Flag Counter
AKILLI SİSTEMLER VE UYGULAMALARI DERGİSİ
JOURNAL OF INTELLIGENT SYSTEMS WITH APPLICATIONS
J. Intell. Syst. Appl.
E-ISSN: 2667-6893
Creative Commons License This work is licensed under a Creative Commons Attribution 4.0 International License.

Feature Extraction of ECG Signals using NI LabVIEW Biomedical Workbench and Classification with Artificial Neural Network

NI LabVIEW Biyomedikal Yazılımı ile EKG İşaretlerinin Öznitelik Çıkarımı ve Yapay Sinir Ağları ile Sınıflandırılması

How to cite: Sayılgan E, Şahin S. Feature extraction of ecg signals using ni labview biomedical workbench and classification with artificial neural network. Akıllı Sistemler ve Uygulamaları Dergisi (Journal of Intelligent Systems with Applications) 2019; 2(1): 34-38. DOI: 10.54856/jiswa.201905056

Full Text: PDF, in Turkish.

Total number of downloads: 657

Title: Feature Extraction of ECG Signals using NI LabVIEW Biomedical Workbench and Classification with Artificial Neural Network

Abstract: In this study, a data set containing normal and different heart beat types recorded by the Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIH) was used for the detection of cardiac dysfunctions. In this data set, features were extracted using the LabVIEW Biomedical Workbench from the normal heartbeat and six different arrhythmia types. Obtained signals were evaluated by using Artificial Neural Network multiple classification method. Classification performances were compared before extracting the feature on the same data set. Classifier performances were evaluated by accuracy, sensitivity and selectivity performances criteria of classification. In the classifier performances, the "Normal" beat rate was found to be 99% accurate with the highest success compared to other arrhythmia types. As a result, both analysis methods are successful, but when the LabVIEW Biomedical Workbench is used, the classification results have achieved higher success.

Keywords: NI LabVIEW biomedical workbench; ECG; feature extraction; artificial neural network


Başlık: NI LabVIEW Biyomedikal Yazılımı ile EKG İşaretlerinin Öznitelik Çıkarımı ve Yapay Sinir Ağları ile Sınıflandırılması

Özet: Bu çalışmada, kalp fonksiyon bozukluklarının tespiti için Massachusetts Teknoloji Enstitüsü - Beth İsrail Hastanesi (MIT-BIH) tarafından kaydedilen normal ve birbirinden farklı kalp atım türlerini içeren veri seti kullanılmıştır. Bu veri setinde mevcut olan normal kalp atımı ve altı farklı aritmi türlerinden LabVIEW Biyomedikal Yazılımı kullanılarak öznitelik çıkarımı yapılmıştır. Elde edilen işaretlere Yapay Sinir Ağı (YSA) sınıflandırma yöntemi ile çoklu sınıflandırma uygulanarak sonuçları incelenmiştir. Aynı veri seti üzerinde öznitelik çıkarımı yapılmadan da sınıflandırma performansları karşılaştırılmıştır. Sınıflandırıcı performansları doğruluk, duyarlılık ve seçicilik sınıflandırma performans ölçütleri ile değerlendirilmiştir. Sınıflandırıcı başarımlarında, "Normal" atım türünün diğer aritmi türlerine kıyasla en yüksek başarıya %99 doğruluk oranına sahip olduğu görülmüştür. Sonuç olarak her iki analiz yönteminin de başarılı olduğu ancak LabVIEW Biyomedikal yazılımı kullanıldığında sınıflandırma sonuçları daha yüksek başarıma ulaşmıştır.

Anahtar kelimeler: NI LabVIEW biyomedikal yazılımı; EKG; öznitelik çıkarımı; yapay sinir ağı


Bibliography:
  • Dokur Z. Classification of ECG beats by using artifical neural networks and genetic algorithms. PhD Thesis, Istanbul Technical University, Istanbul, Turkey, 1999.
  • Golschlager MD, Goldman MJ. Principles of Clinical Electrocardiography. Appleton & Lange, USA, 1989, p. 356.
  • Rangayyan RM. Biomedical Signal Analysis. Wiley-IEEE Press, USA, 2002, pp. 178-179.
  • Moody GB, Mark RG. The MIT-BIH Arrhythmia Database on CD-ROM and software for use with it. In Proceedings Computers in Cardiology, September 23-26, 1990, Chicago, IL, USA, pp. 185-188.
  • Moody GB, Mark RG. The impact of the MIT-BIH arrhythmia database. IEEE Engineering in Medicine and Biology Magazine 2001; 20(3): 45-50.
  • Deshmukh A, Gandole Y. ECG feature extraction using NI LabVIEW biomedical workbench. International Journal of Recent Scientific Research 2015; 6(8): 5603-5607.
  • Duda RO, Hart PE, Stork DG. Pattern Classification. 2nd edition, John Wiley and Sons, New York, NY, USA, 2001.
  • Sayilgan E, Karabiber Cura O, Isler Y. Use of clustering algorithms and extreme learning machine in determining arrhythmia types. In 2017 25th Signal Processing and Communications Applications Conference (SIU), May 15-18, 2017, Antalya, Turkey, pp. 1-4.
  • Oztemel E. Yapay Sinir Aglari. Papatya Yayincilik, Istanbul, Turkey, 2003.
  • Engin M. ECG beat classification using neuro-fuzzy network. Pattern Recognition Letters 2004; 25(15): 1715-1722.
  • Erdogmus P, Pekcakar A. Dalgacik donusumu ile EKG sinyallerinin ozellik cikarimi ve yapay sinir aglari ile siniflandirilmasi. In 5. Uluslararasi Ileri Teknolojiler Sempozyumu (IATS'09), May 13-15, 2009, Karabuk, Turkey, pp. 13-15.
  • Yu S, Chou K. Integration of independent component analysis and neural networks for ECG beat classification. Expert Systems with Applications 2008; 34(4): 2841-2846.
  • Guler I, Ubeyli ED. ECG beat classifier designed by combined neural network model. Pattern Recognition 2005; 38(2): 199-208.
  • Narin A, Isler Y, Ozer M. Comparison of the effects of cross validation methods on determining performances of classifiers used in diagnosing congestive heart failure. Dokuz Eylul University Engineering Faculty Journal of Engineering Sciences 2014; 16(48): 1-8.