Elektrokardiyografi (EKG) Sinyallerindeki Aritmilerin Sınıflandırılması*

1. Giriş

Aritmi, kalpteki elektriksel sinyallerin üretim ve iletimindeki anormalliklerden kaynaklanan, kalbin atış hızı vedüzenliliğindeki bozulmalardır. Bazı aritmiler tedavi gerektirmezken bazı aritmiler ölümle sonuçlanabilir. Bu yüzden aritmilerin doğru sınıflandırılması uygulanacak tedavinin belirlenmesinde yaşamsal önem taşır. Bu konuda pek çok araştırmacı, EKG sinyalinden farklı öznitelikler çıkararak farklı sınıflandırıcılarla en iyi performansı elde etmeye çalışmaktadır.

Literatürde dalgacık dönüşümü [1], Fourier dönüşümü [2] ve morfolojik özellikler [3] aritmi sınıflandırmada öznitelik çıkarmak için kullanılmıştır. Bu metodlardan elde edilen öznitelikler destek vektör makinaları [1,4], özdüzenleyici haritalar [5], bulanık mantık [6] ve yapay sinir ağları [7] gibi sınıflandıcılarla kullanılmıştır.

2. Materyal ve Yöntem

2.1 Verilerin Elde Edilmesi ve Hazırlanması

Bu çalışmada, UCI Arrhythmia veritabanındaki EKG kayıtlarından elde edilen 452 vuru kullanılmıştır. Her bir vuruya ait verilerin sahip olduğu 279 özellikten 103 özniteliğe Temel Bileşen Analizi Yöntemi kullanılarak indirgenmiştir ve vuruların bu özellikleri öznitelik olarak kullanılmıştır.

Verilerin önişleme aşamasında Nümerik değerleri Nominal değerlere çevrilmesini sağlayan Weka yazılımındaki NumericToNominal yöntemi kullanılmıştır.

2.2 Naïve Bayes Sınıflandırıcısı

Naïve Bayes Sınıflandırıcı adını İngiliz matematikçi Thomas Bayes’ten (yak. 1701–7 Nisan 1761) alır. Naïve Bayes Sınıflandırıcı Örüntü tanımaproblemine ilk bakışta oldukca kısıtlayıcı görülen bir önerme ile kullanılabilen olasılıkcı bir yaklaşımdır. Bu önerme örüntü tanıma da kullanılacak her bir tanımlayıcı nitelik ya da parametrenin istatistik açıdan bağımsız olması gerekliliğidir. Her ne kadar bu önerme Naive Bayes Sınıflandırıcısının kullanım alanını kısıtlandırsa da, genelde istatistik bağımsızlık koşulu esnetilerek kullanıldığında da daha karmaşık Yapay sinir ağları gibi metodlarla karşılaştırabilir sonuçlar vermektedir. Naive Bayes Sınıflandırması Makine öğreniminde öğreticili öğrenme alt sınıfındadır.

2.3 K-En Yakın Komşu Sınıflandırıcısı

En yakın k komşu algoritması örüntü tanımada çok yaygın olarak kullanılan parametrik olmayan yöntemlerden biridir. Bilinmeyen bir örüntü vektörü kendisine en yakın k komşularının çoğunluğunun sahip olduğu etiket ile etiketlendirilir. Bu yöntemin örüntü vektörünün istatistiksel dağılımından bağımsız olması da bir avantajdır. Uzaklık ölçütü bu yöntemde kullanılan değişken parametrelerden biridir. Yaygın olarak kullanılan uzaklık ölçütleri Öklit ve şehir bloklarıdır.

2.4 Oylama Öznitelik Aralıkları Sınıflandırıcısı

Oylama Öznitelik Aralıkları (VFI) algoritması arttırımsal olmayan bir sınıflandırma algoritmasıdır[8]. Her bir örnek ve özelliği, çalışma değerlerinin bir vektör ayrıca örneğin sınıfı temsil eden bir etiket olarak temsil edilir. Eğitim örneklerinden, VFI algoritması her öznitelik için öznitelik aralıkları belirler. İki komşu aralık farklı sınıf kümelerine dahil olabilirler. Her özellik sınıfları arasında gerçek sayılarla oy dağıtarak sınıflandırma katılır. VFI algoritması genelde Naive Bayes algoritması ile öznitelikleri teker teker ele aldığı için kıyaslanmaktadır.

2.5 PART Sınıflandırıcısı

PART, Weka yazılımı içerisinde PART karar listesini oluşturmak için yazılmış bir modüldür. Böl ve yönet yaklaşımında göre hareket etmektedir. Her iterasyonda C4.5 algortimasını kullanan kısmi bir karar ağacı oluşturmaktadır

2.6 Değerlendirme

Verilerin işlenmesi ve sınıflandırılması için Weka programı kullanılmıştır. Sınıflandırıcının performansı aşağıdaki ölçütlere göre belirlenmiştir:

Burada, TP sınıflandırıcının doğru olarak sınıflandırdığı ilgilenilen aritmi tipine ait vuru sayısı, TN sınıflandırıcının doğru olarak sınıflandırdığı diğer tip aritmik vuruların sayısı, FP sınıflandırıcının yanlış olarak sınıflandırdığı ilgilenilen aritmi tipine ait vuru sayısı, FN ise sınıflandırıcının yanlış olarak sınıflandırdığı diğer tip aritmik vuruların sayısıdır.

3. Uygulama ve Başarımlar

Naive Bayes, k-En Yakın Komşuluk, VFI ve PART Sınıflandırıcıları ile 10-Katlı Çapraz Geçerlilik ve 2/3 Öğrenme 1/3 Test Kümesi Dağılımı Uygulanarak çeşitli deneyler yapılmıştır.

Her 4 sınıflandırıcıda özellikle aritmi sınıfı için edilen başarım oranlarının çok yüksek olmadığını görüyoruz. Bu problem ve veri kümesi için Naive Bayes sınıflandırıcısı elde ettiğimiz sonuçlara göre daha uygun gözükmektedir. Bu sınıflandırıcıda Aritmi sınıfı için de elde edilen sonuçlar daha yüksek olmuştur.

*Çalışmanın tam metnine şuradan ulaşabilirsiniz: https://ab.org.tr/ab14/kitap/erol_ozkaya_ab14.pdf

Kaynaklar

[1] Song , M. H., Lee, J., Cho, S.P., Lee, K.J. ve Yoo, S.K. “Support vector machine based arrhythmia classification by using reduced features”, International Journal of Control, Automation and Systems, 3(4):571–579, 2005.

[2] Minami, K., Nakajima, H. Ve Toyoshima, T. “Real time discrimination of ventricular tachyarrhythmia with fourier transform neural network”, IEEE Transection on Biomedical Engineering, Vol.46, 1999, p.179–185.

[3] Palreddy, S., Hu, Y.H. ve Tompkins, W.J. “A patient adaptable ecg beat classifier using a mixture of experts approach”, IEEE Tarnsection on Biomedical Engineering, 44(9):891–900, 1997.

[4] Acır, N., “Classification of ECG beats by using a fast least square support vector machines with a dynamic programming feature selection algorithm”, Neural Computing and Applications, 14(4):299–309, 2005.

[5] Braccini, G., Edenbrandt, L.,Lagerholm, M., Petrson, C., Rauer, O., Rittner, R. Ve Sörnmo, L.,”Clustering of ecg complexes using hermite functions and self organizing maps”, IEEE Transection on Biomedical Engineering, 47(7):838:848, 2000.

[6] Osowski, S. Ve Linh, T.R., “Ecg beat recognition using fuzzy hybrid neural network”, IEEE Transection on Biomedical Engineering, 48(11):1265:1271, 2001.

[7] Kutlu, Y., Kuntalp, M. Ve Kuntalp, D., “Effect of the input window size in arrhythmia classification with multilayer perceptron network structures”, IEEE 15.Sinyal İşleme ve İletişim Uygulamaları Kurultayı, Eskişehir, 11–13 Haziran 2007

[8] Demiröz, G., Güvenir, H.A. “Classification by Voting Feature Intervals”, 9th European Conference on Machine Learning Prague, Czech Republic, April 23–25, 1997 Proceedings