Detection of myocardial infarction using autonomic nervous system, Gaussian mixture model and artificial neural network

buir.contributor.authorTerzi, Merve Begüm
buir.contributor.authorArıkan, Orhan
buir.contributor.orcidArıkan, Orhan|0000-0002-3698-8888
dc.contributor.authorTerzi, Merve Begüm
dc.contributor.authorArıkan, Orhan
dc.coverage.spatialAntalya, Turkeyen_US
dc.date.accessioned2021-03-08T10:54:51Z
dc.date.available2021-03-08T10:54:51Z
dc.date.issued2020
dc.departmentDepartment of Electrical and Electronics Engineeringen_US
dc.descriptionDate of Conference: 19-20 November 2020en_US
dc.descriptionConference Name: 2020 Medical Technologies Congress, TIPTEKNO 2020en_US
dc.description.abstractIn this study, a new technique which detects anomalies in skin sympathetic nerve activity (SKNA) and ECG by using state-of- the-art signal processing and machine learning methods is developed to perform the robust detection of myocardial infarction (MI). For this purpose, a signal processing technique that simultaneously obtains SKNA and ECG from wideband recordings on PTB-EKG database is developed. By using preprocessed data, a novel feature extraction technique which obtains SKNA features that are critical for the reliable detection of MI is developed. By using extracted features, a supervised learning technique based on artificial neural network (ANN) and an unsupervised learning technique based on Gaussian mixture model (GMM) are developed to perform the robust detection of SKNA anomalies. A Neyman-Pearson type of approach is developed to perform the robust detection of outliers that correspond to MI. The performance results of the proposed technique over PTB-EKG database showed that the technique provides highly reliable detection of MI by performing the robust detection of SKNA anomalies. Therefore, in cases where the diagnostic information of ECG is not sufficient for the reliable diagnosis of MI, the proposed technique can provide early diagnosis of the disease, which can lead to a significant reduction in the mortality rates of cardiovascular diseases.en_US
dc.description.abstractBu çalışmada, miyokard enfarktüsünün (ME) gürbüz tespitini gerçekleştirmek amacıyla cilt sempatik sinir aktivitesindeki (CSSA) ve EKG’deki anomalileri güncel sinyal işleme ve makine öğrenmesi yöntemlerini kullanarak tespit eden yeni bir teknik geliştirilmiştir. Bu amaçla, PTB-EKG veri tabanındaki geniş bantlı kayıtlardan eş zamanlı olarak CSSA’yı ve EKG’yi ön plana çıkaran bir sinyal işleme tekniği geliştirilmiştir. Ön işleme sonucu elde edilen veriler kullanılarak, ME’nin güvenilir tespiti için kritik olan CSSA özniteliklerini elde eden özgün bir öznitelik çıkarım tekniği geliştirilmiştir. Elde edilen öznitelikleri kullanarak, CSSA anomalilerinin gürbüz tespitini gerçekleştiren yapay sinir ağına (YSA) dayalı bir gözetimli öğrenme tekniği ve Gauss karışım modeline (GKM) dayalı bir gözetimsiz öğrenme tekniği geliştirilmiştir. ME’yi temsil eden aykırı değerlerin gürbüz tespitini gerçekleştirmek için Neyman-Pearson tipi bir yaklaşım geliştirilmiştir. Önerilen tekniğin PTBEKG veri tabanı üzerindeki başarım sonuçları, tekniğin CSSA anomalilerinin gürbüz tespitini gerçekleştirerek, oldukça güvenilir ME tespiti sağladığını göstermektedir. Bu nedenle, ME’nin güvenilir teşhisi için EKG’nin sağladığı tanısal bilginin yeterli olmadığı durumlarda, önerilen teknik kullanılarak ME’ye erken tanı konulabilir ve kardiyovasküler hastalıkların mortalitesinde belirgin azalma sağlanabilir.
dc.identifier.doi10.1109/TIPTEKNO50054.2020.9299275en_US
dc.identifier.eisbn9781728180731
dc.identifier.eissn2687-7783
dc.identifier.isbn9781728180748
dc.identifier.issn2687-7775
dc.identifier.urihttp://hdl.handle.net/11693/75885
dc.language.isoTurkishen_US
dc.publisherInstitute of Electrical and Electronics Engineersen_US
dc.relation.isversionofhttps://dx.doi.org/10.1109/TIPTEKNO50054.2020.9299275en_US
dc.source.titleTIPTEKNO 2020 - Tıp Teknolojileri Kongresi - 2020 Medical Technologies Congress, TIPTEKNO 2020en_US
dc.subjectCardiologyen_US
dc.subjectNeurologyen_US
dc.subjectSignal processingen_US
dc.subjectArtificial intelligenceen_US
dc.subjectMachine learningen_US
dc.subjectAnomaly detectionen_US
dc.subjectKardiyolojien_US
dc.subjectNörolojien_US
dc.subjectSinyal işlemeen_US
dc.subjectYapay zekaen_US
dc.subjectMakine öğrenmesien_US
dc.subjectAnomali tespitien_US
dc.titleDetection of myocardial infarction using autonomic nervous system, Gaussian mixture model and artificial neural networken_US
dc.title.alternativeMiyokard enfarktüsünün otonom sinir sistemi, Gauss karışım modeli ve yapay sinir ağı ile tespitien_US
dc.typeConference Paperen_US

Files

Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
Detection_of_myocardial_infarction_using_autonomic_nervous_system_Gaussian_mixture_model_and_artificial_neural_network.pdf
Size:
351.26 KB
Format:
Adobe Portable Document Format
Description:
View / Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: