Akut Koroner Sendromun Destek Vektör
Makinelerine ve EKG’ye Dayalı Tespiti
Detection of Acute Coronary Syndrome Based on
Support Vector Machines and ECG
Merve Begüm TERZ˙I ve Orhan ARIKAN
Elektrik ve Elektronik Mühendisli˘gi BölümüBilkent Üniversitesi Ankara, Türkiye
mbterzi@ee.bilkent.edu.tr, oarikan@ee.bilkent.edu.tr
Özetçe —Akut koroner sendroma (AKS) sahip hastalarda, miyokard infarktüsü ba¸slangıcından önce geçici gö˘güs a˘grıları ile birlikte EKG sinyalinin ST segmentinde ve T dalgasında de-˘gi¸siklikler meydana gelmektedir. Bu çalı¸smada, AKS’nin gürbüz tespitini gerçekle¸stirmek amacıyla, EKG sinyalinin ST segmen-tindeki ve T dalgasındaki anomalileri güncel sinyal i¸sleme ve makine ö˘grenmesi tekniklerini kullanarak tespit eden bir teknik geli¸stirilmi¸stir. Bu amaçla, STAFF III veri tabanındaki geni¸s bantlı kayıtlar kullanılarak, AKS’nin te¸shisi için ayırıcılı˘gı en yüksek olan EKG özniteliklerini elde eden özgün bir öznitelik çıkarım tekni˘gi geli¸stirilmi¸stir. Elde edilen kritik öznitelikleri kullanarak, AKS’nin gürbüz tespitini gerçekle¸stiren destek vektör makinelerine (DVM) ve çekirdek fonksiyonlarına dayalı bir göze-timli ö˘grenme tekni˘gi geli¸stirilmi¸stir. Önerilen tekni˘gin STAFF III veri tabanındaki kayda de˘ger sayıda hastadan elde edilen ba¸sarım sonuçları, tekni˘gin oldukça güvenilir AKS tespiti sa˘gladı˘gını göstermektedir.
Anahtar Kelimeler—Akut koroner sendrom, elektrokardiyog-ram, anomali tespiti, öznitelik çıkarımı, destek vektör makineleri, çekirdek fonksiyonları.
Abstract—In patients with acute coronary syndrome (ACS), transient chest pains together with changes in ST segment and T wave of ECG signal occur before the start of myocardial infarction. In this study, a technique which detects the anomalies in ST segment and T wave of ECG signal by using the state-of-the-art signal processing and machine learning methods is developed to perform the robust detection of ACS. For this purpose, by using the wideband recordings on STAFF III database, a novel feature extraction technique which obtains the most discriminative ECG features for the detection of ACS is developed. By using the critical features, a supervised learning technique based on support vector machines (SVM) and kernel functions which performs the robust detection of ACS is developed. The performance results of the proposed technique obtained from a considerable number of patients on STAFF III database indicate that the technique provides highly reliable detection of ACS.
Keywords—Acute coronary syndrome, electrocardiogram, ano-maly detection, feature extraction, support vector machines, kernel functions.
I. G˙IR˙I ¸S
Akut koroner sendrom (AKS), akut miyokard iskemisi ile seyreden klinik durumları tanımlamak için kullanılır ve ST yükselmeli miyokard infarktüsü, ST yükselmesiz miyokard infarktüsü ve kararsız angina pektoris klinik tablolarını kap-sar [1]. AKS hastalarında miyokard nekrozunun ve ölümcül aritmilerin büyük bir bölümü koroner arterin oklüzyonundan sonraki birkaç saat içinde meydana gelir. Günümüzde, AKS tüm dünyada görülme sıklı˘gı giderek artan ba¸slıca ölüm se-beplerinden biridir. Dünya Sa˘glık Örgütü (WHO) verilerine göre dünyada koroner arter hastalıklarından kaynaklanan ölüm-ler tüm ölümölüm-lerin %33’ünü olu¸stururken, Türkiye’de %41’ini olu¸sturarak ilk sırada yer almaktadır [2]. AKS’ye erken ve do˘gru tanı konulması sayesinde oklüzyon meydana gelen ko-roner arterde reperfüzyon tedavilerine erken ba¸slanılabilinir ve böylece, hastalı˘gın morbidite ve mortalite oranlarında belirgin azalma sa˘glanabilir. Bu nedenle, AKS’nin güvenilir bir ¸sekilde erken te¸shis edilmesi önemli bir klinik ihtiyaçtır.
Literatürdeki çalı¸smalarda, EKG sinyalini kullanarak AKS tespiti gerçekle¸stirmek için çe¸sitli teknikler önerilmi¸stir. Farklı metodolojik yakla¸sımları içereren bu teknikler kural-bazlı tek-nikleri [3], bulanık mantık yöntemlerini [4], yapay sinir a˘g-larını (YSA) [5], destek vektör makinelerini (DVM) [6] ve di˘ger sinyal analiz tekniklerini [7] kapsamaktadır. Bu teknikler arasında, DVM birçok sınıflandırma probleminin çözümünde yüksek ba¸sarım gösteren ve en büyük pay ilkesine dayalı yak-la¸sımı sayesinde yüksek genelleme kabiliyetine sahip olan bir makine ö˘grenmesi tekni˘gi olarak literatürdeki yerini almı¸stır. Ayrıca, DVM’nin en büyük pay ilkesine dayalı yakla¸sımı sa-yesinde, sınıflandırma görevini gerçekle¸stirmek için sınıfların istatistiksel da˘gılımının çok boyutlu öznitelik uzayında tahmin edilmesine gerek kalmadı˘gı ve bu nedenle, di˘ger istatistiksel ö˘grenme tekniklerine kıyasla boyut sayısına kar¸sı hassasiye-tinin daha az oldu˘gu gösterilmi¸stir. Bu nedenle, geleneksel istatistiksel ö˘grenme tekniklerine kıyasla, DVM kullanılarak daha gürbüz bir AKS tespit tekni˘gi geli¸stirmek mümkündür.
II. AMAÇ VEYÖNTEM
Bu çalı¸smada, koroner arter hastalarında veya koroner arter hastalı˘gı riski yüksek olan ki¸silerde AKS’nin gürbüz tespitini gerçekle¸stirmek amacıyla, EKG sinyalinin ST segmentindeki ve T dalgasındaki anomalileri güncel sinyal i¸sleme ve makine ö˘grenmesi yöntemlerini kullanarak tespit eden özgün bir teknik geli¸stirilmi¸stir.
A. Veri Setinin Olu¸sturulması
Önerilen tekni˘gin geli¸stirilmesi sırasında, koroner arterdeki oklüzyonun giderilmesini ve kanın miyokardiyuma ula¸smasını sa˘glamak amacıyla perkütan translüminal koroner anjiyoplasti (PTKA) yapılan hastalardan, geni¸s frekans bant geni¸sli˘gine ve yüksek örnekleme frekansına sahip bir cihaz kullanılarak elde edilen kayıtları içeren STAFF III veri tabanı kullanılmı¸stır [8]. Veri tabanı, PTKA boyunca hastalarda kontrollü olarak olu¸stu-rulan tam koroner arter oklüzyonu sırasında gerçekle¸sen EKG de˘gi¸sikliklerini incelemek amacıyla yürütülen klinik ara¸stırma çalı¸smasının bir parçası olarak olu¸sturulmu¸stur. PTKA sıra-sında gerçekle¸stirilen koroner arter oklüzyonu miyokardiyal kan akı¸sını azaltarak, etkilenen bölgede lokal olarak AKS mey-dana getirmekte ve böylece, geçici gö˘güs a˘grıları ile birlikte EKG’nin ST segmentinde ve T dalgasında de˘gi¸sikliklere yol açmaktadır [6].
Veri tabanı, klinik ortamda kontrollü olarak gerçekle¸sti-rilen miyokard iskemisinin yol açtı˘gı de˘gi¸siklikleri göster-mesi nedeniyle çe¸sitli AKS tespit tekniklerinin geli¸stirilgöster-mesi ve ba¸sarımlarının de˘gerlendirilmesi için oldukça uygun bir test ortamı sunmaktadır. Buna ek olarak, tam koroner arter oklüzyonu sırasında elde edilen EKG verilerindeki yapısal de˘gi¸siklikleri içeren halihazırdaki en büyük veri tabanıdır ve gö˘güs a˘grısı bulgusunu gösteren 108 hastanın PTKA öncesinde ve sırasında elde edilen 12-derivasyonlu EKG kayıtlarını içer-mektedir. PTKA öncesinde, hastalar dinlenme halindeyken ve henüz koroner arterlere herhangi bir kateter giri¸simi yapılma-dan önce tüm hastalaryapılma-dan bazal EKG kayıtları elde edilmi¸stir. PTKA sırasında, kardiyak kateterizasyon laboratuvarında, ana koroner arterlerden birinde balon ¸si¸sirilmesinden önce ba¸sla-yan ve balon söndürülmesinden sonra sonlanan iskemik EKG kayıtları tüm hastalardan elde edilmi¸stir. Veri alımı sırasında, iskelet kasından kaynaklanan hareket artefaktlarını azaltmak amacıyla prekordiyal EKG derivasyonları için standart elektrot konfigürasyonu kullanılırken, ekstremite derivasyonları için Mason-Likar elektrot konfigürasyonu kullanılmı¸stır. Kayıtların sayısalla¸stırılması sırasında, yüksek çözünürlü˘ge sahip sinyal-lerin elde edilebilmesi için 1 kHz örnekleme frekansı ve 0.6 µV genlik çözünürlü˘gü kullanılmı¸stır. Sadece ana koroner arterlerinden birinde PTKA gerçekle¸stirilen hastalar veri taba-nına dahil edilmi¸stir, veri alımı sırasında ventriküler ta¸sikardi veya miyokard infarktüsü geçiren hastalar veri tabanına dahil edilmemi¸stir.
B. Ön ˙I¸sleme Tekni˘gi
Geli¸stirilen ön i¸sleme tekni˘ginin ilk a¸samasında, EKG sin-yalinin yapısında bulunan ve tanısal bir bilgi içermeyen gürül-tüler ve hareket artefaktları güncel sinyal i¸sleme yöntemlerini kullanarak elimine edilmi¸stir. Bu amaçla, ön i¸sleme tekni˘ginin STAFF III veri tabanındaki geni¸s bantlı ham EKG kayıtlarına uygulanması sonucunda, dü¸sük ve yüksek frekanslı sinyal
(a) QRS kompleks tespiti. (b) Bir periyotluk EKG sinyali.
¸Sekil 1: Ön i¸sleme tekni˘ginin STAFF III veri tabanındaki bir hastaya ait tek-derivasyonlu EKG sinyaline uygulanması.
bile¸senleri olan taban hattı kayması, hareket artefaktı ve iskelet kası (EMG) gürültüsü alt kesim frekansı fL1=0.5 Hz üst kesim
frekansı ise fH1=150 Hz olan bir bant geçiren süzgeç
kullanı-larak EKG sinyallerinden çıkarılmı¸stır. Ayrıca, 50 Hz’lik güç hattı giri¸siminin EKG sinyallerinden çıkarılması için alt kesim frekansı fL2=49 Hz üst kesim frekansı ise fH2=51 Hz olan bir
çentik süzgeç kullanılmı¸stır. EKG sinyallerinin ba¸slangıcındaki ve sonundaki ani de˘gi¸sikliklerden kaynaklanan Gibbs etkisini azaltmak amacıyla, sinyaller süzgeçlenmeden önce ba¸slangıcı ve biti¸si yumu¸satılmı¸s bir zaman penceresiyle çarpılmı¸stır.
Süzgeçlenen EKG sinyallerinde QRS kompleks tespitini gerçekle¸stirmek amacıyla, genli˘gi P ve T dalgalarından yük-sek ve QRS kompleksinden dü¸sük olan hastaya özgü olarak uyarlanmı¸s e¸sik de˘gerler belirlenmi¸stir. EKG sinyal genlik-lerinin belirlenen uyarlanmı¸s e¸sik de˘gerden yüksek oldu˘gu sinyal de˘gerlerinin bulunmasıyla, QRS komplekslerinin zaman düzlemindeki tespiti gerçekle¸stirilmi¸stir. ¸Sekil 1(a) önerilen ön i¸sleme tekni˘ginin veri tabanındaki bir hastaya ait tek-derivasyonlu EKG sinyaline uygulanması sonucunda gerçek-le¸stirilen QRS kompleks tespitini göstermektedir.
QRS kompleksleri tespit edilen EKG sinyalleri bölütle-nerek, her bir kalp atımı için periyotlarına ayrı¸stırılmı¸stır. AKS’nin EKG sinyalindeki semptomlarından biri olan ST segmentindeki çökme veya yükselme miktarını belirlemek amacıyla, tüm periyotlar için izoelektrik seviye bulunarak EKG sinyalinden çıkarılmı¸stır. ¸Sekil 1(b) önerilen ön i¸sleme tekni˘ginin veri tabanındaki bir hastaya ait tek-derivasyonlu EKG sinyaline uygulanmasıyla elde edilen izoelektrik seviye çıkarılmı¸s bir periyotluk EKG sinyalini göstermektedir.
C. Öznitelik Çıkarım Tekni˘gi
Ön i¸sleme tekni˘ginin STAFF III veri tabanındaki ham kayıtlara uygulanması sonucunda elde edilen EKG sinyal-lerinden, AKS’nin gürbüz tespiti için ayırıcılı˘gı en yüksek olan özniteliklerin çıkarılmasını sa˘glayan özgün bir öznitelik çıkarım tekni˘gi geli¸stirilmi¸stir. Geli¸stirilen öznitelik çıkarım tekni˘ginin veri tabanındaki bazal ve iskemik EKG sinyallerine uygulanması sonucunda, AKS’nin tespiti için kritik olan ST segment seviyesi, ST segment e˘gimi, T dalgası ekstremum noktası ve T dalgası altındaki alan öznitelikleri tüm hastalar için elde edilmi¸stir.
1) ST Segment Seviyesi: AKS’nin semptomlarından biri olan ST segmentindeki çökme veya yükselme miktarını belir-lemek amacıyla çıkarılan ST segment seviyesi özniteli˘gi, EKG
sinyalinin tüm periyotları için ST segmenti boyunca var olan genlik de˘gerlerinin toplanarak, aynı aralıktaki toplam örnek sayısına bölünmesiyle elde edilmi¸stir.
2) ST Segment E˘gimi: AKS’nin semptomlarından biri olan ST segmentindeki çökme veya yükselme miktarını belirlemek amacıyla çıkarılan ST segment e˘gimi özniteli˘gi, EKG sinya-linin tüm periyotları için ST segmenti boyunca var olan tüm örneklere en iyi uyumu sa˘glayan do˘gru parçasının en küçük kareler tekni˘gi kullanılarak tespit edilmesiyle elde edilmi¸stir.
3) T Dalgası Ekstremum Noktası: AKS’nin semptomların-dan biri olan T dalgasındaki genlik ve polarite de˘gi¸simlerini belirlemek amacıyla çıkarılan T dalgası ekstremum noktası özniteli˘gi, EKG sinyalinin tüm periyotları için T dalgasının maksimum veya minimum genlik de˘gerlerinin zaman düzle-minde tespit edilmesiyle elde edilmi¸stir.
4) T Dalgası Altındaki Alan: AKS’nin semptomlarından biri olan T dalgasındaki genlik de˘gi¸simlerini belirlemek ama-cıyla çıkarılan T dalgası altındaki alan özniteli˘gi, EKG sin-yalinin tüm periyotları için T dalgası boyunca var olan tüm örneklere trapez kuralının uygulanmasıyla elde edilmi¸stir.
D. Sınıflandırma Tekni˘gi
Öznitelik çıkarım tekni˘ginin veri tabanındaki bazal ve iskemik EKG sinyallerine uygulanması sonucunda elde edi-len kritik öznitelikleri kullanarak, AKS’nin gürbüz tespitini gerçekle¸stiren DVM’ye ve çekirdek fonksiyonlarına dayalı bir gözetimli ö˘grenme tekni˘gi geli¸stirilmi¸stir.
Do˘grusal Olarak Ayrılabilen Veriler ˙Için DVM
DVM’nin sahip oldu˘gu algoritmalar ba¸slangıçta iki sınıflı ve do˘grusal olan verilerin sınıflandırılması problemi için tasar-lanmı¸s, daha sonra çok sınıflı ve do˘grusal olmayan verilerin sınıflandırılması için genelle¸stirilmi¸stir [9]. DVM’nin çalı¸sma ilkesi, iki sınıfı birbirinden en uygun ¸sekilde ayırabilen öte-lenmi¸s düzlemin tanımlanması esasına dayanmaktadır. E˘gitim verisini olu¸sturan n nokta (1)’de gösterildi˘gi ¸sekilde tanımlan-dı˘gında,
D = {(xm), ym | xm ∈ Rp, ym∈ {−1, 1}}nm=1 (1)
her bir xm p-boyutlu öznitelik vektörünü, ym ise −1 veya
1 de˘gerini alarak, xm noktasının hangi sınıfa ait oldu˘gunu
göstermektedir. Amaç, ym=1 ve ym=−1 de˘gerlerine sahip
noktaları birbirinden ayıran, en büyük paya sahip ötelenmi¸s düzlemleri belirlemektir. Her bir ötelenmi¸s düzlem (2)’de gösterilen e¸sitli˘gi sa˘glayan nokta kümeleri kullanılarak tanım-lanmaktadır.
wTx = b (2)
Denklem (2)’de w ötelenmi¸s düzleme normal olan vektörü göstermektedir. Ötelenmi¸s düzlemin normal vektör w boyunca orijinden ofseti b
k w k2
parametresi ile tanımlanmaktadır. E˘gi-tim verisinin do˘grusal olarak ayrılabildi˘gi durumlar için veriyi ayıran iki ötelenmi¸s düzlem seçilebilir ve bu iki ötelenmi¸s düzlem arasındaki pay en büyüklenebilir. Denklem (3) ve (4) ötelenmi¸s düzlemleri ifade etmektedir.
wTx − b = 1 (3)
wTx − b = −1 (4)
Bu iki ötelenmi¸s düzlem arasındaki uzaklık 2 k w k2
oldu˘gu için amaç k w k2 parametresini en küçüklemektir. Ba¸ska bir
ifadeyle, en iyileme problemi (5)’de gösterilen ko¸sula ba˘glı kalarak, k w k2 parametresini en küçüklemek olarak
tanımla-nabilir.
ym(wTx − b) ≥ 1 , 1 ≤ m ≤ n (5)
Do˘grusal Olarak Ayrılamayan Veriler ˙Için DVM
Verilerin do˘grusal olarak ayrılamadı˘gı problemlerde, e˘gitim verilerinin bir kısmının en iyi ötelenmi¸s düzlemin di˘ger ta-rafında kalmasından kaynaklanan problem pozitif bir yapay de˘gi¸skenin (ξ) tanımlanmasıyla çözülmektedir. ˙Iki ötelenmi¸s düzlem arasındaki uzaklı˘gın en büyüklenmesi ve yanlı¸s sınıf-landırma hatalarının en küçüklenmesi arasındaki denge dü-zenleme parametresinin (C) tanımlanmasıyla kurulmaktadır. Do˘grusal olarak ayrılamayan veriler için en iyileme problemi (6)’da gösterildi˘gi ¸sekilde ifade edilmektedir.
arg min w,ξ,b ( 1 2k w k 2 2+ C n X m=1 ξm ) (6)
Buna ba˘glı sınırlamalar ise (7)’deki gibi ifade edilmektedir.
ym(wTx − b) ≥ 1 − ξm, ξm≥ 0 (7)
Denklem (6) ve (7)’deki en iyileme problemi ve k w k2
para-metresinin en küçüklenmesi Lagrange çarpanları kullanılarak (8)’de gösterildi˘gi ¸sekilde ifade edilebilir.
arg min max
w,ξ,b, α,β n1 2k w k 2 2+ C n X m=1 ξm− n X m=1 βmξm − n X m=1 αm[ym(wTx − b) − 1 + ξm] o (8)
Denklem (8)’de gösterilen en iyileme probleminin çözümü için çekirdek hilesi yöntemi uygulanabilir ve böylece, verilerin dü¸sük boyutlu girdi uzayından yüksek boyutlu öznitelik uza-yına dönü¸stürülmesi için çekirdek fonksiyonları kullanılarak, do˘grusal olmayan haritalama gerçekle¸stirilebilir [10]. Böylece, girdi uzayında do˘grusal olarak ayrılamayan veriler, öznitelik uzayında payı en büyük olan ayırıcı ötelenmi¸s düzlemin bulun-masıyla do˘grusal olarak ayrılabilmektedir. Do˘grusal olmayan dönü¸sümleri gerçekle¸stiren çekirdek fonksiyonu matematiksel olarak (9)’da gösterildi˘gi ¸sekilde ifade edilmektedir. Bu ça-lı¸smada, do˘grusal olarak ayrılabilen verilerin sınıflandırılma-sında (10)’da gösterilen lineer çekirdek fonksiyonu kullanılır-ken, do˘grusal olarak ayrılamayan verilerin sınıflandırılmasında (11)’de gösterilen radyal tabanlı çekirdek fonksiyonu (RBF) kullanılmı¸stır.
K(xi, xj) = φ(xi)φ(xj) (9)
K(xi, xj) = (xi· xj+ c) (10)
III. SONUÇLAR VETARTI ¸SMA
Geli¸stirilen tekni˘gin veri kümesindeki farklı sınıflara ait verilere aynı önemi vermesini ve farklı sınıflara ait verilerin aynı aralıkta ölçeklendirilmesini sa˘glamak amacıyla veriler z-skor normalle¸stirmesi kullanılarak normalize edilmi¸stir. Öneri-len tekni˘gin daha önce görmedi˘gi veriler üzerindeki ba¸sarımını ve genelleme kabiliyetini göstermek amacıyla tüm veri kümesi k-katlı çapraz geçerlilik yöntemi kullanılarak e˘gitim kümesine ve test kümesine ayrı¸stırılmı¸stır. Çapraz geçerlilik yönteminin uygulanması sırasında, tüm veri kümesi rastgele bir ¸sekilde k=5 e¸sit alt kümeye bölünmü¸stür. Bu bölümün sonucunda elde edilen alt kümelerden biri tekni˘gin genelleme kabiliyetini göstermek için kullanılan test kümesini olu¸stururken, geriye kalan alt kümeler bir araya getirilerek DVM’nin e˘gitilmesi ve hiperparametrelerin en iyilenmesi için kullanılan e˘gitim küme-sini olu¸sturmu¸stur. Buna ek olarak, DVM’nin e˘gitim kümesine a¸sırı uyum sa˘glamasını engellemek amacıyla, e˘gitim kümesi rastgele bir ¸sekilde e˘gitim (70%) ve do˘grulama (30%) alt kümelerine ayrı¸stırılmı¸stır. Bu i¸slemlerin tüm çapraz geçerlilik katlarında tekrarlanması sonucunda, rastgele 5 ba˘gımsız e˘gitim kümesi, do˘grulama kümesi ve test kümesi elde edilmi¸stir.
DVM algoritmasının ilgili veri seti üzerindeki ba¸sarımının ve genelleme kabiliyetinin seçilen çekirdek fonksiyonuna ve çekirdek fonksiyonunun hiperparametrelerine büyük ölçüde ba˘glı oldu˘gu bilinmektedir [11]. Bu nedenle, çalı¸smamızda farklı çekirdek fonksiyonlarına sahip modeller geli¸stirilerek, bu modellerin veri kümesi üzerindeki ba¸sarımları tüm hastalar için elde edilmi¸stir. En yüksek ba¸sarıma sahip çekirdek fonk-siyonunun hasta bazında belirlenmesi sonucunda, geli¸stirilen modeller hastaya özgü olacak ¸sekilde en iyilenmi¸stir.
DVM’nin e˘gitimi sırasında, hasta bazında en iyilenmi¸s çekirdek fonksiyonunun farklı hiperparametreleri için ızgara araması yöntemi ve e˘gitim kümesi kullanılarak çe¸sitli modeller geli¸stirilmi¸s ve bu modellerin do˘grulama kümesine uygulan-ması sonucunda, tekni˘gin e˘gitim seti üzerindeki ba¸sarımının yansız kestirimleri elde edilmi¸stir. Bu amaçla, istatistiksel ba¸sarım ölçütleri olan do˘gruluk, isabet oranı, yanlı¸s alarm oranı, pozitif tahmin de˘geri, negatif tahmin de˘geri, özgüllük ve hata oranı geli¸stirilen tüm modeller için hesaplanmı¸stır. Tüm ba¸sarım ölçütleri için en yüksek ba¸sarımı gösteren en iyilenmi¸s hiperparametrelere sahip model, do˘grulama kümesi kullanılarak hastaya özgü olacak ¸sekilde belirlenmi¸stir. En iyilenmi¸s çekirdek fonksiyonuna ve hiperparametrelere sahip modelin test kümesine uygulanması sonucunda, tekni˘gin daha önce görülmemi¸s ba˘gımsız bir veri kümesi üzerindeki ba¸sarımı ve genelleme kabiliyeti tüm hastalar için belirlenmi¸stir. Son olarak, farklı çapraz geçerlilik katlarında en iyilenmi¸s modelin test kümesi üzerinde elde edilen ba¸sarım de˘gerlerinin orta-laması alınarak, her bir ba¸sarım ölçütü için tek bir ba¸sarım kestirimi elde edilmi¸stir.
Tablo I’de ST segmentine ait iki birle¸sik öznitelik ve ST segmenti ile T dalgasına ait dört birle¸sik öznitelik için en zor ve ortalama vakaların RBF çekirde˘gine ve en iyilenmi¸s hiperparametrelere sahip DVM kullanılarak elde edilen ba-¸sarım sonuçları gösterilmi¸stir. Geli¸stirilen tekni˘gin, ayırıcılı˘gı en yüksek olan birle¸sik EKG öznitelikleri ve en iyilenmi¸s hiperparametrelere sahip DVM kullanılarak STAFF III veri tabanındaki kayda de˘ger sayıda hastadan elde edilen ba¸sarım sonuçları, tekni˘gin oldukça güvenilir AKS tespiti sa˘gladı˘gını göstermektedir.
TABLOI: RBF Çekirde˘gine ve En ˙Iyilenmi¸s Hiperparametrelere Sahip DVM Modeli ile ˙Iki ve Dört Birle¸sik EKG Özniteli˘gi için En Zor ve Ortalama Vakaların Ba¸sarım Sonuçları (%)
Ba¸sarım Ölçütleri RBFZ,2 RBFO,2 RBFZ,4 RBFO,4
Do˘gruluk 64.29 78.22 78.26 87.91 ˙Isabet Oranı 64.71 78.26 81.25 91.67 Yanlı¸s Alarm Oranı 36.36 21.88 28.57 17.36 Pozitif Tahmin De˘geri 73.33 88.52 86.67 93.16 Negatif Tahmin De˘geri 53.85 62.50 62.50 83.33 Özgüllük 63.63 78.12 71.42 85.65 Hata Oranı 35.71 21.78 21.74 12.09
Ayrıca, önerilen tekni˘gin iki ve dört birle¸sik EKG özniteli˘gi kullanılarak elde edilen ba¸sarım sonuçları kıyaslandı˘gında, ST segment özniteliklerine T dalgası özniteliklerinin eklenmesinin AKS tespiti ba¸sarımını oldukça arttırdı˘gı görülmektedir. Bu nedenle, AKS’nin te¸shisi için EKG’nin ST segmentinden elde edilen tanısal bilginin tek ba¸sına yeterli olmadı˘gı vakalarda, bu çalı¸smada önerilen teknik kullanılarak hastalı˘gın gürbüz tespitinin ba¸sarımı arttırılabilir ve böylece, iskemik kalp has-talıklarından kaynaklanan morbidite ve mortalite oranlarında belirgin azalma sa˘glanabilir.
KAYNAKLAR
[1] M. B. Terzi, O. Arıkan, A. Abacı, M. Candemir and M. Dedo˘glu, "Early diagnosis of acute coronary syndromes with automatic ST/T classifier", 2014 18th National Biomedical Engineering Meeting, Istanbul, 2014, pp. 1-4.
[2] E. J. Benjamin et al.,"Heart disease and stroke statistics-2019 update", Circulation, 2019.
[3] C. Papaloukas et al., "Use of a novel rule-based expert system in the detection of changes in the ST segment and T wave in long duration ECGs", Journal of Electrocardiology, 2002.
[4] S. Zahan, "A fuzzy approach to computer-assisted acute myocardial ischemia diagnosis", Artificial Intelligence in Medicine, 2001. [5] T. Stamkopoulos et al., "One-lead ischemia detection using a new
backpropagation algorithm and European ST-T database", Proceedings of the IEEE Computers in Cardiology, 1992.
[6] M. B. Terzı and O. Arikan, "Detection of acute myocardial ischemia based on support vector machines", 2018 26th Signal Processing and Communications Applications Conference (SIU), Izmir, 2018, pp. 1-4. [7] B. Gramatikov et al., "Wavelet analysis and time-frequency distributions
of ECG", Computer Methods and Programs in Biomedicine, 2000. [8] P. Laguna et al., "STAFF III database and its significance for
methodolo-gical development and evaluation", Journal of Electrocardiology, 2014. [9] M. B. Terzi, O. Arikan, S. Karatay, F. Arikan and T. Gulyaeva, "Classi-fication of regional ionospheric disturbance based on machine learning techniques", 41st COSPAR Scientific Assembly, 2016.
[10] M. B. Terzi, O. Arikan, S. Karatay, F. Arikan and T. Gulyaeva, "Classification of regional ionospheric disturbance based on machine learning techniques", Living Planet Symposium (LPS), European Space Agency (ESA) Special Publication SP-740, 2016.
[11] M. B. Terzi, O. Arikan, S. Karatay and F. Arikan, "Classification of regional ionospheric disturbances based on support vector machines", 8th International Union of Radio Science (URSI) Turkey National Committee, 2016.
