Koroner arter hastalığının destek vektör makineleri ve Gauss karışım modeli ile tespiti

Abstract

Bu çalışmada, koroner arter hastalığının (KAH) gürbüz tespitini gerçekleştirmek amacıyla EKG’deki anomalileri güncel sinyal işleme ve makine ögrenmesi yöntemlerini kullanarak tespit eden bir teknik geliştirilmiştir. Bu amaçla, European ST-T veri tabanındaki geniş bantlı kayıtlar kullanılarak, KAH’ın güvenilir tespiti için kritik olan EKG özniteliklerini elde eden özgün bir öznitelik çıkarım tekniği geliştirilmiştir. Elde edilen öznitelikleri kullanarak, KAH’ın gürbüz tespitini gerçekleştiren destek vektör makinelerine (DVM) ve çekirdek fonksiyonlarına dayalı bir gözetimli öğrenme tekniği geliştirilmiştir. İskemik EKG verilerinin eksik olduğu durumlarda, sadece bazal EKG verilerini kullanarak KAH’ın gürbüz tespitini gerçekleştiren Gauss karışım modeline (GKM) dayalı bir gözetimsiz ögrenme tekniği geliştirilmiştir. KAH’ı temsil eden aykırı değerlerin gürbüz tespitini gerçekleştirmek için Neyman-Pearson tipi bir yaklaşım geliştirilmiştir. Önerilen tekniğin European ST-T veri tabanı üzerindeki başarım sonuçları, tekniğin oldukça güvenilir KAH tespiti sağladığını göstermektedir.

In this study, a technique which detects the anomalies in ECG by using the state-of-the-art signal processing and machine learning methods is developed to perform the robust detection of coronary artery disease (CAD). For this purpose, by using the wideband recordings on European ST-T database, a novel feature extraction technique which obtains ECG features that are critical for the reliable detection of CAD is developed. By using the extracted features, a supervised learning technique based on support vector machines (SVM) and kernel functions which performs the robust detection of CAD is developed. In cases where ischaemic ECG data is missing, an unsupervised learning technique based on Gaussian mixture model (GMM) which performs the robust detection of CAD by using only basal ECG data is developed. A Neyman-Pearson type of approach is developed to perform the robust detection of the outliers that correspond to CAD. The performance results of the proposed technique over European ST-T database show that the technique provides highly reliable detection of CAD.