Comparison of Different Classification Methods in Real Time Arrhythmia Detection

Yıl 2017, , 1 - 9, 15.12.2017

Özgür Tomak , Temel Kayıkçıoğlu

https://doi.org/10.31466/kfbd.305202

Öz

Developments in medicine and
increased health awareness has increased demand for health care. However, there
is not enough human resources,  device,
and health care organizations to cover it. This demand can be reduced through
telemedicine. Especially the monitoring of the ECG signal of the patient with
heart disorders in rural areas is very important. Developments in information
technology starts to provide important contribution to the clinical decision
support systems for early detection and diagnosis.  Features are composed of hjorth descriptors,
correlation of signal with an artificial ecg signal, standard deviation of
intrinsic. mode function, ratio of power to activity and standard deviation.
Different classification methods are compared using these features. Matlab is
used for feature extraction and classification. The performance of the method
is tested on data used obtained from the PhysioNet database.

Anahtar Kelimeler

Electrocardiogram (ECG), Arrhythmia, Classification

Gerçek Zamanlı Aritmi Tespitinde Farklı Sınıflandırma Yöntemlerinin Karşılaştırılması

Öz

Tıptaki gelişmeler ve sağlık
bilincinin artması sonucunda sağlık hizmeti için talep artmıştır. Ancak bunu
karşılayacak yeterli insan kaynağı, cihaz ve sağlık kuruluşu bulunmamaktadır.
Tele-tıp sayesinde bu ihtiyaç azaltılabilir. Özellikle kırsal bölgedeki kalp
rahatsızlıklarına sahip hastalarının EKG sinyallerinin izlenmesi çok önemlidir.
Bilgi teknolojisindeki gelişmeler, erken teşhis ve tanı için klinik karar
destek sistemlerine önemli katkılar sağlamaya başlamıştır. Özellikler hjorth
tanımlayıcılar, sinyalin yapay EKG sinyali ile korelasyonu, içkin kip işlevinden
standart sapma, gücün aktiviteye oranı ve standart sapmadan oluşmaktadır.
Farklı sınıflandırma yöntemleri bu özellikleri kullanarak karşılaştırılmıştır. Özellik
çıkartma ve sınıflandırma için Matlab kullanıldı. Yöntemin performansı
PhysioNet veri tabanından elde edilen kullanılan veriler üzerinde test edilmiştir.

Anahtar Kelimeler

Elektrokardiyogram (EKG), Aritmi, Sınıflandırılma

Kaynakça

• Wootton, R., (2012). "Twenty years of telemedicine in chronic disease management – an evidence synthesis", J Telemed Telecare vol. 18 no. 4, 211-220
• Debuseb, J., Lawleyb, M., Shibla, R., (2013). "Factors influencing decision support system acceptance", Decision Support Systems Volume 54, Issue 2, Pages 953–961
• Cooman, T. D., Goovaerts, G., Huffel S. V., Varon, C., Widjaja, D., (2014). "Heart Beat Detection in Multimodal Data Using Signal Recognition and Beat Location Estimation", Computing in Cardiology 2014, (41), 257-260
• Barner, K. E., Blanco-Velasco, M., Cruz-Roldan F., Godino-Llorente, J. I., (2010). "Nonlinear Trend Estimation of the Ventricular Repolarization Segment for T-Wave Alternans Detection ", IEEE Transactıons On Biomedical Engıneerıng, Vol. 57, No. 10
• Hidayat, R., Nugroho H. A., Rizal, A., (2015). "Determining Lung Sound Characterization Using Hjorth Descriptor " International Conference on Control, Electronics, Renewable Energy and Communications (ICCEREC)
• Backman, W., Bendel, D., Rakhit R., (2010). "The telecardiology revolution: improving the management of;cardiac disease in primary care", J R Soc Med 2010.103, 442-6
• Hailey, D., Ohinmaa, A., Roine, R., (2004). "Published evidence on the success of telecardiology: a mixed .record." J Telemed Telecare 2004, 10 (Suppl 1), 36-8