Segmantasyon yapmadan patolojik kalp sesi kayıtlarının tespiti için bir örüntü sınıflandırma algoritması

Yıl 2019, Cilt: 10 Sayı: 1, 77 - 91, 15.03.2019

Abdulnasır Yıldız Hasan Zan

https://doi.org/10.24012/dumf.476437

Öz

Bu çalışmada, altı adet veri bankasından alınan kalp sesi kayıtlarına segmentasyon
uygulamadan k-En Küçük Komşuluk (kNN), Destek Vektör Makinesi (DVM) ve
sınıflandırıcı metotları topluluğu kullanarak sınıflandırmaya yarayan bir
algoritma geliştirilmesi amaçlanmıştır. Altı aşamadan oluşan algoritmanın ilk aşaması
olan Önişlem aşamasında sinyaller sivri uçlarından arındırılmış ve ardından normalize
edilmiştir. İkinci aşama olan Özellik çıkarma–1 aşamasında, sinyalin çeşitli
zaman ve frekans özellikleri çıkarılarak üçüncü aşamadaki veri bankası
sınıflandırıcının eğitilmesinde ve test edilmesinde kullanılmıştır. Üçüncü
aşama olan veri bankası sınıflandırması aşamasında, her veri bankası
oluşturulurken kullanılan cihazların, kayıt yeri ve ortamının farklılığının
negatif etkilerini azaltmak ve her veri bankası için farklı özellikler ile
sınıflandırıcılar kullanmak amacıyla kalp sesi kayıtları veri bankalarına göre
sınıflandırılmıştır. Dördüncü aşama olan Özellik Çıkarma-2 aşamasında veri
bankalarına göre sınıflandırılan sinyallerin yine çeşitli zaman ve
zaman-frekans özellikleri çıkarılmıştır. Beşinci aşamada her veri bankası için 3
farklı sınıflandırıcı (kNN, DVM ve sınıflandırıcı topluluğu) kullanılarak
kayıtlar sınıflandırılmıştır. Algoritmanın son aşaması olan Oylama aşamasında,
nihai sınıflandırma başarımını arttırmak amacıyla her kayıt için 3 farklı
sınıflandırıcının çıkışları belli kurallara göre oylanarak kaydın sınıfı
(patolojik veya normal) belirlenmiştir. Beşli çapraz doğrulama kullanılarak
eğitilen ve test (tanı testi) edilen algoritmanın performansı ölçülürken
doğruluk, duyarlılık, özgüllük, pozitif ve negatif yorum gücü ile ROC
grafiğinin altında kalan alan gibi parametreler kullanılmıştır. En iyi
performans sonuçları doğruluk: %94.28, duyarlılık: %87.97, özgüllük:  %87.97, pozitif yorum gücü: %84.78, negatif
yorum gücü: %96.86 ve ROC eğrisi altında kalan alan: 0.919 şeklinde elde edildi.
Elde edilen bu değerler daha önceki çalışmalar ile kıyaslandığında algoritmanın
oldukça başarılı olduğu ve kalbin patolojik durumuna ilişkin uzman hekime ön
tanı imkânı sunabileceği söylenebilir.

Anahtar Kelimeler

Kalp sesi, Fourier dönüşümü, DVM, kNN, Sınıflandırıcı metotları topluluğu, Sınıflandırma

Kaynakça

• Beritelli, F., Capizzi, G., Sciuto, G. L., Napoli, C. ve Scaglione, F., (2018). Automatic heart activity diagnosis based on Gram polynomials and probabilistic neural networks. Biomedical Engineering Letters, 8, 1, 77–85.
• Homsi, M. N. ve Warrick, P., (2017). Ensemble methods with outliers for phonocardiogram classification. Physiological Measurement, 38, 8, 1631–1644.
• Jain, A. ve Zongker, D., (1997). Feature selection: evaluation, application, and small sample performance. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19, 2, 153–158.
• Johnston, M., (2007). The third heart sound for diagnosis of acute heart failure. Current Heart Failure Reports, 4, 3, 164–169.
• Kay, E. ve Agarwal, A., (2017). DropConnected neural networks trained on time–frequency and inter–beat features for classifying heart sounds. Physiological Measurement, 38, 8, 1645–1657.
• Langley, P. ve Murray, A., (2017). Heart sound classification from unsegmented phonocardiograms. Physiological Measurement, 38, 8, 1658–1670.
• Lekram, B. ve Abhishek, M., (2014). Heart sound segmentation techniques: a survey. IOSR Journal of Electrical and Electronics Engineering (IOSR-JEEE), 4, Electronics Eng., 46-49.
• Liu, C., (2016). An open access database for the evaluation of heart sound algorithms. Physiological Measurement, 37, 12, 2181–2213.
• Lubaib, P. ve Ahammed, V. D., (2015). The heart defect analysis based on PCG signals using pattern recognition techniques. Procedia Technology, 24, 2016, 1024 – 1031.
• Maglogiannis, I., Loukis, E., Zafiropoulos, E. ve Stasis, A., (2009). Support Vectors Machine-based identification of heart valve diseases using heart sounds. Computer Methods and Programs in Biomedicine, 95, 1, 47–61.
• Nabih–Ali, M., El-Sayed, A., Yahiba, A. 2017. A review of intelligent systems for heart sound. Journal of Medical Engineering & Techology, 41, 7, 553–563.
• Nigam, V. ve Priemer, R., (2007). A simplicity–based fuzzy clustering approach for detection and extraction of murmurs from the phonocardiogram. Physiological Measurement, 41,7, 29–33.
• Potes, C., Parvaneh, S., Rahman, A. ve Conroy, B., (2016). Ensemble of feature–based and deep learning–based classifiers for detection of abnormal heart sounds. 2016 Computing in Cardiology Conference (CinC), 621–624, Vancouver.
• Schmidt, S. E., Holst–Hansen, C., Graff, C., Toft, E. ve Struijk, J. J., (2010). Segmentation of heart sound recordings by a duration–dependent. Physiological Measurement, 3,4, 513–542.
• Whitaker, B. M., Suresha, P. B., Liu, C., Clifford, G. D., Anderson, D. V. 2017. Combining sparse coding and time–domain features for heart sound classification. Physiological Measurement, 38, 8, 1701–1713.
• Wong, H. B. ve Lim, G. H. 2011. Measures of diagnostic accuracy: sensitivity, specificity, PPV and NPV. International Federation of Clinical Chemistry and Laboratory Medicine, 19, 4, 316–318.
• World Health Organization. The Impact of Chronic Disease In Turkey. http://www.who.int/chp/chronic_disease_report/turkey.pdf?ua=1. Yayın tarihi 2002. Erişim Tarihi Ekim 10, 2018.
• Zabihi, M., Rad, A. B., Kiranyaz, S., Gabbouj, M. ve Katsaggelos, A. K., (2016). Heart sound anomaly and quality detection using ensemble of neural networks without segmentation. 2016 Computing in Cardiology Conference (CinC), 613–616 Vancouver.
• Zhongwei, J., Samjin, C., (2006). A cardiac sound characteristics waveform. Expert Systems with Applications, 31, 2, 286–298.
• Zhukov, A., Tomin, N., Kurbatsky, V., Sidorov, D., Panasetsky, D. ve Foley, A., (2017). Ensemble methods of classification for power systems security assessment. Applied Computing and Informatics, 15, 2, 100–106.