In this thesis, it is aimed to design a wearable device which can follow up activities via real time heart beats such as sitting, walking and running; and also aimed to obtain highly discriminative features of normal, right bundle branch block (RBBB), left bundle branch block (LBBB) and paced heart rhythms which were downloaded from MIT-BIH database. Arrhythmia classification by using discrete wavelet transform (DWT) features can be considered in three different parts. In the first study, four arrhythmias were classified with neural network (NN) by 16 statistical features extracted from DWT coefficients of a single wavelet and 32 features extracted from two different wavelets. It has been observed that, the most successful 32 Features extracted from two wavelets among others performed greater classification accuracy compared to a single wavelet.Then, a genetic algorithm (GA) has been used in order to classify arrhythmia beats using high accuracy discriminative features which have been investigated using various wavelets having combinations of detail coefficients within different levels. In this proposed DWT method, a pool has been formed using features of various wavelets. The 16 features has been chosen by GA which exhibited the greatest accuracy rate. The accuracy rate of the NN has been used as the fitness function and is tried to be maximized.Multi-objective GA (MOGA) is also another approach to select suitable features for detecting heart signal arrhythmia types characteristics clearly. In this approach, selection has been done by reduction of criteria to one scale within the feature pool. Accuracy rate and root mean square error of NN and number of features have been used in the process of fitness function evaluation. Smallest feature set, with highest accuracy rate and least error has been searched by using three criteria instead of one, by a GA with multi-objective approach.A simulation has been conducted to test features obtained by different methods. Multi-layer perceptron (MLP) training outputs of; 32 features from NN, 16 features selected from GA and 48 features chosen by GA with multi-objective approach have been studied on. Arrhythmia type was identified with trained MLP by selecting one of the specified feature sets using the developed graphical user interface. A compact circuit design has been implemented in order to investigate real-time heart beats. The movement data and related heart beat are acquired by an accelerometer and the signals are transmitted with a bluetooth module via a microprocessor to interface program wirelessly.

Bu çalışmada MIT-BIH veri tabanından elde edilen normal, sağ dal bloğu, sol dal bloğu ve pace ritimlerine ait kalp vuruları verisi kullanılarak ayrıştırıcılığı yüksek özniteliklerin bulunması ve kalp sinyallerinin gerçek zamanlı alınmasıyla, aktivite takibi yapabilen, giyilebilir bir cihaz tasarımı hedeflenmiştir.Kesikli dalgacık dönüşümü (KDD) öznitelikleri ile aritmi sınıflandırma çalışması üç kısımda incelenebilir. İlk çalışmada dört aritmi tipi sinir ağları ile tek bir dalgacıktan elde edilen 16 istatistiksel öznitelikle ve iki farklı dalgacıktan elde edilen 32 öznitelikle sınıflandırılmıştır. Sınıflandırmada en başarılı bulunan iki dalgacıktan elde edilen 32 adetlik özniteliğin tek dalgacığa göre daha yüksek başarım oranı sağladığı gözlemlenmiştir.Daha sonra, incelenen aritmi vurularının sınıflandırılmasında farklı tip dalgacıkların farklı seviyede seçilen detay katsayılarının kombinasyonu ile yüksek başarım oranı sağlayan özniteliklerin seçilimi için genetik algoritma yönteminden faydalanılmıştır. Önerilen KDD yöntemi ile farklı tip dalgacıklardan bir öznitelik havuzu oluşturulmuştur. Sınıflandırma algoritmasında yüksek doğruluk oranı veren 16 adetlik öznitelik seti genetik algoritma yöntemi ile seçilmiştir. Uygunluk fonksiyonunda sinir ağının doğruluk oranı uygunluk fonksiyonu olarak kullanılmıştır ve bu değer maksimize edilmeye çalışılmıştır. Kalp sinyali aritmi tiplerinin karakteristiğini yansıtan uygun özniteliklerin tespit edilebilmesi için önerilen diğer bir yöntem çok amaçlı yaklaşımla GA kullanılmasıdır. Bu yöntemde oluşturulan öznitelik havuzundan seçilim birden fazla kriterin tek bir değere indirgenmesiyle yapılmıştır. Uygunluk fonksiyonu değerlendirmesinde sinir ağı sınıflandırmasının doğruluk oranı, ortalama karekök hata oranı ve seçilen öznitelik sayısı kullanılmıştır. Yüksek doğruluk oranını az hata ile sağlayan en düşük sayıda öznitelik seti aranarak bir yerine üç adet kriter çok amaçlı yaklaşımla GA kullanılarak değerlendirilmiştir.Farklı yöntemler ile tespit edilen öznitelik setlerinin testi için bir simülasyon programı oluşturulmuştur. Simülasyon programında iki adet dalgacığın birleşiminden elde edilen 32 adetlik öznitelik seti, GA tarafından seçilen 16 adetlik öznitelik seti ve çok amaçlı yaklaşımla GA kullanılarak tespit edilen 48 adetlik öznitelik setinin çok katmanlı algılayıcı (MLP) eğitim çıktısı kullanılmıştır. Geliştirilen grafik arayüzü ile seçilen öznitelik setini kullanarak MLP aritmi tipini belirler.Gerçek zamanlı kalp sinyallerinin elde edilmesi için kompakt bir devre tasarımı yapılmıştır. Kalp sinyalleri ile birlikte eş zamanlı hareket bilgisinin alınması için ivmeölçer kullanılmış olup sinyaller bir mikrodenetleyici üzerinden arayüz programına bluetooth modülüyle kablosuz olarak aktarılmıştır. Sinyaller tasarlanan arayüz programında gerçek zamanlı olarak çizdirilmiştir. Tasarlanan devre kartı 3D yazıcı ile basılan kompakt bir kutu içerisine yerleştirip giyilebilir bir EKG cihazı haline getirilmiştir. Böylelikle aktivite sırasında oluşan kalp ritimleri gerçek zamanlı olarak gözlemlenip kayıt altına alınabilmiştir.