Modelden bağımsız yöntemler kullanılarak EEG ve EKG içindeki anormal örüntülerin çok katlı sınıflandırılması

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.