Ağaç Tabanlı Makine Öğrenmesi Yöntemleri Kullanılarak ECG Sinyalinden Aritmi Teşhisi

Özet

Günümüzde insanların ölümüne neden olan kalp hastalıkları giderek yaygınlaşmaktadır. Kalp hastalıklarının önceden teşhisi edilmesi hem hastalar hem de klinisyenler için önem arz etmektedir. Elektrokardiyografi (ECG) kalp hastalıklarının teşhisinde kullanılan biyoelektriksel bir sinyaldir. Kardiyak aritmi teşhisi yapan bilgisayar destekli teşhis sistemlerinde kullanılacak gürültü giderme, öznitelik çıkartma, öznitelik seçme ve sınıflandırma yöntemleri geliştirilmektedir. Bu çalışmada, MIT-BIH Arrhythmia Database (MIT-BIH AD) kullanılarak aritmi teşhisi yapan bir bilgisayar destekli tanı sistemi önerilmiştir. MIT-BIH AD.’deki ECG kayıtları, Chebyshev Type II Filtre kullanılarak taban hattı gürültüsünden arındırılmıştır. Daha sonra, MIT-BIH AD.’deki annotation file’lar kullanılarak ECG kayıtlarındaki kalp atımlarına ait olan R tepelerinin konumları elde edilmiştir. ECG sinyalindeki kalp atımlarının R tepeleri 256 örnek genişliğindeki bir pencere kullanılarak Discrete Wavelet Transform (DWT) yöntemiyle alt bantlara ayrılmıştır. Alt bant katsayıları kullanılarak öznitelikler oluşturulmuştur. Elde edilen öznitelikler [0,1] aralığına normalize edilmiştir. SelectKBest yöntemi, chi2 score fonksiyonu kullanılarak özniteliklerin önem dereceleri bulunmuştur. Bu dereceler kullanılarak en etkili 27 öznitelik elde edilmiştir. Bu çalışmada, 170 öznitelikten oluşan ve seçilmiş 27 öznitelikten oluşan iki veri seti elde edilmiştir. Bu veri setleri eğitim seti (2/3) ve test seti (1/3) olarak ikiye bölünerek sınıflayıcıları beslemişlerdir. Bu çalışmada, makine öğrenmesi yöntemleri olarak Random Forest, Extra Trees ve Decision Tree Classifiers kullanılmıştır. Bu yöntemlerden, Random Forest sınıflayıcısı en iyi başarım sonucunu göstermiştir. Son olarak, 10 sınıflı aritmili kalp atımı içeren ve DWT tabanlı özniteliklere sahip bir veri seti kullanarak aritmi teşhisinde sağlık personeline yardımcı olmak amacıyla bilgisayar destekli bir karar destek sistemi önerilmiştir. Bu çalışmadaki makine öğrenmesi yöntemlerinin yazılımsal ve donanımsal gereksinimleri Google Cloud Computing tabanlı Google Colaboratory kullanılarak karşılanmıştır.