ECG (Electrocardiography) is a graphical signal of electrical activity recorded from electrodes on the body surface. It is one of the most important biosignal used by cardiologists for diagnostic purposes. In this study, our main objective is automatically recognition of arrhythmic signal abnormalities, which may be a clue for diagnosis. The detection of an abnormality in ECG signals by human is both complex and error-prone. This motivated researchers to study automatic detection of cardiac arrhythmia disorders, using intelligent data analysis techniques. Computer software using machine learning techniques could easily analyze complex ECG signals, transform signals, make some predictions about the presence of arrhythmia, and provide decision-support information to humans. In this study Multilayer Perceptron (MLP), which is a neural network-based machine learning technique and Class-Modularity concept were applied to two ECG datasets for arrhythmia classification. Class-modularity was also used by class-dependent feature selection to obtain robust modules also providing dimensionality reduction. RELIEF was selected as a well-known technique for class-specific feature list creation. One of the datasets is from UCI repository and it was used on similar studies before. A local dataset is created using real-life ECG recordings collected from Turkish patients. These records are digitized and examined by a medical doctor. The performances of learning methods are improved by feature selection (Decision Trees, SVM-RFE) and feature extraction (PCA) dimensionality reduction techniques. As a comparison, Decision Tree and SVM algorithms have been tested on the arrhythmia dataset. Weka and Matlab were used as machine learning tools during the study. According to test results, MLP performs better than decision trees and similar to SVM on both ECG datasets. The class-modular MLP has slightly less performance, while providing several advantages over MLP.

EKG (elektrokardiyogram) insan vücuduna iliştirilen elektik algılayıcılarla kaydedilen elektriksel aktivitenin sinyal grafiğidir. Kardiyologlar tarafından teşhiste kullanılan en önemli biyosinyallerden birisidir. Bu çalışmada temel amacımız, teşhiste yardımcı olabilecek aritmik sinyal anormalilerini otomatik olarak tespit etmektir. EKG'deki bu anormalilerin insanlar tarafından tespiti hem zor hem de hataya açıktır. Bu nedenler, araştırmacıları kalple ilgili aritmi düzensizliklerini otomatik olarak tespit etmeye yönelik araştırma yapmaya yönlendirmiştir. Özdevimli öğrenme teknikleri kullanan bilgisayar yazılımları, karmaşık EKG sinyallerini kolayca analiz edebilir, bunları dönüşütrebilir, aritmi varlığı hakkında tahminlerde bulunabilir ve insanlara kararlarında destek olabilecek bilgiler sağlayabilirler. Bu çalışmada, sinir ağlarına dayanan öğrenme tekniklerinden birisi olan, Çok Katmanlı Geriye Yayılma Algoritması (ÇGY) ve Sınıf-Modülü kavramı iki EKG veri kümesine uygulanmıştır. Sınıf-Modülü kavramı, sınıfa dayalı özellik seçimiyle kullanılarak aynı zamanda boyut azaltma da sağlayan dayanıklı modüller elde edilmesi hedeflenmiş ve bunun için RELIEF tekniği kullanılmıştır. Veri kümelerinden birisi UCI veri havuzundan alınmış daha önce benzer çalışmalarda kullanılmıştır. Bulunulan ülkeye ait bir veri kümesi ise Türk hastalardan toplanan gerçek EKG kayıtlarından yaratılmıştır. Bu kayıtlar dijital ortama aktarılmış ve bir tıp doktoru tarafından incelenmiştir. Özellik seçme (Karar Ağaçları, DVM-Döngüsel Özellik Azaltılması) ve özellik genişletme (Asıl Bileşen Analizi) boyut azaltma teknikleri kullanılarak öğrenme tekniklerinin performansı arttırılmaktadır. Karşılaştırma amaçlı olarak Karar Ağaçları ve Destek Vektör Makineleri aritmi veri kümelerinde test edilmiştir. Weka ve Matlab çalışmalar sırasında özdevimli öğrenme araçları olarak kullanılmışlardır. Yapılan test sonuçlarına gore, ÇGY her iki EKG veri kümesi üzerinde de Karar Ağaçlarından daha iyi, DVM'yle yaklaşık sonuçlar vermektedir. Sınıf-modüler ÇGY'nin biraz daha az başarılı olsa da ÇGY'ye gore sunduğu ek avantajlar vardır.