Normal ve patolojik kalp ses kayıtlarının zaman-frekans temelli otomatik sınıflandırılması

Kardiyovasküler bozukluklar veya kalp hastalıkları dünyada artan ölümlerin ana sebeplerinden bir tanesidir. Kalp hastalıklarının erken, ucuz ve kolay bir şekilde teşhis edilmesi insanların yaşam süresini arttırmada yardımcı olabilme potansiyeline sahiptir. Son 50 yıldır elektronik stetoskop ile kaydedilebilen, fonokardiyogram (PCG) olarak adlandırılan ve kalbin mekanik davranışı hakkında önemli bilgiler taşıyan kalp sesi işaretlerinden kişinin kalp hastası olup olmadığının tespitine yönelik çok sayıda teşhis destek algoritması geliştirilmiştir. Ancak geliştirilen bu algoritmaların başarımı genelde belirli bir lokasyondan alınan, gürültüsüz ve az sayıda kalp sesi kaydı içeren veri setleri üzerinden test edilmiştir. Bu da farklı lokasyonlardan alınan, gürültülü ve çok fazla sayıda kayıt içeren bir veri seti üzerinden başarımı test edilmiş yüksek performanslı algoritmaların geliştirilmesi gerektiğini gösterir. Bu tez çalışmasında PCG kayıtlarından kişini kalp hastası olup olmadığını tespit eden işaret işleme ve makine öğrenmesi temelli bir örüntü sınıflandırma algoritması geliştirilmeye çalışılmıştır. Geliştirilen algoritmanın başarım performansı 3240 kalp sesi kaydından oluşan bir veri bankası üzerinden test edilmiştir. Bu çalışmada PCG kayıtlarından kalp hastalıklarının teşhis desteğine yönelik önerilen algoritma, önişlem, özellik çıkarma-1, veri seti sınıflandırması, segmentasyon, özellik çıkarma-2, özellik seçme ve nihai sınıflandırma olmak üzere yedi temel aşamadan oluşmaktadır. Önişlem aşamasında PCG kayıtlarındaki sivri uçlar yok edilerek normalizasyon yapılmıştır. Sonraki aşamada kayıtların veri setine göre sınıflandırmaya yarayan sınıflandırıcının eğitilmesinde ve test edilmesinde kullanılan özellikler çıkarılmıştır. Kayıtlar alındıkları veri setine göre sınıflandırılırken karar ağaçları ve AdaBoostM2 algoritması ile oluşturulan sınıflandırıcı metotları topluluğu kullanılmıştır. Böylece, farklı veri setlerine ait veriler için farklı özellik ve sınıflandırıcı kullanılması sağlanmıştır. Algoritmanın segmentasyon aşamasında Springer'in segmentasyon algoritması kullanılarak kayıtlar temel kalp seslerine ayrılmıştır. Özellik çıkarma-2 aşamasında segmentasyonu yapılmış ve yapılmamış işaretlerin zaman, frekans ve zaman-frekans özellikleri çıkarılmıştır. Çıkarılan özellikler özellik seçme aşamasında azaltılmış ve algoritmanın son adımında yer alan sınıflandırıcıların eğitilmesinde ve test edilmesinde kullanılmıştır. Her bir kayıt için iki farklı sınıflandırıcı kullanıldığından kaydın normal veya anormal olduğuna yönelik son karar verilirken beş farklı kural kullanılarak en iyi sonucu veren kural bulunmuştur. En iyi sonucu veren kural bulunduktan sonra bu kural ile başarım performansı doğruluk, duyarlılık ve özgüllük açısında sırasıyla %95.21, %87.22 ve %97.28 olarak elde edilmiştir. Elde edilen bu değerlere göre önerilen algoritmanın performansı literatürdeki benzer çalışmalar ile kıyaslanmış ve önerilen algoritma başarılı bulunmuştur.