ST complex of the ECG signal correctly so as to run the EECP at exact time intervals. MIT-BIH Arrhythmia Database provided by Physio.net is used for ST segmentation. Firstly, the signals, which are loaded at system, are subjected to pre processing and purify the baseline shifting. After this operation P, Q, R, S and T dots are detected. In the detected dots of P, Q, R and the other 7 relevant dots, which are near to P, Q and R dots, are selected and giving the system as 10 input. The other dots S and T are creates the 2 outputs. Current used structure is a neural network artificial and has 10 inputs, 2 outputs and one layer. At this study, it is used to k cross validation. For system training it is used stabil train algorithm, different neuron number and different transfer functions. The stabil train algorithm is Levenberg-Marquardt. At the end of study folding value k is determined as 5. The structure that results in smallest error is acquired through a hidden layer of 25 neurons of which transfer function is in type of logsig and a poslin type transfer function for the output.

Keywords

• EECP,Neural Network Artificial,ST Segmentation

References

1. K. Surekha and B. Patil, "QRS Complex Compression Of ECG Signal Using Hybrid Transform," Bangalore, India, 20-21 Sept. 2013.
2. O. Soran, "A New Treatment Modality in Heart Failure Enhanced External Counterpulsation (EECP)," Cardiology in Review, vol. 12, no. 1, pp. 15-20, 2004.
3. A. Mokhlessi, M. Khalilzadeh, A. Moghimi and H. Soleiman, "EECP and Flow Rate of Coronary Arteries in Human Blood Circulation Model," in In 4th Kuala Lumpur International Conference on Biomedical Engineering , Berlin, 2008.
4. S. YAVAŞ, "Güçlendirilmis Eksternal Kontrpulsasyon (EECP)," Türkiye Klinikleri Cardiovasc Sci, vol. 3, no. 19, pp. 165-173, 2007.
5. O. SORAN, "Enhanced External Counterpulsation Therapy in Coronary Artery Disease Management," in Scientific Basis of Healthcare Angina, CRC Press, 2011, p. 174.
6. M. A. SILVER, "The Role of Enhanced External Counterpulsation in Heart Failure Management," in Heart Failure , Device Management, Wiley Backwell, 2010, p. 151.
7. P. JIAPU and W. J. TOMPKINS, "A Real Time QRS Detection Algoritm," IEEE transactions on biomedical engineering, pp. 230-236, march 1985.
8. M. Bassiouni, E. El-Dahshan and W. K. e. al., "Intelligent hybrid approaches for human ECG signals identification," Springer, no. 12, pp. 941-949, 2018.

9. E. Öztemel, Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık Eğitim, 2012.
10. İ. Dalkıran and K. Danışman, "E-Tipi Termal Çiftin Çıkışının Yapay Sinir Ağları ve Bulanık Sinir Ağları ile Doğrusallaştırılması," IEEE 14. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, pp. 1-4, 2006.
11. H. Erkaymaz, M. Özer and . İ. Orak, "Detection of directional eye movements based on the electrooculogram signals through an artificial neural network," Chaos, Solitons & Fractals, pp. 225-229, May 2015.
12. E. Şirin, "Bir Bakışta K-Fold Cross Validation," Veri Bilimi Okulu, 29 Ağustos 2017. [Online]. Available: https://www.veribilimiokulu.com/bir-bakista-k-fold-cross-validation/. [Accessed 29 Aralık 2019].