ECG Classification with Emprical Mode Decomposition Denoised by Wavelet Transform

KARAASLAN Ö. F., BİLGİN G.

22nd IEEE Signal Processing and Communications Applications Conference (SIU), Trabzon, Türkiye, 23 - 25 Nisan 2014, ss.694-697 identifier identifier

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Doi Numarası: 10.1109/siu.2014.6830324
  • Basıldığı Şehir: Trabzon
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.694-697
  • Yıldız Teknik Üniversitesi Adresli: Evet

Özet

EKG işaretlerinden yararlanarak kalp aritmilerinin ve hastalıklarının belirlenmesi, teşhis ve tedavi aşamasında doktorlara büyük kolaylıklar sağlamaktadır. Bu çalışmada durağan ve doğrusal olmayan EKG işaretlerinin sınıflandırma başarımın arttırılması amacıyla, klasik işaret ayrıştırma yöntemlerinden farklı olarak özel bir şart gerektirmeyen görgül kip ayrışımı (GKA) yöntemi kullanılmıştır. GKA işlemi sonrası elde edilen içkin kip fonksiyonlarına (İKF) da gürültü giderme işlemi aşamasında dalgacık dönüşümü uygulanarak gerekli olan ayrıştırıcılığı arttırılmış öznitelikler çıkarılmıştır. Elde edilen öznitelikler ise çekirdek tabanlı güçlü bir sınıflandırıcı olan destek vektör makineleri (DVM) kullanılarak sınıflandırılmıştır. Önerilen yöntemin değerlendirme aşamasında ise MIT-BIH tıbbi veri tabanından elde edilen St. Petersburg aritmi ve ST-T European veri kümeleri kullanılmış ve önerilen yöntemle birlikte sınıflandırma başarımının arttığı gözlenmiştir.

At the diagnosis and treatment phases of hearth diseases and arrhythmia, ECG signals provide great assistance to doctors. In this study, empirical mode decomposition (EMD) which does not need a special constraint is utilized as distinct from classic decomposition techniques for increasing classification accuracies of non-stationary and non-linear ECG signals. Then, wavelet transform has been applied to intrinsic mode functions (IMFs) which is obtained after application of the EMD method for denoising purpose. In this way new features are obtained with higher discriminative properties. Right after that, extracted features are classified by support vector machines (SVMs) which is a powerful kernel based classifier. In the evaluation of the proposed approach, St. Petersburg arrhythmia and ST-T European datasets which are acquired from MIT-BIH medical repository are used. It has been observed that the classification performance increased with proposed approach compared to original signals.