Genetik Algoritma ile Öznitelik Seçiminin PAF
Ata˘gı Erken Kestirim Performansına Etkisi
Effect of Feature Selection by Genetic Algorithm on
Early Prediction Performance of PAF Attack
1
Ali Narin,
2,3Yalçın ˙I¸sler,
1Mahmut Özer
1Elektrik-Elektronik Mühendisli˘gi Bölümü, Bülent Ecevit Üniversitesi, Zonguldak [email protected] , [email protected]
2Biyomedikal Mühendisli˘gi Bölümü, ˙Izmir Katip Çelebi Üniversitesi, Çi˘gli, ˙Izmir 3Islerya Medikal ve Bili¸sim Teknolojileri, Ege Üniversitesi Ebiltem Binası, Bornova, ˙Izmir
Özetçe —Kalbin sa˘glıklı bir ¸sekilde kasılıp gev¸semesi çok önemli olmakla beraber kalpte olu¸sabilecek her türlü hastalık hayati öneme sahiptir. Bu hastalıklardan en önemlililerinden biri de Atrial Fibrilasyondur (AF). Bu hastalık, kalbin ku-lakçıklarında meydana gelen sinoatral dü˘gümün haricinde olu¸san uyartımların yol açtı˘gı bir rahatsızlıktır. Paroksismal Atriyal Fibrilasyon (PAF), AF’nin ilk a¸saması olması sebebiyle erken öngörülmesi, hastalı˘gın daha a˘gır olan di˘ger a¸samalara geçmesi engellenebilir. Bu çalı¸smada, PAF hastalarını atak ba¸slamadan önce uyaran bir uyarı sisteminin geli¸stirilmesi amaçlanmı¸stır. Çalı¸smada, PAF ata˘gından ba¸slayarak 5’er dakikalık 10 parçadan olu¸san 99 adet veri kullanılmı¸stır. Veriler üzerinden zaman alanı ölçümleri ve poincare çizim ölçümleri elde edilmi¸stir. Genetik algoritma ile öznitelik seçimi yapılarak sınıfları en iyi ayıran öznitelikler belirlenmi¸stir. Sonuç olarak, PAF ata˘gı olu¸smadan 7,5 dakika öncesi seçilen özniteliklerle tespit edilebilmektedir.
Anahtar Kelimeler—paroksismal atriyal fibrilasyon, kalp hızı de˘gi¸skenli˘gi, genetik algoritma, öznitelik seçimi.
Abstract—The heart is very important to pump in a healthy way, but any disease that can occur in the heart has vital preventive measures. One of the most important of these diseases is Atrial Fibrillation (AF). This disease is a disturbance caused by excitations that occur outside of the sinoatrial node that occurs in the atrium of the heart. Paroxysmal Atrial Fibrillation (PAF) is the first stage of AF. Early prediction of this disease prevents the disease from passing to the other heavier stages. In this study, it was aimed to develop a warning system that warns PAF patients before an attack begins. Starting from the PAF, 99 pieces of data consisting of 10 parts in 5 minutes were used. Time domain measurements and poincare plot measurements were obtained over the data. the features that best distinguish the classes have been determined by choosing a feature with a genetic algorithm. As a result, PAF can be predicted up to 7.5 minutes before the attack occurs using the selected features.
Keywords—paroxysmal atrial fibrillation, heart rate variability, genetic algorithm, feature selection.
I. G˙IR˙I ¸S
Kalp hayati organlarımızdan biridir. Bu sebeple kalpte olu¸sabilecek her türlü rahatsızlıkta hayati öneme sahiptir. Bu rahatsızlıklardan en önemlilerinden biri de Atrial Fibri-lasyondur (AF). Bu rahatsızlık kalbin kulakçıklarında gerçek-le¸sen geli¸si güzel elektriksel uyartımlardan kaynaklanmaktadır. Sinoatrial dü˘güm (SA) dı¸sında meydana gelen bu uyartılar hem titre¸sime sebep olurken hem kulakçıklara istenen yo˘gunlukta bir uyarı sinyalininin gitmemesi ile kalbin sa˘glıklı bir ¸sekilde kasılıp gev¸semesine engel olmaktadır. AF genel nüfusun %1-%2’inde görülme sıklı˘gıyla literatürdeki kalp rahatsızlıkları içerisinde en çok rastlanan rahatsızlıklar arasındadır. Yakla¸sık 2,7-6,1 milyon Amerikalı ve 6 milyondan fazla Avrupalıda AF rahatsızlı˘gına sahip oldu˘gu öngörülmektedir [1], [2]. Ülkem-izde de benzer durum söz konusudur, kronik AF sayısının 300 bin civarında oldu˘gu ifade edilmektedir [3].
Bunun yanısıra, AF’nin görülme oranı ya¸s ilerledikçe %0,5’lerden %5-%15 seviyelerine kadar çıkabilmektedir. Bu sebeple, ilerleyen yıllarda genel nüfusun daha da ya¸slanaca˘gı dü¸sünüldü˘günde bu rahatsızlı˘gın artaca˘gı uzmanlar tarafından ifade edilmektedir [2].
AF’nin kabul edilen üç türü vardır: ˙Ilk a¸saması olan ve kendi kendine 48 saate kadar son bulan Paroksismal AF (PAF), 7 gün ile 1 yıl arasında sürebilen Israrcı AF ve normal kalp atımına dönü¸sü olmayan Kalıcı AF’dir. Özellikle, bu a¸samalar-dan ilki olan PAF ata˘gının önceden tespit edilmesi, daha ba¸sla-madan sonlandırılması ve gerekli tedbirlerin alınması ile ısrarcı AF ve kalıcı AF ye dönü¸smemesi yada daha geç dönü¸smesinin sa˘glanması oldukça önemlidir. Çünkü ilerleyen a¸samaları için durum iç açıcı olmamakla birlikte oldukça vahimdir. Hatta tedavi edilemez ve önlenemez bir hal alabilmektedir [2]. Bu sebeple PAF ata˘gının meydana gelmeden önce ön görülmesi ve gerekli tedbirlerin alınması (Örne˘gin, araç kullanıyorsa kenara çekmesi varsa anti aritmik ilaçların alınması vb.) oldukça önem arz etmektedir.
PAF ata˘gının önceden tespit edilmesi ile ilgili son 15-20 yıldır literatürde birçok çalı¸sma bulunmaktadır [4]– [15]. prematüre atriyal komplekslerinin (PAC) sayısı ve 978-1-5386-7786-518$31.00 c 2018 IEEE
zamanlaması, prematüre ventriküler komplekslerinin (PVC) sayıları, kalp hızı de˘gi¸skenli˘gi zaman alanı, frekans alanı ve lineer olmayan ölçümleri, P-dalgasının süresi, genli˘gi, de˘gi¸skenli˘gi,P-dalgasının de˘gi¸skenli˘ginin spektral güç yo˘gun-lukları ve do˘grusal olmayan ölçümleri gibi farklı ölçümler kullanılarak çalı¸smalar yapılmı¸stır.
Bu çalı¸smada, iki çalı¸sma grubu üzerinde çalı¸sılmı¸stır: (1) PAF rahatsızlı˘gı oldu˘gu bilinen hastalar arasında bir PAF ata˘gı ne kadar süre önce kestirilebilir ve (2) PAF rahatsızlı˘gı oldu˘gu bilinen hastalar ve normal bireyler birlikte de˘gerlendirildi˘ginde bir PAF ata˘gı ne kadar süre önce kestirilebilir. Bunun için za-man alanı KHD ölçümleri ve Poincare çizimi ölçümleri arasın-dan seçilen öznitelikler kullanılmı¸stır. Çalı¸smada, Genetik al-goritma, Populasyon türü bitstring, populasyon büyüklü˘gü 300 ve jenerasyonu 20 olarak seçilmi¸stir. Ba¸sarımların tespitinde, k- en yakın kom¸su sınıflandırıcısı, k-parçalı (k=10) çapraz do˘grulama yöntemi 100 tekrarlı olarak çalı¸stırılarak tespit edilmi¸stir.
II. YÖNTEM
A. Veri Seti
Bu çalı¸smada, web üzerinden ücretsiz eri¸simi sa˘glanan ve birçok fizyolojik i¸saretin yer aldı˘gı Physionet.org sitesindeki "The Computer in Cardiology Challenge 2001" kapsamında kullanılan "Atrial Fibrillation Prediction Database (AFPDB)" kullanılmı¸stır [16].
Tüm veriler 128 Hz örnekleme frekansı ile 12 bit çözünür-lü˘ge sahip EKG verisidir. Veri seti 50 adet Normal veri (n1, n11, ... n50 gibi) ve 50 adet PAF rahatsızlı˘gına sahip verilerden olmak üzere genel olarak iki kısımdan olu¸smaktadır. 50 adet PAF rahatsızlı˘gına sahip veriler de iki kısma ayrılmaktadır. Bunlar: 25 adet PAF ata˘gından hemen önceki 30 dk’lık veriler (Çift olan sayılar bu gruba aittir. Örne˘gin; p2, p16, ... p50 gibi.) ve 45 dk öncesinde yada sonrasında PAF ata˘gı bulunmayan 25 adet 30 dk’lık verilerden olu¸sur (Tek olan sayılar bu gruba aittir. Örne˘gin; p1, p17, ... p49 gibi) olu¸smaktadır.
Normal veri grubunda yer alan ‘n27’ nolu veri, kalp hızı de˘gi¸skenli˘gi (KHD) ölçümlerinini düzgün alınamaması nedeniyle çalı¸smaya dahil edilmemi¸stir [17].
B. Kalp Hızı De˘gi¸skenli˘gi
KHD verileri, EKG i¸saretinin en yüksek genli˘gine sahip R dalgasının tespitinden sonra R dalgaları arasındaki zamansal de˘gi¸simi ifade etmektedir ( ¸Sekil 1). Matematiksel olarak RR(n) = t(n) − t(n − 1) ¸seklinde gösterime sahiptir. ¸Sekil 1 ’de gösterilen alttaki i¸saret KHD’nin fonksiyonel gösterimidir. x ekseninde zaman bilgisi yer alırken y ekseninde de KHD verisi bilgisi yer almaktadır.
C. KHD Do˘grusal ve Do˘grusal Olmayan Ölçümler
KHD do˘grusal ölçümleri içerisinde en basiti ve veriler hakkında istatistiksel bilgiler içeren zaman alanı ölçümleridir. Elde edilen ölçümler: AVNN (yada RR) :ortalama KHD de˘gerini, SDNN: KHD verisinin standart sapmasını, SDSD: birbirini takip eden KHD verilerinin farklarının standart sap-masını, RMSSD: birbirini takip eden KHD verilerinin karekök ortalama (RMS) de˘gerini, NN50: birbirini takip eden KHD verilerinin farkları 50 ms’den büyük olanların sayısını, NN20:
¸Sekil 1: KHD’nin elde edilmesi.
birbirini takip eden KHD verilerinin farkları 20 ms’den büyük olanların sayısını, pNN50: NN50 de˘gerinin oranını, pNN20: NN20 de˘gerinin oranını ifade etmektedir.
KHD do˘grusal olmayan ölçümler içerisinde 5 dakikalık veriler için uygun olan Poincare çizimi, her bir veri nok-tasının (RRi) bir sonraki veri noktasına (RRi+1) göre nasıl de˘gi¸sti˘ginin genel bir ifadesidir. Kalbin çalı¸sması ve KHD i¸sareti ile ilgili kapsamlı nicel bilgilerin var oldu˘gu yöntemdir [19]. Genel ölçüm parametreleri ¸su ¸sekildedir:
SD1 = r 1 2(SDSD) 2 (1) SD2 = r 2(SD)2−1 2(SDSD) 2 (2)
Burada, SD verilerin standart sapmasını ve SDSD ise arka arkaya gelen verilerin farkının standart sapmasını göstermekte-dir. Bu ölçümlere ek olarak SD1xSD2 ve SD1/SD2 ölçümleri de eklenmi¸stir.
D. Genetik Algoritma ile Öznitelik Seçimi
Veri boyutlarının ve öznitelik sayısının artması neticesinde hesaplama maliyetleri artmakla beraber performans ba¸sarımları da dü¸smü¸stür. Bu problemi a¸smak özellikle performas ba¸sarım-larını arttırmak için öznitelik seçim uygulamaları yapılmak-tadır. Genetik algoritma bu yöntemler içerisinde çok kullanılan bir öznitelik seçme algoritmasıdır ( ¸Sekil 2). GA’da de˘gi¸sken-ler ikili dizi kodlama metodu ile belli uzunlukta bir diziye dönü¸stürülür. GA’da her bit bir özniteli˘ge kar¸sılık gelecek ¸sekilde ifade edilir. Örne˘gin k. bitin kar¸sılı˘gında “1” varsa o öznitelik çalı¸smaya dahil edilmi¸stir. “0” varsa çalı¸smaya dahil edilmemi¸s demektir. Elde edilen bireylerin ne kadar iyi oldukları uygunluk fonksiyonu sayesinde test edilir. Uygunluk fonksiyonu GA içerinde en önemli parametredir [20]. E. K-En Yakın Kom¸su Sınıflandırıcısı
K-NN algoritması, sınıflandırma algoritmaları arasında hesaplama kolaylı˘gı ve kolay uygulanabilir olması sebe-biyle kullanımı oldukça yaygındır. Tüm öznitelik vektörleri d
¸Sekil 2: GA ile öznitelik seçiminin genel gösterimi.
boyutlu bir uzayda gösterilir. Sınıf bilgisi bulunacak veri, d boyutlu uzayda k tane en yakın kom¸susuna bakılarak karar ver-ilir [21], [22]. K en yakın kom¸su bulunurken uzaklık ölçümleri kullanılmaktadır. Bunlar Öklid uzaklı˘gı, Mahalanobis uzaklı˘gı, Manhattan uzaklı˘gı ve Minkowski uzaklık ölçütleridir. Bu uza-klık ölçütlerinden bu çalı¸smada Öklid uzaklı˘gı kullanılmı¸stır.
K-NN sınıflandırıcısında k de˘geri tek sayı seçilerek sınıflandırıcı sonucu için karar çatı¸sması ya¸sanması engel-lenebilir. Bu sebeple çalı¸smamızda, k = 1, 3, · · · , 19 tek de˘gerleri için sonuçlar elde edilmi¸stir.
F. Performans Ölçütleri
Performans ölçütü, kullanılan örüntü tanıma modelininin sınıflarının ne kadar ayırabildi˘ginin genel ifadesidir. Burada, performans ba¸sarımına etki eden e˘gitim ve test kümelerinin ayrılma yöntemleri oldukça önemlidir. Çünkü e˘gitim ve test verilerinin ba¸sarımı etkiledi˘gi bilinmektedir. literatürdeki bir çok çalı¸smada k-parçalı çapraz do˘grulama yöntemi kullanıl-maktadır. K-parçalı yöntemde veriler k adet parçaya ayrılır ve bu parçalardan 1 tanesi test için kalan k-1 adeti ise e˘gitim için kullanılır. k adet parçanın hepsi test verisi olana kadar de˘gerlendirme devam eder. Ortalama de˘gerleri bulunarak genel Performans ba¸sarımları tespit edilmi¸s olur. Bulunan de˘gerler TP (Do˘gru Pozitif), TN (Do˘gru Negatif), FP (Yanlı¸s Pozitif) ve FN (Yalnı¸s Negatif) de˘gerleri olarak adlandırılır.
Burada gerçekte hasta olup sınıflandırıcının hasta olarak tespit ettiklerinin sayısını TP, yanlı¸slık yaparak sa˘glam dedik-lerinin sayısı FN, gerçekte sa˘glam olup sınıflandırıcının da sa˘glam olarak tespit ettiklerinin sayısı TN, yanlı¸slıkla hasta olarak tespit ettiklerinin sayısını da FP ifade etmektedir [22]. Bu de˘gerler kullanılarak ba¸sarım performansları:
ACC = T P + T N T P + T N + F P + F N (3) SEN = T P T P + F N (4) SP E = T N T N + F P (5)
¸seklinde verilmektedir [14]. ACC de˘geri tüm veriler içerisinde do˘gru olarak tespit edilenlerin oranını, SEN de˘geri Pozitif olanların ne kadar seçildi˘gi, SPE de˘geri negatif olanların ne kadar seçildi˘gini gösteren ölçütlerdir.
III. SONUÇLAR
Çalı¸smada, 30 dakikalık KHD verilerinin 5 dakikalık parçalara bölünmesi, KHD zaman alanı ölçümleri ve Poincare
çizimi ölçümlerinin elde edilmesi ve genetik algoritma ile öznitelik seçimi ve ba¸sarım performanslarının elde edilmesi için MATLAB 2015a yazılımı kullanılmı¸stır. 2 çalı¸sma grubu üzerinden sonuçlar elde edilmi¸stir (Tablo I). 1. çalı¸sma grubunda normal diye adlandırılan verilerle PAF hastası olup atak geçirmeyenler bir sınıfta tutulup di˘ger sınıfta PAF hastası olup atak geçirenler yer almaktadır. Böylece tüm insanlar arasında PAF ata˘gı geçirebilme durumu analiz edilmi¸s ol-undu. 2. çalı¸sma grubunda ise PAF hastası olup PAF ata˘gı geçirmeyenler bir tarafta PAF ata˘gı geçirenler di˘ger tarafta tutulmu¸stur. Burada da sade PAF hastası olanlar arasında atak geçirme durumu incelenmi¸stir [23], [24].
Tablo I: VERILERIN GRUPLANMASI
1. Çalı¸sma Grubu 74 (49 Normal + 25 PAF (geçirmeyen)) - 25 (PAF) 2. Çalı¸sma Grubu 25 PAF (geçirmeyen) - 25 (PAF)
PAF ata˘gının ne kadar süre öncesinde tahmin edilebile-ce˘ginin ara¸stırıldı˘gı bu çalı¸smada, 30 dakikalık veriler ¸Sekil 3’de gösterildi˘gi gibi PAF ata˘gından itibaren geriye do˘gru 50% örtü¸smeli olarak 5 dakikalık 10 kısma bölünmü¸stür. 5 dakikalık her bir veri üzerinden öznitelikler elde edildi ve her bir parça için ayrı ayrı tespit ba¸sarımları ve GA ile seçilen öznitelikler elde edildi. GA ile öznitelik seçimi uygulanmamı¸s 12 adet öznitelikle elde edilen ba¸sarımlar Tablo II’de verilmi¸stir.
¸Sekil 3: 5 dakikalık segmentlerin gösterimi.
Tablo II: Do˘grusal ve do˘grusal olmayan ölçümlerin k-NN performansları.
Segmentler 1. Çalı¸sma Grubu 2. Çalı¸sma Grubu
(dk) k SEN SPE ACC k SEN SPE ACC
0-5 5 36,0 94,5 79,7 1 68,0 76,0 72,0 2,5-7,5 5 36,0 95,9 80,8 7 48,0 88,0 68,0 5-10 9 28,0 95,9 78,7 9 72,0 68,0 70,0 7,5-12,5 3 36,0 89,1 75,7 3 56,0 56,0 56,0 10-15 5 40,0 90,5 77,7 11 68,0 68,0 68,0 12,5-17,5 15 4,0 100 75,7 17 64,0 56,0 60,0 15-20 13 16,0 98,6 77,7 9 68,0 60,0 64,0 17,5-22,5 9 16,0 98,6 77,7 9 68,0 56,0 62,0 20-25 7 40,0 90,5 77,7 3 60,0 56,0 58,0 22,5-27,5 3 44,0 89,1 77,7 7 56,0 56,0 56,0
Tablo II incelendi˘ginde, 1. Çalı¸sma Grubu için PAF ata˘gına yakla¸stıkça di˘ger segmentlere göre azda olsa yüksek ba¸sarımlar elde edilmektedir. 2. Çalı¸sma Grubunda ise PAF ata˘gına en yakın 3 segmentteki ba¸sarımlar di˘ger segmentlere göre çok daha yüksektir. Özellikle bu sonuçlar PAF ata˘gına yakla¸stıkça yükselmesi PAF ata˘gının habercisi olmakla birlikte ba¸sarımları olumlu yönde etkileyen özniteliklerin tespiti ve ba¸sarım perfor-mansını arttırmak için GA ile seçilen öznitelikler ve ba¸sarım sonuçları Tablo III’da verilmi¸stir.
Tablo III’de verilen sonuçlara bakıldı˘gında, GA ile seçilen özniteliklerin kullanılması 1. Çalı¸sma Grubu için ba¸sarımları
Tablo III: GA ile seçilen öznitelikler ve k-NN ba¸sarımları
Segmentler 1. Çalı¸sma Grubu
(dk) k SEN SPE ACC Seçilen Öznitelikler 0,0-5,0 5 32,0 97,3 80,8 SDRR,SDSD,NN50,NN20, pNN50,pNN20,SD1,SD1/SD2 2,5-7,5 7 36,0 97,3 81,8 AVRR,SDRR,NN50,pNN20, SD1,SD1xSD2 5,0-10,0 11 24,0 98,6 79,8 SDSD,RMSSD,NN50,NN20, SD2,SD1xSD2,SD1/SD2 7,5-12,5 5 32,0 95,9 79,8 AVRR,RMSSD,NN50,pNN50, pNN20,SD1xSD2 10,0-15,0 5 44,0 89,2 77,7 SDRR,RMSSD,pNN50,SD2, SD1xSD2,SD1/SD2 12,5-17,5 15 8,0 100 76,7 SDSD,RMSSD,SD1,SD1/SD2 15,0-20,0 15 12,0 98,6 76,7 SDRR,RMSSD,NN50,NN20, pNN20,SD1,SD2 17,5-22,5 11 16,0 98,6 77,7 NN20,SD1,SD1xSD2 20,0-25,0 3 44,0 89,2 77,7 NN50,NN20,pNN50,SD1,SD2 22,5-27,5 7 20,0 97,3 77,8 RMSSD,NN20,pNN50, SD1xSD2,SD1/SD2
Segmentler 2. Çalı¸sma Grubu
(dk) k SEN SPE ACC Seçilen Öznitelikler 0,0-5,0 1 80,0 80,0 80,0 SDRR,SDSD,NN50,pNN50, SD1,SD2,SD1xSD2 2,5-7,5 3 76,0 88,0 82,0 SDSD,pNN20,SD2 5,0-10,0 5 76,0 68,0 72,0 SDRR,NN50,SD1xSD2 7,5-12,5 5 80,0 56,0 68,0 SDSD,SD1,SD1xSD2 10,0-15,0 5 76,0 68,0 72,0 SDRR,SD1,SD2,SD1xSD2 12,5-17,5 13 80,0 52,0 66,0 SDRR,SDSD,NN20,SD1, SD1/SD2 15,0-20,0 9 72,0 64,0 68,0 SDRR 17,5-22,5 1 68,0 64,0 66,0 pNN20,SD1xSD2 20,0-25,0 3 80,0 64,0 72,0 NN50,pNN50,SD2,SD1xSD2 22,5-27,5 7 60,0 72,0 66,0 SDRR,SD1,SD2,SD1xSD2
çok fazla de˘gi¸stirmemi¸stir. PAF ata˘gına en yakın segmentlerde çok az artı¸s görülmektedir. Fakat aynı sonuçları 2. çalı¸sma grubu için söylemek do˘gru olmaz. GA ile seçilen öznitelikler GA kullanılmadan elde edilen sonuçlara göre oldukça fazla artı¸s göstermi¸stir. Tüm segmentlerde performans artı¸sı gerçek-le¸smi¸stir. Fakat 0-5 dakika aralı˘gında %80,0 ve 2,5-7,5 dakika zaman aralı˘gında %82,0 olarak elde edilen ba¸sarımlar di˘ger segmentlerden kaydade˘ger bir ¸sekilde yüksektir. Sonuç olarak, en yüksek ba¸sarımların elde edildi˘gi segmentlerdeki ortak öznitelikler SDSD ve SD2’dir. Özellikle bu iki öznitelik sınıflar arası ayrımı di˘gerlerine göre daha açık bir ¸sekilde k-NN algo-ritmasında göstermektedir. Öznitelik seçiminin PAF ata˘gının erken öngörülmesinde PAF hastaları arasında oldukça faydalı oldu˘gu gösterilmi¸stir. Daha kompleks sınıflandırıcı algorit-malarının kullanımı genel ba¸sarımı arttıraca˘gı öngörülmekte-dir.
KAYNAKÇA
[1] C.T. January ve ark., "2014 AHA/ACC/HRS guideline for the manage-ment of patients with atrial fibrillation: A report of the American Col-lege of Cardiology/American Heart Association Task Force on Practice Guidelines and the Heart Rhythm Society", J Am Coll Cardiol, 64(21), 1-76, 2014.
[2] A.J. Camm ve ark., "Guidelines for the management of atrial fibrillation", Eur Heart J, 31, 2369–2429, 2010.
[3] H. Uyarel ve ark., "Incidence, prevalence, and mortality estimates for chronic atrial fibrillation in Turkish adults", Archives Turk Kardiyol Dern Ars, 36(4), 214-222, 2008.
[4] W. Zong ve ark., "A methodology for predicting paroxysmal atrial fibrillation based on ECG arrhythmia feature analysis", Comput Cardiol, 28, 125–128, 2001.
[5] P. Langley ve ark., "Can paroxysmal atrial fibrillation be predicted?", Comput Cardiol, 28, 121-124, 2001.
[6] P. Chazal, C. Heneghan, "Automated assessment of atrial fibrillation", Comput Cardiol, 28, 117-120, 2001.
[7] Y.V. Chesnokov, "Complexity and Spectral Analysis of The Heart Rate Variability Dynamics for Distant Prediction of Paroxysmal Atrial Fibrilla-tion with Artificial Intelligence Methods", Artif Intel Med, 43(2),151-165, 2008.
[8] M. Mohebbi, H. Ghassemian, "Prediction of Paroxysmal atrial Fibrilla-tion based on non-Linear analysis and spectrum and bispectrum features of the heart rate variability signal", Comput Meth Prog Bio, 105, 40-49, 2012.
[9] K.H. Boon ve ark., "Paroxysmal atrial fibrillation prediction method with shorter HRV sequences", Comput Meth Prog Bio, 134, 187-196, 2016. [10] K.H. Boon ve ark. "Paroxysmal Atrial Fibrillation Prediction Based
on HRV Analysis and Non-Dominated Sorting Genetic Algorithm III", Comput Meth Prog Bio, 153, 171-184, 2018.
[11] X. Yi, Z. Yizhang, "Paroxysmal Atrial Fibrillation Recognition Based on Multi-Scale Wavelet-Entropy", Biomed Eng Online, 16(1), 121-132, 2017.
[12] A. Martinez ve ark., "Alteration of The P-Wave Non-Linear Dynamics Near The Onset of Paroxysmal Atrial Fibrillation", Med Eng Phys, 37(7), 692-697, 2015.
[13] R. Alcaraz ve ark., "Role of the P-wave high frequency energy and duration as noninvasive cardiovascular predictors of paroxysmal atrial fibrillation", Comput Meth Prog Bio, 119(2), 110-119, 2015.
[14] E. Ros ve ark., "ECG Characterization of Paroxysmal Atrial Fibrillation: Parameter Extraction and Automatic Diagnosis Algorithm", Comput Biol Med, 34(8), 679-696, 2004.
[15] F. Dimitrios ve ark., "Beat-to-Beat P-Wave Morphology as A Predictor of Paroxysmal Atrial Fibrillation", Comput Meth Prog Bio, 151, 111-121, 2017.
[16] PAF Prediction Challenge Database 2001, http://www.physionet.org/ physiobank/database/afpdb/, Physionet.org.
[17] J. Park, L. Sangwook, J. Moongu, "Atrial fibrillation detection by heart rate variability in Poincare plot", Biomed Eng Online, 38, 1-12, 2009. [18] Task Force of the European Society of Cardiology and the North
Amer-ican Society of Pacing and Electrophysiology, "Heart rate variability: Standards of measurement, physiological interpretation, and clinical use", Eur Heart J, 17, 354–381, 1996.
[19] P.W. Kamen ve ark., "Poincare plot of heart rate variability allows quantitative display of parasympathetic nervous activity", Clin Sci, 92, 201–208, 1996.
[20] R.J. Koza, Genetic Programming, on The Programming of Computers by Means of Natural Selection, MIT Press, Cambridge, 1992. [21] Y. ˙I¸sler, A. Narin, M. Özer, "Comparison of the effects of
cross-validation methods on determining performances of classifiers used in diagnosing congestive heart failure", Meas Sci Rev, 15(4), 196-201, 2015. [22] R.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, New York:
John Wiley and Sons, 2nd Edition, 2001.
[23] A. Narin, Y. ˙I¸sler, M. Özer, "Kalp Hızı De˘gi¸skenli˘gi Frekans Alanı Ölçümleri ile Paroksismal Atriyal Fibrilasyon Ata˘gının Önceden Kestir-imi", Tıp Teknolojileri Ulusal Kongresi (TIPTEKNO2016), 27-29 Ekim 2016.
[24] A. Narin, M. Özer, Y. ˙I¸sler, "Kalp Hızı De˘gi¸skenli˘gi Do˘grusal ve Do˘grusal Olmayan Ölçümlerinin PAF Ata˘gı Tespitine Etkisi", IEEE 25. Sinyal ˙I¸sleme ve ˙Ileti¸sim Uygulamaları Kurultayı (SIU 2017), 15-18 Mayıs 2017.
