Automatic Arrhythmia Detection Using Wavelet Transform and RUSBoosted Trees Classification

Yıl 2018, , 1 - 9, 31.12.2018

Özgür Tomak , Birkut Güler Alparslan Tüfekçi , Kenan Yanmaz

https://doi.org/10.31466/kfbd.411060

Öz

It can be said that heart diseases are very common and fatal diseases. Therefore, it is necessary to determine the heart diseases correctly by examining the ECG In this study, it was aimed for detection of the arrhythmia by automatic examination of the person's electrocardiography (ECG) records. In this process, features obtained from the wavelet method was classified by RUSBoosted Trees method. The heartbeats were divided into seven different classes. RUSBoost method was used to reduce the number of features, and it speeds up the signal processing process. This method is known as bringing together a lot of weak learners and creating powerful learners from this process. ST-Petersburg Institute of Cardiological Database has been preferred for analysis. Test and training accuracy was found in 12 channel ECG data. The method was fast enough to detect real-time arrhythmia. MATLAB was used for all analyzes.

Anahtar Kelimeler

Electrocardiogram (ECG), Discrete Wavelet Transform, RUSBoost, Classification

Dalgacık Dönüşümü ve RUS Geliştirilmiş Ağaç Kullanarak Otomatik Aritmi Tespiti

Öz

Kalp hastalıklarının çok yaygın ve ölümcül hastalıklar olduğu söylenebilir. Bu nedenle EKG incelenerek kalp rahatsızlıklarını doğru tespit etmek gerekmektedir. Bu çalışmada kişinin elektrokardiyografi (EKG) kayıtlarının otomatik incelenmesi yoluyla aritmi tespiti hedeflenmektedir. Bu süreçte dalgacık yönteminden elde edilen özellikler RUS Geliştirilmiş Ağaç yöntemiyle sınıflandırılmıştır. Kalp atışları 7 farklı sınıfa ayrılmıştır. Bu aşamada öznitelik sayısını azaltmak ve sinyal işleme sürecini hızlandırmak için RUSBoost yöntemi kullanılmıştır. Bu yöntem çok miktarda zayıf öğreniciyi bir araya getirip, bu süreçten güçlü öğrenici oluşturmak olarak bilinir. ST-Petersburg Enstitüsü Kardiyolojik Veritabanı analiz için tercih edilmiştir. Test ve eğitim doğruluğu 12 kanal EKG verilerinde bulunmuştur. Yöntem gerçek zamanlı aritmi tespiti için yeterince hızlıdır. Bütün analizler için MATLAB kullanılmıştır.

Anahtar Kelimeler

Elektrokardiyografi (EKG), Ayrık Dalgacık Dönüşümü, RUSBoost, Sınıflandırma

Kaynakça

• Dokur, Z., Olmez, T., and Yazgan, E. (1999). ECG waveform classification using the neural network and wavelet transform. In [Engineering in Medicine and Biology, 1999. 21st Annual Conference and the 1999 Annual Fall Meetring of the Biomedical Engineering Society] BMES/EMBS Conference, 1999. Proceedings of the First Joint (Vol. 1, pp. 273-vol). IEEE. Erdoğmuş, P., and Pekçakar, A. (2009). Dalgacık dönüşümü ile ekg sinyallerinin özellik çıkarımı ve yapay sinir ağları ile sınıflandırılması. Uluslararası İleri Teknolojiler Sempozyumu, 13-15.
• Freund, Y. (2009). A more robust boosting algorithm. arXiv preprint arXiv:0905.2138. Goldberger, A. L., Amaral, L. A., Glass, L., Hausdorff, J. M., Ivanov, P. C., Mark, R. G., ... and Stanley, H. E. (2000). Physiobank, physiotoolkit, and physionet. Circulation, 101(23), e215-e220.
• Jiang, X., Zhang, L., Zhao, Q., and Albayrak, S. (2006, November). ECG arrhythmias recognition system based on independent component analysis feature extraction. In TENCON 2006. 2006 IEEE Region 10 Conference (pp. 1-4). IEEE.
• Prasad, G. K., and Sahambi, J. S. (2003, October). Classification of ECG arrhythmias using multi-resolution analysis and neural networks. In TENCON 2003. Conference on Convergent Technologies for the Asia-Pacific Region (Vol. 1, pp. 227-231). IEEE.
• Vatansever, F., Uysal, F., & Uzun, A. (2002). Ayrik Dalgacik Dönüşümü ile Gürültü Süzme. 338-342. Zhao, Q., & Zhang, L. (2005, October). ECG feature extraction and classification using wavelet transform and support vector machines. In Neural Networks and Brain, 2005. ICNN&B'05. International Conference on (Vol. 2, pp. 1089-1092). IEEE.
• Zhao, Q., & Zhang, L. (2005, October). ECG feature extraction and classification using wavelet transform and support vector machines. In Neural Networks and Brain, 2005. ICNN&B'05. International Conference on (Vol. 2, pp. 1089-1092). IEEE.
• Erdoğmuş, P., and Pekçakar, A. (2009). Dalgacık dönüşümü ile ekg sinyallerinin özellik çıkarımı ve yapay sinir ağları ile sınıflandırılması. Uluslararası İleri Teknolojiler Sempozyumu, 13- 15.
• Goldberger, A. L., Amaral, L. A., Glass, L., Hausdorff, J. M., Ivanov, P. C., Mark, R. G., ... and Stanley, H. E. (2000). Physiobank, physiotoolkit, and physionet. Circulation, 101(23), e215-e220.