DETECTION OF QRS COMPLEX AND CLASSIFICATION OF ELECTROCARDIOGRAM SIGNALS USING COMPUTATIONAL INTELLIGENT ALGORITHMS

Abstract

ABSTRACT

Electrocardiogram (ECG) is a bioelectric signal that records the electrical activity of the heart versus time, and it is frequently used as a diagnostic instrument for evaluating the functions of the heart. In this thesis, the ECG signals were analysed and classified using a new and highly accurate algorithm in MATLAB software. The analysis process comprises four stages: preprocessing, QRS complex detection, extraction of QRS features, and data classification. 823 ECG signals from an arrhythmia database created for research by the MIT-BIH used in this thesis. The dataset was split into two classes as healthy and non-healthy. The QRS complex was detected using the K-means clustering method and tracking local extrema points. The average sensitivity, specificity, and accuracy of detection of QRS points were respectively computed as 97.04%, 92.68%, and 95.81% for R peak value, 91.30%, 95.22%, and 94.02% for Q peak value and 91.65%, 95.05%, and 93.95% for S peak value. Training and test datasets have been created based on 5-fold cross-validation. Decision Tree (DT), Random Forest (RF), and Linear Discriminant Analysis (LDA) algorithms have been utilized to classify the ECG signals. The average sensitivity, specificity, and accuracy of classification of ECG signals are respectively computed as 89.9%, 90.0% and 90.0% for DT, 96.0%, 85.4% and 90.5% for RF, 84.5%, 74.8% and 79.6% for LDA. The highest accuracy and Matthews Correlation Coefficient (MCC) were recorded for RF, while the lowest value of accuracy and MCC were recorded for LDA.

ÖZET

Elektrokardiyogram (EKG), kalbin elektriksel aktivitesini zamana karşı kaydeden bir biyoelektrik sinyaldir ve sıklıkla kalbin işlevlerini değerlendirmek için bir tanı aracı olarak kullanılmaktadır. Bu tezde, MATLAB yazılımında geliştirilen yeni ve yüksek doğrulukla çalışan bir algoritma ile EKG sinyalleri analiz edilmiş ve sınıflandırılmıştır. Analiz işlemleri, ön işleme, QRS yapısı tespiti, QRS yapısının özelliklerinin çıkarılması ve veri sınıflandırması olarak dört aşamadan oluşmaktadır. MIT-BIH tarafından araştırma yapmak için oluşturulan aritmi veri tabanından 823 adet EKG sinyali bu tezde kullanılmıştır. Veri seti, sağlıklı ve sağlıklı olmayan olarak iki sınıfa ayrılmıştır. QRS yapısı, K-ortalamalar kümeleme metodu kullanarak ve yerel ekstrem noktaları izleyerek tespit edilmiştir. QRS noktalarının ortalama duyarlılık, özgüllük ve saptama doğruluğu sırasıyla R tepe değeri için %97.04, %92.68 ve %95.81, Q tepe değeri için %91.30, %95.22 ve %94.02 ve S tepe değeri için% 91.65,% 95.05 ve %93.95 olarak hesaplanmıştır. Eğitim ve test setleri 5 çapraz doğrulama ile oluşturulmuştur. EKG sinyallerini sınıflandırmak için Karar Ağacı (DT), Rastgele Orman (RF) ve Lineer Diskriminant Analizi (LDA) algoritmaları kullanılmıştır. EKG sinyallerinin ortalama duyarlılığı, özgüllüğü ve doğruluğu sırasıyla DT için %89.9, %90.0 ve %90.0, RF için %96.0, %85.4 ve %90.5, LDA için %84.5, %74.8 ve %79.6 olarak hesaplanmıştır. En yüksek doğruluk ve Matthews Korelasyon Katsayısı (MCC) RF için elde edilirken, en düşük doğruluk ve MCC değeri LDA için elde edilmiştir.