Multi-stage classification of abnormal patterns in EEG and e-ECG using model-free methods

Abstract

Bu çalışmada bir boyutlu biyomedikal sinyaller olan EEG ve EKG sinyallerindeki belli örüntüleri otomatik olarak tanıma ve sınıflandırma için bilgisayar destekli örüntü tanıma ve sınıflandırma sistemleri önerilmiştir. Çalışmanın ilk aşamasında EEG işaretinde klinik uygulamaları destekleyen, yapay sinir ağı tabanlı otomatik epileptik örüntü tanıma sistemi önerilmektedir. Tanıma işlemi, hem bir yapay sinir ağ sınıflandırıcı kullanılarak, hem de çok aşamalı bir sınıflandırıcı sistem kullanılarak gerçekleştirilmiştir. Bu sistemde sınıflandırma başarımını arttırmak için farklı yöntemler denenmiş ve sonuçları sunulmuştur. Bunu takip eden çalışmada, yine klinik uygulamaları destekleyen, EKG işareti için çok aşamalı yeni bir otomatik aritmi tanıma sistemi önerilmiştir. Sistem vuru tabanlı olup 16 aritmi tipi sınıflandırabilmektedir. Bu sistemde aritmiler ilk aşamada 5 ana sınıfa gruplanırken ikinci aşamada her bir ana grup alt aritmi gruplarına ayrıştırılmaktadır. Sınıflama işlemi yapılırken, her iki aşamada da her grup ve alt grup için o grubu en iyi tanımlayan öznitelikler belirlenmiş ve sınıflamada bu öznitelikler kullanılmıştır. Bu yaklaşımla hem öznitelik vektörlerinin boyutları düşürülerek, başarım üzerindeki olumsuz etkileri azaltılmış, hem de her bir sınıf için o gruba ait öznitelikler kullanılarak sınıflama başarımı arttırılmıştır. Ayrıca, ilk iki aşamada sınıflanamayan vurular 16 aritmi tipine ayırmak için, sisteme üçüncü bir aşama eklenmiştir. Bu aşamada, sınıflandırıcı olarak k-en yakın komşu ve giriş vektörü olarak da ham EKG verisi kullanılarak ilk iki aşamada sınıflanamayan vurular sınıflandırılmıştır. Sunulan sistemlerin başarımları gerçek EEG ve EKG verileri kullanılarak belirlenmiş ve sonuçları tartışılmıştır. In this study, computer based pattern recognition and classification systems are proposed for EEG and ECG patterns which are one dimensional biomedical signals. In the first phase of the study, artificial neural network based automatic recognition system for epileptiform events in EEG is proposed. Recognition process is performed both using single MLP based classifier and using multi-stage classifier. Different methods are used to increase the classification accuracy of the single MLP based system. In the second phase of the study, a novel multi-stage automatic arrhythmia recognition and classification system is proposed. The system performs beat-based classification and classifies 16 different beat types. The first stage of the system classifies five main groups then, in the second stage of the system each main group is classified into subgroups. In both classification stages the best feature set for each main group and subgroup is determined and used in classification process. With this approach, the curse of dimensionality effect is reduced. In addition, selecting and using the most discriminative features for each group increases the classification performance of the system. Furthermore, the third stage is added to the system for classifying beats that are labeled as unclassified beats in the first two classification stages. KNN classifier and raw data as input vector is used in this stage. The performances of the proposed systems are finally evaluated using real EEG and ECG data and results are discussed.