Browsing by Author "Karaye, Ibrahim Abdullahi"

Now showing 1 - 4 of 4

Analysis of Cardiac Beats Using Higher Order Spectra
(2014) Karaye, Ibrahim Abdullahi; Saminu, Sani; Ozkurt, Nalan
Citation - Scopus: 5
Wavelet Feature Extraction for ECG Beat Classification
(IEEE, 2017-05) Sani Saminu; Nalan Ozkurt; Ibrahim Abdullahi Karaye; Karaye, Ibrahim Abdullahi; Sarvan, Cagla; Ozkurt, Nalan; Saminu, Sani; S Misra; C Ayo; N Omoregbe; B Odusote; A Adewumi
Electrocardiography (ECG) signal is a bioelectrical signal which depicts the cardiac activity of the heart. It is a technique used primarily as a diagnostic tool for various cardiac diseases. ECG provides necessary information on the electrophysiology and changes that may occur in the heart. Due to the increase in mortality rate associated with cardiac diseases worldwide despite recent technological advancement early detection of these diseases is of paramount importance. This paper has proposed a robust ECG feature extraction technique suitable for mobile devices by extracting only 200 samples between R-R intervals as equivalent R-T interval using Pan Tompkins algorithm at preprocessing stage. The discrete wavelet transform (DWT) of R-T interval samples are calculated and the statistical parameters of wavelet coefficients such as mean median standard deviation maximum minimum energy and entropy are used as a time-frequency domain feature. The proposed hybrid technique has been tested by classifying three ECG beats as normal right bundle branch block (Rbbb) and paced beat using the signals from Massachusetts Institute of Technology Beth Israel Hospital (MIT-BIH) arrhythmia database and processed using Matlab 2013 environment. Classification has been performed using neural network backpropagation algorithm because of its simplicity. While equivalent R-T interval features gives average accuracy of 98.22% the proposed hybrid method gives a promising result with average accuracy of 99.84% with reduced classifier computational complexity.
Wavelet Feature Extraction for ECG Beat Classification
(2014) Karaye, Ibrahim Abdullahi; Saminu, Sani; Ozkurt, Nalan
Yüksek dereceli̇ i̇zge tekni̇kleri̇ i̇le EKG i̇şaretleri̇ni̇n ri̇tm bozukluğu anali̇zi̇
(2014) Karaye, Ibrahim Abdullahi; Özkurt, Nalan
Gelişmiş ülkelerde her yıl binlerce insan kalp krizi sonucu hayatını kaybetmektedir. EKG kalbi etkileyen birçok hastalık ile ilgili en önemli bilgileri içeren bir biyosinyaldir. Kalp hızı değişkenliği (KHD) analizi kalbin ritmini etkileyen normal düzenleyici dürtülere karşı tepkisini inceleyen önemli bir araçtır. Ritm bozukluklarının tanı ve kontrolünde kalp işaretlerini inceleyen bilgisayar tabanlı yöntemler oldukça güvenilir ve verimli araçlar olarak karşımıza çıkmaktadır. Doğrusal olmayan dinamik sistemler teorisinde karmaşık sistemlerin analizi için birçok yeni yöntem bulunmaktadır. Birçok biyosinyal gibi EKG işareti de doğrusal değildir ve yüksek dereceli izge analizi (YDİA) yöntemlerinin doğrusal olmayan sistemlerin analizinde çok iyi bir yöntem olduğu ve gürültüye karşı dayanıklılığının da yüksek olduğu bilinmektedir. Bu nedenle, bu tezde normal, sağ dal bloğu, kalp pilli, sol dal bloğu ve atriyal prematüre atım KHD işaretlerinin karmaşık dinamiklerinin açıklanabilmesi için doğrusal olmayan sistem teorisi araçlarından YDİA yöntemleriyle analizi üzerine çalışılmıştır. Bu sınıfların ikiz izge ve ikiz eşfaz çizimlerindeki genel karakteristikleri görsel karşılaştırma için sunulmuştur. R-R aralıklarının belirlenmesi için Pan-Tompkins algoritması kullanılmış, bu özniteliklerin yüksek dereceli istatistiksel parametreleri olan çarpıklık, basıklık ve varyansları hesaplanmıştır. Bu öznitelikler yapay sinir ağı ile sınıflandırılmış ve %94.9 ortalama doğruluk oranı elde edilmiştir. İkiz eşfaz eğrilerinin kesitlerinin en büyük on tepesinin genlik ve frekanslarından elde edilen özniteliklerin yapay sinir ağlarıyla sınıflandırılmasının ardından ise %92 ortalama doğruluk elde edilmiştir. Son olarak ikiz eşfaz tepeleri özniteliklerine temel bileşen analizi yapılarak veri boyutu azaltılmış ve k-en yakın komşuluk algoritması ile sınıflandırılmıştır. Bu sınıflandırıcı %98.3 doğrulukla yapay sinir ağlarına göre daha iyi bir başarım sağlamıştır.