EKG İşaretlerinden Çok katmanlı Algılayıcı Sinir Ağı Kullanarak Aritmilerin Tespiti Ersin Ersoy 1 Mahmut Hekim 2 1 Gaziosmanpaşa Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Mekatronik Mühendisliği Bölümü 2 Gaziosmanpaşa Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Elektrik-Elektronik Mühendisliği Bölümü 1 ersin.ersoy@mfa.gov.tr 2 mahmut.hekim@gop.edu.tr Özet Bu çalışmada, kalbin durumu ve işleyişi hakkında bilgi veren EKG (Elektrokardiyogram) işaretleri zamansal sınırlara dayalı olarak segment ve dalgalara bölümlenmiş ve her bir bölümün özellik vektörü temel istatiksel parametrelerden biri olan aritmetik ortalama yardımıyla elde edilmiştir. Elde edilen bu özellik vektörleri çok katmanlı algılayıcı sinir ağı (ÇKASA) modeline giriş olarak kullanılarak kalpte meydana gelen aritmiler (ritim bozuklukları) tespit edilmiştir. Bu amaç için, EKG işaretleri 10 dakikalık eşit uzunluklu bölümlere ayırılmıştır. Bu bölümler her segment ve dalga aralığı için kabul edilen zamansal sınırlamalara göre aritmiler hakkında bilgi veren alt-bölümlere (segment ve aralıklara) ayrılmış ve her bir aralığın aritmetik ortalamaları aritmi tespiti için ÇKASA modeline giriş olarak kullanılmıştır. Sonuç olarak, önerilen yaklaşımın EKG işaretlerinden aritmi tespitinde yüksek sınıflandırma doğruluk oranlarına ulaştığı gösterilmiştir. EKG işaretleri kalbin bölümlerinin kasılması ve gevşemesi esnasında oluşan elektriksel işaretlerdir. Bu işaretler yardımıyla kalbin işleyişi hakkında bilgi edinilebilir. 12 derivasyonlu EKG işaretinde P, Q, R, S, T dalgaları ve PR, QRS, ST, QT, RR aralıkları bulunur. Bu dalgaların ve aralıkların konumları ve sürelerine göre aritmiler hakkında teşhis konulabilmektedir. İşaretlerde altı farklı QRS kompleksleri gözlenir ve her derivasyonda QRS kompleksinin tüm bölümleri görülmeyebilir. Bu yüzden, QRS kompleksi genel bir adlandırmadır [1]. Şekil 1 EKG ölçüm parametrelerini göstermektedir. 1. Giriş Aritmi (ritim bozukluğu) anormal kalp atışları gösteren bir hastalık türüdür ve bu tür anormal kalp atışları kan basıncında artma veya azalmaya yol açabilir ve felç, inme veya hatta ölüme neden olabilir. Kardiyak aritmiler kalbin elektriksel davranışındaki anormallik veya bozukluklardır. Bu bozukluklar kalp atış hızı ve ritmindeki anormallik olarak adlandırılan aritmiye yol açar. Aralıkların periyodik oluşmaması veya başlangıç ve bitiş sürelerinin belirli değerlerden uzun veya kısa olması aritmi belirtisidir. EKG (Elektrokardiyogram) ölçümlerinde bu tür aritmiler gözlemlenen dalga biçimindeki deformasyonlar veya düzensizlikler olarak kendiliğinden tezahür eder. Aritmiler genel olarak üç sebepten dolayı ortaya çıkmaktadır: psikiyatrik sebepler, fiziksel ve duygusal strese bağlı sebepler ve kardiyak sebeplerdir [1, 2]. Şekil 1: EKG ölçüm parametreleri. EKG işaretlerin sınıflandırılmasında ve hastalık teşhisinde yapay sinir ağı (YSA) modelleri yaygın olarak kullanılmaktadır. YSA, birden fazla nöron adı verilen hücrenin birbirine bağlanması ile oluşur. YSA modelleri kendilerine verilen örneklerin girdileri ve çıktıları arası ilişkileri tespit edebilen, bu ilişkileri öğrenebilen, elde ettiği sonuçlar üzerinden genelleme yapabilen bir yapay zeka yaklaşımıdır. Çok katmanlı algılayıcı sinir ağı (ÇKASA) modeli kullanım kolaylığı ve işaretlerin sınıflandırılmasındaki yüksek başarı oranlarından dolayı yaygın olarak kullanılan bir YSA modelidir. EKG işaretlerinden aritmilerin tespiti için birçok YSA temelli yaklaşım kullanılmıştır: kalp aritmi olan hastaların tedavi 280
süreçlerini desteklemek amaçlı makine öğrenmesine dayalı bir sistemin geliştirilmesi [1], YSA kullanılarak EKG işaretlerinde otomatik kardiyak aritmi tespiti [2], geniş QRS taşikardili hastalarda A-V disosiasyon saptamada standart EKG ile lewis EKG nin karşılaştırılması [3], EKG analizinde bulanık destek vektör makinesi yaklaşımı [4], EKG vurularının GAL (Grow and Learn) ağı yardımıyla sınıflandırılması [5], YSA ve genetik algoritmalar kullanılarak EKG vurularının sınıflandırılması [6] vb. Bu çalışmada, kalbin durumu ve işleyişi hakkında bilgi veren EKG işaretleri zamansal sınırlara dayalı olarak segment ve dalgalara bölümlenmiş ve her bir bölümün özellik vektörü temel istatiksel parametrelerden biri olan aritmetik ortalama yardımıyla elde edilmiştir. Elde edilen özellik vektörleri ÇKASA modeline giriş olarak kullanılarak kalpte meydana gelen aritmiler tespit edilmiştir. Bu amaç için, EKG işaretleri 10 dakikalık eşit uzunluklu bölümlere ayırılmıştır. Bu bölümler her segment ve dalga aralığı için kabul edilen zamansal sınırlamalara göre aritmiler hakkında bilgi veren alt-bölümlere (segment ve aralıklara) ayrılmış ve her bir aralığın aritmetik ortalamaları aritmi tespiti için ÇKASA modeline giriş olarak kullanılmıştır. Sonuç olarak, önerilen yaklaşımın EKG işaretlerinden aritmi tespitinde yüksek sınıflandırma doğruluk oranlarına ulaştığı gösterilmiştir. 2. Materyal ve Yöntem 2.1. EKG işareti EKG işareti olarak physionet ECG databases veri tabanı kullanılmıştır. Sağlıklı EKG işareti için MIT-BIH Normal Sinus Rhytm Database [7], aritmi işareti için MIT-BIH Arrhythmia Database kullanılmıştır [8]. Şekil 2 sağlıklı ve aritmi EKG işaretlerinden örnek olarak alınan 10 sn lik segmentleri göstermektedir. Şekil 3: EKG işareti için ölçütler. Şekil 3'te görüldüğü gibi, EKG işareti, her bir kalp atışıyla ilişkili P, QRS ve T dalgasının yinelemeli bir dalga dizisiyle karakterize edilir. Ventriküler depolarizasyon ve atriyal tekrar kutuplaşma (repolarization) ile oluşan QRS kompleksi en dikkat çekenidir. QRS komplekslerinin pozisyonları bulunur bulunmaz, bütünüyle kardiyak periyodunu analiz etmek için P, T dalgaları ve QT, ST segmenti vd. gibi EKG nin diğer dalgalarının lokasyonları QRS komplekslerinin pozisyonuna göre saptanır. EKG işaretlerindeki aralıkların zamansal olarak bazı özellikleri vardır: P dalgası: Bu dalganın ilk bölümünü sağ atriyumun depolarizasyonu, ikinci bölümünü ise sol atriyumun depolarizasyonu oluşturur. Normal olarak, hangi derivasyon söz konusu olursa olsun P dalgasının genişliği 0,11 sn den küçüktür [9]. a) Sağlıklı (sinüs) EKG işaret örneği. PR aralığı: P dalgasının başlangıcı ile QRS kompleksinin başlangıcı arasındaki sürenin ölçülmesiyle elde edilir. Erişkinlerde, PR aralığı için normal değer 0.12-0.20 saniyedir [9]. b) Aritmi EKG işaret örneği. Şekil 2: EKG işareti (10 sn). Şekil 3 sağlıklı bir insanın EKG işaretinde gözlenen dalgaların P, Q, R, S, T tepelerini ve PR, QRS, ST, QT aralıklarını göstermektedir. QRS kompleksi: Q dalgası P dalgasından sonraki ilk negatif dalgayı, R dalgası ilk pozitif dalgayı, S dalgası ise R den sonraki negatif dalgayı ifade eder. Farklı olarak 0,04 sn nin altındadır ve toplam QRS süresinin % 25 ini aşmaz. QRS kompleksinin süresi maksimum 0,11 sn dir [9]. 281
ST segmenti: ST segmenti, QRS kompleksinin sonlandığı J jonksiyon noktası ile T dalgasının başlangıcını birleştiren aralıktır. Süresi kalp hızıyla ters orantılı olarak değişkenlik gösterir ve 0 ile 0,15 sn arasındadır [9]. 2.2. EKG işaretlerinden zamansal aralıkların hesabına dayalı özellik çıkarımı Pan-Tompkins algoritmasının ilk aşaması EKG işaretlerindeki gürültüyü süzmek için bant geçiren filtre uygulamaktır. Şekil 5 bant geçiren filtre ile gürültüsü azaltılmış işaretin 10 sn lik kısmını göstermektedir. T dalgası: Ventriküllerin tekrar kutuplaşmasını yansıtır. Erişkinlerde normal T dalgasının süresi 0,10-0,25 sn dir. RR aralığı: İki R noktası arasındaki mesafedir. QT aralığı: QRS kompleksinin başlangıcından T dalgasının bitimine kadar olan sürenin ölçümüyle belirlenir. Kalp hızına göre düzeltilmiş QT aralığı QTc olarak ifade edilir. QTc, QT süresinin RR süresinin kareköküne bölünmesiyle hesaplanır (Bazett Formülü). Bazett formülüne göre hesaplanan düzeltilmiş QT aralığının (QTc_B) üst sınırı 0,44 sn dir ve Eşitlik 1 ile hesaplanır: QTB = QT RR Burada, QTc_B Bazett formülü kullanılarak hesaplanan düzeltilmiş QT aralığını gösterir. (1) Şekil 5: Bant geçiren filtre ile filtrelenmiş EKG işareti. Pan-Tompkins algoritmasında kullanılan bant geçiren filtre alçak geçiren ve yüksek geçiren filtreler ile elde edilmiştir Yüksek geçiren filtre için örnekleme frekansı 200 Hz kesim frekansı 11 Hz, kayma miktarı 5 örnek yani 25msn dir. Yüksek geçiren filtrenin kesim frekansı 200 Hz örnekleme frekansı 5 Hz kayma miktarı 16 örnek yani 80 msn dir [11-12]. Türev alma aşamasında, QRS nin belirginleşmesi ve düşük frekanslı bileşenlerin bastırılması için filtrelenen EKG işareti türev alıcıya uygulanmıştır ve aşağıdaki şekilde gösterilen alçak frekans bileşenlerinden arındırılmış EKG işareti elde edilmiştir: Bu çalışmada, EKG işaretlerinin P, PR, QRS, QT, ST, T ve RR aralıklarının aritmetik ortalama temelli özellik vektörleri R noktasına olan zamansal mesafesi kullanılarak hesaplanmıştır. EKG işaretindeki R noktasının tespiti için Pan-Tompkins algoritması kullanılmıştır. Pan-Tompkins algoritması beş aşamadan oluşmaktadır: bant geçiren filtre, türev alıcı, kare alıcı, kayan pencere integrasyonu ve eşik ayarlama [10]. Şekil 4 te ham 10 sn lik sağlıklı EKG işareti görülmektedir. Şekil 6: Türev filtresi uygulanmış EKG işareti. Son olarak, Şekil 7 de görüldüğü gibi, kare alıcı ve kayan pencere integrasyonu ile yumuşatma işlemi geçekleştirilir [2]. Şekil 4: Sağlıklı EKG işareti. 282
Adım 2. QRS aralığı: Q aralığı toplam QRS nin %25 ini geçemez ve QRS nin toplam süresi 0,11 sn yi aşamaz. Ayrıca Q<0,04 sn olmalıdır. R noktasının QRS bloğunun ortası olduğu varsayılırsa, Şekil 7: Karesi alınmış EKG işareti. Şekil 8 Pan-Tompkins algoritması kullanılarak tespit edilen QRS noktalarını göstermektedir. QRS yarım : QRS dalgasının zamansal olarak yarısıdır. R yarım : R dalgasının zamansal olarak yarısıdır. QRS yarım = 0,11/2 = 0,055. Q= 0,11/4 = 0,0275 olur. ( Q<0,04 şartına da uygundur). R yarım =QRS yarım Q ise R yarım = 0,055-0,0275 = 0,0275. R=2R yarım = 0,055 ve S=QRS S R ise S = 0,0275 olur. Adım 3. Aralıkların R noktasına zamansal uzaklıkları: a) Pan-Tompkins algoritması ile filtrelemiş EKG işareti üzerinde tespit edilmiş QRS noktaları. P baslangıç : P dalgası başlangıç noktasının R noktasına olan P bitis : P dalgası bitiş noktasının R noktasına olan uzaklığı. PR başlangıç : PR aralığı başlangıç noktasının R noktasına olan PR bitiş : PR aralığı bitiş noktasının R noktasına olan zamansal uzaklığı. b) Normal EKG işareti üzerinde gösterilmiş QRS noktaları. Şekil 8: QRS noktalarının tespit edilmesi. Bu çalışmada, Şekil 8 de görüldüğü gibi QRS segmentindeki R noktaları tespit edildikten sonra, EKG işaretindeki dalgaların zamansal aralıklarına göre işaret grupları oluşturulmuş ve tespit edilen R noktalarına olan zamansal mesafelerin ortalamaları aşağıdaki şekilde hesaplanmıştır: Adım 1. RR aralıklarındaki sapma: İşaretteki tüm RR noktalarının ortalaması (RR ort ) hesaplanmış, her RR bloğu mesafesinin hesaplanan ortalamadan ne kadar fark olduğu bulunmuştur. Çıkan farkın düşük olması R noktalarının periyodik olarak devam ettiğini gösterir. Çıkan fark büyük ise R noktaları düzenli zaman aralıkları ile oluşmadığı anlamına gelmektedir. RR aralığı sapmalarının ortalamaları aşağıdaki Eşitlik 2 ile hesaplanır. RR sapma = RR son RR i RR ort i=1 (2) RR sayisi Burada, RR ort işaretteki tüm RR aralıklarının ortalamasını, RR sayısı tüm RR aralıklarının sayısını ve RR sapma tüm RR aralıklarının hesaplanmış RR ort değerine olan farkının ortalamasını gösterir. Q baslangıç : Q aralığı başlangıç noktasının R noktasına olan S bitiş : S aralığı bitiş noktasının R noktasına olan zamansal uzaklığı. ST başlangıç : ST segmenti başlangıç noktasının R noktasına olan ST bitiş : ST segmenti bitiş noktasının R noktasına olan T başlangıç : T dalgası başlangıç noktasının R noktasına olan T bitiş : T dalgası bitiş noktasının R noktasına olan zamansal uzaklığı. QTc başlangıç : Düzeltilmiş QT aralığı başlangıç noktasının R noktasına olan QTc bitiş : Düzeltilmiş QT aralığı bitiş noktasının R noktasına olan R yarım : R dalgası genişliğin zamansal olarak yarısı. 283
QTc başlangıç = Q bitiş Adım 4. P aralığı: QTc bitiş = QTc - R yarım P bitiş = PR + QR ise 0,2 + 0,055 = 0,255 sn. P bitiş = P başlangıç 0,10 = 0,155 sn. Yukarıda örnek olarak gösterilen işlem adımlarına göre tüm dalgaların ve aralıkların ortalamaları hesaplanmıştır. Hesaplamada 90 adet aritmi gözlemlenmiş ve 90 adet normal sinüs ritmi gözlenmiş toplam 180 adet işaret segmenti kullanılmıştır. Adım 5. PR aralığı: PR başlangıç = P başlangıç PR bitiş = PR başlangıç 0,2 = 0,055 sn. Adım 6. QRS aralığı: Q başlangıç = 0,55 sn 2.3. ÇKASA modelinin oluşturulması ve eğitilmesi Bir ÇKASA modeli ardışık üç katmandan oluşur: giriş katmanı, gizli katman ve çıkış katmanı. Giriş katmanındaki nöron sayısı kullanılan özellik sayısına eşittir. Çıkış katmanındaki nöron sayısı da istenilen özellikleri gösterir. Kullanılan gizli katmanlar ağın yeteneğini artırmak için isteğe bağlı olarak artırılıp azaltılabilir. Gizli katman sınıflayıcı olarak çalışır ve giriş katmanındaki değerleri çıkış katmanına sonuç olarak iletir. Gizli katmandaki nöron sayısının artırılması ağın yeteneğini artırdığı gibi çalışma süresini olumsuz etkileyebilir [13]. Şekil 11 bir ÇKASA modelinin blok diyagramını göstermektedir. S bitiş = 0,55 sn Adım 7. ST segment uzunluğu: ST başlanıgıç = S bitiş ST bitiş = ST başlangıç + 0,15 ise ST bitiş = 0,205 sn. Adım 8. T aralığı: T başlangıç = ST bitiş T bitiş = T başlangıç + 0,25 ise T bitiş = 0,455 sn. Adım 9. QTc aralığı: QTc aralığı Bazett formülüne göre hesaplanır. Şekil 11: ÇKASA sınıflayıcı modeli. Şekil 11 de görüldüğü gibi, EKG işaretlerinden aritmi tespiti için gizli katmanında 10 adet nöron bulunan ÇKASA modeline P ort, PR ort, QRS ort, ST ort, T ort, QT ort ve RR ort olmak üzere 7 adet özellik vektörü giriş olarak kullanılmıştır. Aktivasyon fonksiyonu olarak tanjant-hiperbolik aktivasyon fonksiyonu seçilen sınıflayıcı model Levenberg Marquardt (LM) geri-yayılım algoritmasıyla eğitilmiştir. Sınıflayıcı model 100 defa çalıştırılmıştır ve nihai sonuç elde edilen sınıflandırma başarılarının ortalaması alınarak hesaplanmıştır. Eğitim için 90 adet sağlıklı işarete ait özellik vektörü ve 90 adet aritmi işaretine ait özellik vektörü sınıflayıcı modele uygulanmıştır. Sınıflayıcının genelleştirilmiş başarısını ölçmek için rastgele örnek seçimine dayalı 10-parçalı çapraz geçerlik ölçütü kullanılmıştır. Bu yöntemde, elde edilen özellik vektörleri eğitim, geçerlik ve test verisi olmak üzere üç gruba rasgele olarak dağıtılmaktadır. Eğitim verisi tüm 284
verinin %70 ini içerecek (126 örnek), geçerlik ve test verisi ise %15 ini içerek (54 örnek) şekilde seçilmiştir. Modelin geçerlik verisindeki başarısı en yüksek seviyeye ulaştığı zaman eğitime son verilmiştir. Son olarak, modelin nihai doğru sınıflandırma başarısı test verisi üzerinde istatistiksel ölçütler yardımıyla değerlendirilmiştir. Bu değerlendirme için en temel ölçütler, belirlilik, duyarlılık ve toplam sınıflandırma doğruluğu ölçütleridir. Belirlilik ölçütü, DP olarak sınıflandırılan birey sayısının gerçekte pozitif sınıfındaki birey sayısına (DP+YN) oranı, Duyarlılık ölçütü ise DN olarak sınıflandırılan birey sayısının gerçekte negatif sınıfındaki birey sayısına (DN+YP) oranı ve toplam doğru sınıflandırma (TDS) ölçütü ise doğru sınıflandırılan birey sayısının (DP+DN) toplam birey sayısına (DP+DN+YP+YN) oranıdır: %93,3 lük bir Belirlilik oranı, %100 lük bir Duyarlılık oranı ve %96,3 lük bir TDS oranı hesaplanmıştır. Bu da sınıflayıcının yüksek başarı oranlarına sahip olduğunu göstermektedir. Şekil 12, EKG işaretlerinden aritmi teşhisi için gerçekleştirilen sınıflandırma deneyinin ROC analiz eğrisini göstermektedir. 1 ROC Eğrisi 0.8 Belirlilik = Duyarlılık = DP DP+YN DN DN+YP (3) (4) Duyarlılık 0.6 0.4 0.2 TDS = DP+DN DP+DN+YP+YN Burada, DP (Doğru Pozitif) doğru sınıflandırılan aritmi teşhisi konulan bireylerin sayısını, DN (Doğru Negatif) doğru sınıflandırılan aritmi olmayan bireylerin sayısını, YP (Yanlış Pozitif) yanlış olarak aritmi tespit edilen ancak aritmi olmayan bireylerin sayısı ve YN (Yanlış Negatif) ise yanlış olarak aritmi olmadığı tespit edilen ancak aritmi olan bireylerin sayısını gösterir. Örnek veri sayılarının sınıf bazındaki dağılımlarının çok farklı olması ve başarının yüksek olması durumunda başarı değerlendirmesi yapabilmek için karışıklık matrisi ve ROC eğrisi analizi kullanılmaktadır [13-15]. Önerilen modelin EKG işaretlerini sınıflandırması sonucunda elde edilen karışıklık matrisi Tablo 1 de gösterilmektedir. Tablo 1: Aritmi teşhisi için karışıklık matrisi. Sınıf Negatif (Sağlam) Pozitif (Aritmi) Negatif (Sağlam) 14 (DP) 0 (YN) Pozitif (Aritmi) 1 (YP) 12 (DN) Tablo1 den görüldüğü gibi, önerilen yaklaşımda aritmi teşhisi için yanlış sınıflandırma yapılmamakla birlikte, aritmi olmayan sağlıklı birey için çok düşük de olsa bir yanlış sınıflandırma yapılabilmektedir. Eşitlik 3, 4 ve 5 kullanılarak (5) Şekil 12: Sınıflandırmanın ROC analiz eğrisi. Şekil 12'de görüldüğü gibi, ROC eğrisi analizine göre, önerilen yaklaşım aritmi teşhisinde kabul edilebilir sınıflandırma yeteneğine sahiptir. Buna göre, ROC eğrilerinin altında geniş alanlar göstermesi yüksek belirlilik ve duyarlılığa sahip bir sınıflayıcı model olduğunu göstermektedir. 3. Sonuçlar EKG işaretlerinde aritmi tespiti için, zamansal segment ve dalgalara bölümlenen işaretlerden aritmetik ortalama yardımıyla elde edilen özellik vektörlerinin bir ÇKASA modeline giriş olarak kullanıldığında yüksek sınıflandırma başarı oranlarına ulaşılmıştır. EKG işaretlerinin 10 dakikalık eşit uzunluklu bölümlere ayırılan parçalara ait segment ve dalga aralıklarının aritmi tespitinde önemli bir özellik vektörü olduğu gösterilmiştir. Sonuç olarak, segmentlere ayrıştırılan EKG işaretlerinin dalga aralıklarının istatistiksel özelliklerinin YSA temelli bir sınıflayıcı modeline uygulanmasıyla yüksek sınıflandırma doğruluk oranlarıyla aritmi tespitinin yapılabilmesi önemli bir bulgudur. 4. Kaynaklar 0 0.067 0.2 0.4 0.6 0.8 1 1-Belirlilik [1] Aydın, F., "Kalp aritmi olan hastaların tedavi süreçlerini desteklemek amaçlı makine öğrenmesine dayalı bir sistemin geliştirilmesi", Trakya Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği, 2011. [2] Gümüş, B. ve Yazgı, S., "Yapay sinir ağı kullanılarak elektrokardiyogram işaretlerinde otomatik kardiyak aritmi tespiti", Elektrik-Elektronik-Bilgisayar ve 285
Biyomedikal Mühendisliği 13. Ulusal kongresi, Ankara, 23-26 Aralık 2009. [3] Aksu, U., "Geniş QRS taşikardi li hastalarda A-V disosiasyon saptamada standart EKG ile lewis EKG nin karşılaştırılması", Atatürk Üniversitesi Tıp Fakültesi Kardiyoloji Anabilim Dalı, 2014. [4] Özcan, N., "EKG analizinde bulanık destek vektör makinesi yaklaşımı", Boğaziçi Üniversitesi Sistem ve Kontrol Mühendisliği, 2010. [5] Korüeki M., Metin, S. Elektrokardiyogram Vurularının GAL (Grow and Learn) Ağı Yardımıyla Sınıflandırılması, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2002. [6] Dokur, Z., Yapay Sinir Ağları ve Genetik Algoritmalar Kullanılarak EKG Vurularının Sınıflandırılması, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Anabilim Dalı,İstanbul,1999. [7] Physionet, normal sinus ritmi veritabanı "http://www.physionet.org/physiobank/database/nsrdb/", 2000. [8] Physionet, Aritmi veritabanı, "http://www.physionet.org/physiobank/database/mitdb/", 2000. [9] İlerigelen, B. ve Mutlu, H., EKG kurs kitapçığı, Cerrahpaşa Tıp Fakültesi Sürekli Tıp Eğitim Teknikleri, http://www.ctf.edu.tr/stek/ekg_kurs_kitap.pdf. [10] Pingale, S.L. ve Daimiwal, N., "Detection of various diseases using ECG signal in Matlab", International Journal of Recent Technology and Engineering. ISSN: 2277-3878, 2014. [11] Indik, J.H., Pearson, E.C., Fried, K. ve Woosley, R.L., "Bazett and Fridericia QT correction formulas interfere with measurement of drug-induced changes in QT interval", Sarver Heart Center, University of Arizona College of Medicine, Tucson, Arizona, 2006. [12] Pan, J. ve Tompkins, W.J., "A Real-Time QRS Detection Algorithm" IEEE Transactions on Biomedical Engineering, BME-32 (3), 230-236, 1985. [13] Bishop, C.M., Neural Networks for Pattern Recognintion, Oxford University Press, Inc. New York, NY, USA 1995. [14] Gardner, M.W. ve Dorling, S.R., "Artificial neural networks (the multilayer perceptron) a review of applications in the atmospheric sciences", School of Environmental Sciences, University of East Anglia, Norwich, Norfolk NR4 7TJ, 1998. [15] Hekim, M., Orhan, U., ve Özer, M., "Eşit genişlikli ayrıklaştırma yöntemine dayalı yeni bir özellik çıkartma yaklaşımı ve yapay sinir ağı kullanarak epileptik atak tespiti", Gazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 26 (3), 575-580, 2011. 286