Akademik Veri Yönetim Sistemi
International Conference on Access to Recent Advances in Engineering and Digitalization (ARACONF 2020), Kayseri, Türkiye, 5 - 07 Mart 2020, ss.430-435
Bu çalışmada gelişmiş harici karşı darbe (External Enhanced Counter Pulsation-EECP) cihazının işaret işleme biriminin
kardiyovasküler dolaşımın diyastol faz başlangıcını hatasız biçimde tespit edebilmesini sağlamak için elektrokardiyogram (EKG)
işaretinin ST parçasının segmentasyonu gerçekleştirilmiştir. EECP cihazı özellikle miyokard iskemisinin non-invazif tedavisinde
kullanılmaktadır. Cihaz (EKG) işaretini analiz etmekte ve kan dolaşımının diyastol fazında hastanın alt uzuvlarına bağlı manşonları
şişirerek haricen basınç uygulamaktadır. Dolaşımın sistol fazında ise manşonlar söndürülerek harici basıncın ortadan kaldırılması
suretiyle sistemik vasküler rezistansın azalması sağlanmaktadır. Bu etki kalbin art yükünün (afterload) düşmesine yol açar. EKG
işaretinin QRS parçası ventrikülün (karıncık) kasılmasını başlatır. Bir başka ifadeyle QRS dalgasının ortaya çıkışından hemen sonra
kalp kasılması yani sistol fazı başlar. T dalgasının ortaya çıkışını takiben ventrikülün kasılması son bulur. Dolayısıyla EECP cihazının
doğru zamanda devreye girmesini sağlamak için ST dalga kompleksinin tespit edilmesi bir zorunluluktur.
Yapılan çalışmada ST segmentasyonu için Physio.net’in sağlamış olduğu MIT-BIH Arrhythmia Database kullanılmıştır. Sisteme
yüklenen işaretler öncesinde ön işleme tabi tutularak gürültülerden ve baseline kaymalarından arındırılmıştır. Gürültü eliminasyonu ve
baseline kayması düzenlenen işaretin P, Q, R, S ve T noktaları tespit edilmiştir. Tespit edilen bu noktalardan P, Q ve R noktalarıyla
birlikte bu noktalarla ilişkili 7 nokta daha giriş işaretlerini oluşturarak 10 girişli ve S, T noktalarını belirleyecek şekilde 2 çıkışlı bir
ara katmanlı bir yapay sinir ağı oluşturulmuştur. Oluşturulan bu yapıda k cross validation (k katlamalı çaprazlama) yöntemi
kullanılmıştır. Sistem eğitiminde sabit eğitim algoritması, farklı k katsayıları, farklı nöron sayıları ve farklı transfer fonksiyonları
kullanılarak en iyi yapı elde edilmeye çalışılmıştır. Sabit olarak seçilen eğitim algoritması Levenberg-Marquardt’dır. Yapılan çalışma
sonucunda k katlama değeri 5 olarak belirlenmiştir. 25 nöronun kullanıldığı gizli katman için logsig tipi transfer fonksiyonu ve çıkış
için poslin tipi transfer fonksiyonu kullanılarak en küçük hatayı veren yapı elde edilmiştir.