Ayrık Öznite Dalgacık eliklerin Ç k Dönüşüm Çıkarılma mü Kullan ası ...

Aritmilerin otomatik olarak teşhis edilmesi için bazıyöntemler geliştirilmiştir. Normal vuru, atriyalprematüre kontraksiyon, ventriküler bigeminy,ventriküler trigeminy, sol dal bloğu, sağ dal bloğu,supraventriküler taşiaritmi gibi aritmi tiplerininteşhis edilmesinde sınıflandırma algoritmalarıkullanılmaktadır. Literatürde sıkça olarak YapaySinir Ağları (YSA) kullanılmaktadır. Sınıflandırmaalgoritmalarına giriş verisi olarak sinyalin tamamınıvermek çok fazla zaman kaybına neden olacağı gibiiş yükünü de çok fazla arttıracaktır. Ayrıca doğrusonuçları elde etmekte güçlükler çekilmesine nedenolacaktır. Bu nedenlerden dolayı yukarıda bahsigeçen aritmi tiplerine ait her sinyalin kendine hasöznitelikleri ortaya çıkarılıp sınıflandırıcının girişverisi olarak vermek çok daha mantıklıdır.ADD kullanılarak EKG özniteliklerinin çıkartılmasıhususunda birçok farklı yöntem ve çalışma mevcuttur.Bunlardan bazıları aşağıda verilmektedir:Prasad ve Sahambi’nin yaptıkları çalışmada R tepesiöncesinde 100ms, sonrasında 150ms alınmış, sym6dalgacık ailesi ile 4.seviyeye kadar işlem görmüş veçıkan sonuçlar YSA ile sınıflandırılmıştır [2].Emanet’in yaptığı çalışmada medyan filtrekullanılmış db2 dalgacık aile ile 4. Seviyeye kadarişlem görmüş ve Random Forest Algoritması ilesınıflandırma işlemine tabi tutulmuştur [3].Sahab ve Gilmalek’ın yaptıkları çalışmada DalgacıkDönüşümü kullanılarak gürültü giderilmiş ve db6dalgacık ailesi ile 8. seviyeye kadar işlem ve görmüşdaha sonra minimum, maksimum, varyansöznitelikleri çıkarılıp YSA’da sınıflandırılmıştır[4] .Erdoğmuş ve Pekçakar’ın yaptıkları çalışmada db2 vedb10 dalgacık aileleri kullanılıp sadece 4. seviyedenelde edilen katsayılar direk olarak YSA’dasınıflandırılmıştır [5].Sarkaleh ve Shahbahrami’nin yaptıkları çalışmadamoving average filtre kullanılmış, db6 dalgacık ailesikullanılıp 8 seviye katsayılarından minimum,maksimum, varyans öznitelikeri çıkarılıp YSA dasınıflandırılmıştır [6].Cornelia ve Romulus’un yaptıkları çalışmada db4 vedb6 aileleri kullanılıp 8 seviye katsayılarıkullanılmıştır [7].Übeyli’nin yaptığı çalışmasında db2 dalgacık ailesikullanılıp 4.seviye katsayılarından minimum,maksimum, varyans ortalama özellikleri çıkarılıpYSA- Perceptron ile sınıflandırılıyor[8].2. Metot2.1. Veri KaynağıKullanılan veriler 30 dakikadan oluşan dat uzantılıdosyalardır ve Physionet veritabanından eldeedilmiştir. Veriler 360 Hz ile örneklenmiştir[9]. MLII,V1,V5 derivasyonlarından veriler elde edilmiştir. Buderivasyonlar üzerinde yapılan inceleme sonrasındaMLII derivasyonu ile alınan verinin kullanılmasınakarar verilmiştir.Kullanılan MLII derivasyonu çevre derivasyonlarındabipolar derivasyon içerisinde yer alan II noluderivasyona benzemektedir. MLII derivasyonunda Rnoktaları çok daha belirgin olarak gözükmekte velaboratuvar ortamında da elde edilebilecek birderivasyon çeşididir.Bu çalışmada yaşları 23 ile 83 arasında, 11 erkek ve14 kadın olmak üzere toplam 25 hastadan alınanveriler üzerinde çalışılmıştır.Tablo1. Aritmisi kullanılan hasta bilgileriSıra Kaynak Aritmi Yaş CinsiyetNoTipi1 209 SVTA 62 Erkek2 232 APC 76 Kadın3 119 T, B 51 Kadın4 223 T, B 73 Erkek5 208 T 23 Kadın6 201 T 67 Erkek7 233 T, B 57 Erkek8 109 LBBB 64 Erkek9 111 LBBB 47 Kadın10 118 RBBB 69 Erkek11 124 RBBB 77 Kadın12 212 RBBB 32 Kadın13 231 RBBB 72 Kadın14 100 N 69 Erkek15 101 N 75 Kadın16 103 N 41 Erkek17 106 T, B, N 24 Kadın18 112 N 54 Erkek19 114 N 72 Kadın20 115 N 39 Kadın21 116 N 68 Erkek22 121 N 83 Kadın23 122 N 51 Erkek24 123 N 63 Kadın25 113 N 24 Kadın2.2. Ayrık Dalgacık DönüşümüEKG sinyallerinin zaman alanına ait öznitelikleribulunabileceği gibi, frekans alanına ait deöznitelikler bulunup sınıflandırma işlemine tabitutulabilir.

Fourier Dönüşümü iledurağan sinyallerde çok iyifrekans çözünürlüğü elde edilir. Fakat zamançözünürlüğü ortadan kalkar. Yani hangi zamanaralığındaa hangi frekans birleşenlerinin yer aldığıtespit edilemez.Kısa Zamanlı Fourier Dönüşümünde hassasiyetpencere seçiminebağlıdır. Bazenpencerenindeğişmesi gerekebilir. Bu yöntemde pencere sabitolduğundan pencerenin sürekli değiştirilebildiğiDalgacık Dönüşümü yöntemi geliştirilmiştir.Sürekli Dalgacık Dönüşümde hesap yükü çokfazladır. Hesap yükünü azaltmak için AyrıkDalgacık Dönüşümü kullanılır.İşareti farklı frekans bantlarına ayrıştırmak, zamanuzay işaretini art arda yüksek ve alçak geçirenfiltrelerden geçirerek sağlanır. Orijinal x(n) işaretiönce yarım bantlı yüksek geçiren g(n) filtresinden vealçakgeçirenn h(n) filtresindengeçirilir.Filtrelemeden sonra işaretteki en yüksek frekans πyerine π/2 olduğundan, Nyquist kriterine göreişaretteki örneklerin yarısı elimine edilebilir. Bunedenle işaret 2 ile alt-örneklenir.Aynı ayrıştırmaa seviyesindeki iki filtre çıkışı ç üst-sonra toplanırsa orijinal x(n) işareti elde edilir. Şekilörneklenipbirleştirmefiltrelerdengeçirildikten2 de ayrıştırma-birleştirmeyapısı verilmektedir.Burada H yüksek geçiren filtreyi, L alçak geçirenfiltreyi ifade etmektedir.EKG sinyali gibi durağan olmayan sinyallerde hemfrekans hem de zaman verisineihtiyaçduyulmaktadır. Bu çalışma kapsamında frekansuzayı öznitelik çıkarımı için Ayrık DalgacıkDönüşümü yöntemi kullanılmaktadır.Dalgacık dönüşümü; veriyi farklı frekansbileşenlerine ayıran veher bir bileşeni o ölçektekiçözünürlüğüyle inceleyen bir dönüşüm tekniğidir.Zamanın fonksiyonu olan bir işaretin dalgacıkdönüşümü,frekans ve zaman değişkenlerinebağlıdır. Dalgacıklar zaman frekans analizi için n iyibir araç sağlar[10].Ayrık dalgacıkdönüşümü, hesap yükünüazaltmasının yanı sıra orijinal işaretin analiz vesentezi için yeterli bilgiyi de sağlamaktadır. Ayrıkdalgacık dönüşümünde temel düşünce, süreklidalgacık dönüşümündekininaynıdır.Sayısalfiltrelemee tekniklerizaman-ölçek temsilikullanılarak sayısal işaretinelde edilmektedir. SürekliDalgacık Dönüşümü, farklı ölçeklerdeki dalgacıkk ileişaret arasındaki ilişkiyi (korelasyonu)belirtmektedir. Buradaa benzerlik ölçütü ölçek yaa dafrekanstır.Ayrıştırma (Analiz)Birleştirme (Sentez)Şekil 2. Ayrık Dalgacık D Dönüşümü Analiz-Sentezişaret dalgacıkYani, dalgacık dönüşümü d uygulanankatsayılarındantekrar oluşturabilmektedir. AyrıkDalgacıkDönüşümübu özelliğiyle gürültügidermede kullanılmaktadır.Çalışmada 4. Seviyeden bir dalgacıkağacıkullanılmış ve her seviyeye e ait ayrıntı katsayılarıhesaplanmıştır.Şekil 3’de kullanılan dalgacık ağacıverilmektedir. h(n) h ve g(n) filtreleri içindalgacıkailesinden Daubechies filtresi i kullanıldı.İşarettekii yüksek frekanslı değişimleri analiz etmekiçin işaret yüksek geçiren filtreler serisinden, alçakfrekanslı değişimleri analiz etmekiçin ise alçakgeçiren filtreler serisinden geçirilir.Alçakgeçiren filtreçıkışındakiişaretin alt-katsayıları olarak adlandırılır. Yüksek geçiren filtreçıkışındaki işaretin alt-örneklenmesiyle elde edilenişaret ise ayrıntı katsayıları olarak adlandırılır.örneklenmesiyle eldee edilen işaret yaklaşıklıkAyrık Dalgacık Dönüşümü iki fonksiyon kümesikullanır. Bunlar sırasıyla alçak geçiren ve yüksekgeçiren filtrelere karşılık gelenölçeklemefonksiyonu ve dalgacıkfonksiyonudur.

Şekil 3. 4. Seviyede dalgacık ağacı[ 10].Dalgacık Aileleri Haar, Daubechies, Biorthogonal,Coiflets, Symlets, Morlet, MexicanHat ve Meyergibi filtreler mevcuttur. Bu çalışmada Daubechiesdalgacık ailesi kullanılmıştır. Şekil4’de Daubechies(db2) ve Daubechies(db10) filtrelerii verilmektedir.Şekil 5. Daubechies 2 filtresi sonucu oluşanöznitelik sayılarıHer aritmi tipi için bulunabildiği sayıda kalp vurusuüzerinde çalışılmış ve 3 adet öznitelik tespitedilmiştir.Gelecek çalışmalarda çıkarılanan öznitelikler ile YapaySinir Ağı, Yapay Y BağışıklıkSistemigibisınıflandırıcılarile sınıflama işlemine tabi tutulmasıplanlanmaktadır.KaynaklarŞekil 4. Daubechies (db2) ve Daubechies(db10)Filtre seçiminde filtrenin sinyalin şekline benzemesiönem teşkil etmektedir.SonuçÇalışma Matlab programı [11] kullanılıp önceliklemedyan filtre kullanılarak gürültüden arındırılmakta,daha sonra R tepeleri bulunup R tepesi etrafında100ms öncesi vesonrası tespit edilipkaydedilmektedir. Buşekilde QRS kompleksleroluşturulmaktadır. Her R içeren vektör 36+1+ +36örnek toplam 73 örnekten oluşmaktadır.Ayrık Dalgacık Dönüşümüne Daubechies 2 veDaubechies 10 dalgacık ailelerindenn geçirip 4 seviyeiçin ayı ayrı ayrıntı katsayıları elde edilmektedir.Elde edilenayrıntı katsayılarındanminimum,maksimum ve varyans özniteliklerii elde edilmiştir.Şekil 5’de elde edilenözniteliklerinMatlabdeğişkenlerine ait bilgiler verilmektedir.[1]Biompac student laboratory manuel.[2]G.K.Prasad, , J. S. Sahambi, “Classicication ofECG Arrhythmias Using Multi_ResolutionAnalysisandNeural Networks”,IEEE,2003.[3 N. Emanet , “ECG Beat Classificationby UsingDiscrete Wavelet Transformm and Random ForestAlgorithm”, IEEE,2009.[4]A. R. Sahab and Y. M. Gilmalek, “ECGArrhythmiasClassificationnUsing WaveletTransform and Neural Network”, MathematicalModels for Engineering Science, Kasım, 2010.[5]P.Erdoğmuş, A.Pekçakar, , “Dalgacık Dönüşümüİle EKG Sinyallerinin Özellikk Çıkarımı vee YSA İleSınıflandırılması”,5.Uluslararası İleri TeknolojilerSempozyumu, Mayıs M 2009.[6]M.K.Sarkaleh, ,A. Shahbahrami, “Classicicationof ECG Arrhythmias Using Wavelet Transform andNeural Network”, International Journal of ComputerScience, Engineering and Applications(IJCSEA)Vol.2, No.1, Şubat 2012.[7]G. Cornelia, R. Romulus, “ECGFeatureExtractionUsing U DaubechiesWavelets”,Proceedings off the Fifth IASTED InternationalConference.[8]E. D. Übeyli, Ü “BiyomedikalİşaretlerinSınıflandırılmasında Otomatik Teşhis SistemlerininBaşarımı”, Gazii Üniv. Müh. . Mim. Fak. Der., Cilt22, No 3, 461-469, 2007.[9]http://physionet.org/physiobank/ database/mitdb[10] A. Nizam, “Karınca Koloni OptimizasyonunaDayalı Yeni Birr Aritmi Sınıflama Tekniği” ”, İstanbulTeknikÜniversitesi,Fen Bilimleri Enstitüsü,Doktora Tezi,2008.[11] MATLAB Paket P Programı