Nowadays usage of wavelet transform on biomedical signals has been increased and effective results have been obtained. In this study wavelet transform is used to obtain better results on QRS complex detection; wavelets are used to get rid of baseline wandering and high frequency artifact on ECG. To do so, some ECG recordings on MIT-BIH arrhythmia database are used. To omit baseline wandering Daubechies wavelet up to level 10 is used and approximation and detail coefficients at level 10 are excluded from the ECG signal. To omit high frequency artifact wavelet denoising is applied to the ECG signals. Afterward, using the first and second derivative information of the signal, Support Vector Machine and Naive Bayes algorithms are applied separately. According to the study conducted, although SVM algorithm runs slower than Naive Bayes, results for SVM are much better for QRS detection; the results for SVM are %99.46 sensitivity, %100 positive sensitivity, and %0.54 error.
Naive Bayes ECG Machine Learning Support Vector Machine Denoising Wavelet Transform
Günümüzde biyomedikal sinyallerin analizinde dalgacık dönüşümünün
kullanılması oldukça yaygın olup elde edilen sonuçlar etkileyicidir. Bu
çalışmada, biyomedikal sinyallerden elektrokardiyogram (EKG) sinyallerinde QRS
zirvesi belirleme hedeflenmiş ve daha iyi sonuçlar almak için öncelikle EKG
sinyallerindeki zemin gezinme gürültüsünün giderilmesi ve yüksek frekanslı
gürültünün temizlenmesi amacıyla dalgacık analizi kullanılmıştır. Daubechies 10
(db10) dalgacık dönüşümü uygulanan sinyalin 10. seviye yaklaşım katsayısı ve
10. seviye detay katsayısı çıkartılarak sinyaldeki zemin gezinmesi problemi
giderilmistir. Yüksek frekans gürültüsünün giderilmesi için ise zemin gezinmesi
problemi giderilmiş olan sinyale dalgacık gürültü temizleme uygulanmıştır.
Gürültüsü temizlenen sinyalde QRS zirvelerini belirlemek için sinyalin 1. türev
ve 2. türev bilgileri ele alınarak Destek Vektör Makineleri ve Naive Bayes
algoritmaları kullanılmıştır. QRS zirvelerinin bulunmasında, MIT-BIH aritmi
veri tabanında verilen QRS zirvelerinin konum bilgileri kullanılmıştır. QRS
zirvelerini doğru belirlemede Destek Vektör Makineleri algoritması Naive Bayes
algoritmasından daha yavaş sonuç vermesine rağmen %99.46 duyarlılık, %100
seçicilik ve %0.54 hata değerlerine ulaşmıştır.
EKG Makine Öğrenmesi Destek Vektör Makineleri Naive Bayes Gürültü Giderme Dalgacık Dönüşümü QRS zirve
Birincil Dil | Türkçe |
---|---|
Konular | Mühendislik |
Bölüm | Araştırma Makalesi |
Yazarlar | |
Yayımlanma Tarihi | 9 Nisan 2018 |
Gönderilme Tarihi | 24 Temmuz 2017 |
Yayımlandığı Sayı | Yıl 2018 Cilt: 20 Sayı: 1 |