Ekg Sinyallerinin Kaba Kümeler Teorisi Kullanılarak Sınıflandırılması

Abstract

Kaba kümeler teorisi (KKT), bulanık kümeler gibi uzman sistemler için analiz ve bilgi çıkarımında kullanılan kural tabanlı bir yöntemdir. Kaba kümeler eksik, tutarsız ve belirsiz veri kümelerini düzenleyerek değerlendirme için uygun hale getirmektedir. Bu çalışma EKG sinyallerini, kaba kümeler teorisi tabanlı yeni bir modele göre sınıflandırmayı önerir. Eksik, gereksiz ve tutarsız veri kümeleri günümüzde en çok hastalık verilerinde karşımıza çıkmaktadır. Bu veri kümelerinden doğru kural çıkarmak veya bu veri kümelerini doğru sınıflandırmak, hastalık teşhisinde son derece önemlidir. EKG sinyallerinin verilerinin bulunduğu veri kümesine öngörülen modelin uygulanması, sınıflandırmada çalışma zamanında iyileştirmeyi sağlamıştır. Ayrıca bu çalışma ile en az parametre kullanarak, doktorların daha hızlı ve erken teşhisine yardımcı olacak bir model oluşturulmuştur. Bu model ile EKG sinyalleri % 85 yakın bir doğruluk ile sınıflandırılmıştır.

Rough sets theory (RST) is a rule-based method used for the analysis and data mining in expert systems such as fuzzy sets. Rough sets organize data sets with missing, inconsistent and ambiguous data and make them suitable for analysis and evaluation. This paper proposes a new rough sets theory -based model for the classification of EKG signals. Missing, unnecessary and inconsistent data sets are encountered mostly in patient data. For correct diagnosis, it is very important to correctly classify and extract rules from these data sets. The application of the proposed method to a data set containing EKG signals improves the running time performance of classification. Additionally, the proposed method requires minimal number of parameters and can be used as an aid for doctors for faster and early diagnosis. EKG signals are classified correctly up to 85% by this model.