Parçacık Sürü Optimizasyonuna Dayalı Yeni Bir Aritmi Sınıflama Yöntemi

Abstract

Bu çalışmada, kalbin elektriksel aktivitesi hakkında bilgi veren EKG’deki bozuklukların otomatik olarak teşhisine yönelik yeni bir yöntem öne sürülmüştür. Radyal tabanlı fonksiyon yapay sinir ağı ve parçacık sürü optimizasyonuna dayalı bu yöntemde, öznitelik elemanı olarak MIT-BIH aritmi veri tabanından alınan kayıtlardan ayıklanan altı farklı vuru tipine ait dört adet şekilsel öznitelik elemanı kullanılmıştır. Oluşturulan eğitim kümesi aracılığıyla radyal tabanlı fonksiyon yapay sinir ağının parametreleri parçacık sürü optimizasyonu ile optimize edilerek en uygun ağ yapısının bulunması hedeflenmiştir. Bulunan optimum ağ vasıtasıyla EKG vuruları sınıflandırılmıştır. Önerilen yöntem, geleneksel radyal tabanlı fonksiyon yapay sinir ağı eğitim algoritmaları ve k-en yakın komşu sınıflayıcı ile karşılaştırılmıştır. Yapılan karşılaştırma sonucunda, önerilen yöntemin sınıflama başarısından ödün vermeden çok daha küçük bir ağ yapısıyla EKG vurularını sınıfladığı gözlemlenmiştir.

In this study, a new ECG beat classification method is proposed for automatically diagnosis of the heart beat failures. A radial basis function neural network which is evolved by the particle swarm optimization is proposed for the classification of the ECG beats. Four morphological features are extracted from six types of beats which are obtained from the MIT-BIH arrhythmia database. During the training phase of the proposed method, parameters of the radial basis function neural network are optimized by the particle swarm optimization to find the optimum network structure. Once the optimum network is obtained, the test set is classified by this network. Also, the proposed method is compared with the traditional radial basis function neural network training methods and the k-nearest neighbour classifier. It is observed that, the proposed method classifies the ECG beats with a smaller size of network without making any concessions on classification performance.