Ga-Nn Approach For ECG Feature Selection in Rule-Based Arrhythmia Classification

Summary:

This paper presents rule extraction and feature selection system to detect abnormality in ECG signals.Genetic Algorithm-Neural Network (GA-NN) Approach is used to distinguish between the presence and absence ofcardiac arrhythmia and perform feature selection. Following this process, rule sets are extracted in order to guide the diagnosis of cardiac arrhythmia. The rule sets are extracted based on selected features because rule extraction without feature selection may result in rules to be more complex than human may realize. C4.5, RIPPER, PART and HotSpot methods are used to perform rule extraction. The ECG dataset used in this study is obtained from UCI Arrhythmia Database. In this dataset, all the anomalies are grouped into one abnormal class and the rest is grouped into one normal class. As a comparison, k-Nearest Neighbor (k-NN), Support Vector Machines (SVM), Naive Bayes and Bayesian Networks have been tested on the arrhythmia dataset. For dimensionality reduction purpose, recursive feature extractor (RFE-SVM), correlation based feature selection (CFS), principal component analysis (PCA) and factor analysis (FA) have been applied. According to test results, GA-NN outperforms other techniques.

Özet:

Bu çalışma, EKG sinyallerindeki anormalliklerin tespiti için kural çıkarım ve öznitelik seçim sistemi sunar.Kardiyak aritminin varlığı ve yokluğu arasındaki ayrımın yapılması ve öznitelik seçimi için Genetik Algoritması-Yapay Sinir Ağı (GA-YSA) Yaklaşımı kullanılmıştır. Bu süreci takiben, aritmi teşhisine rehberlik etmesi amacıyla kural seti çıkarılmıştır. Bu kural setleri, seçilmiş özniteliklere dayanılarak çıkarılmaktadır; çünkü öznitelik seçimi olmadan yapılan kural çıkarımı insanın anlayabileğinden daha karmaşık sonuçlar üretebilmektedir. Kural çıkarımında, C4.5, RIPPER, PART ve HotSpot metotları uygulanmıştır. Bu çalışmada kullanılan EKG veri kümesi, UCI Aritmi Veritabanı'ndan elde edilmektedir. Bu veri kümesindeki tüm anomaliler, tek bir anormal sınıf altında toplanırken geriye kalanlar normal sınıfı oluşturacak şekilde düzenlenmiştir. Karşılaştırma amacıyla k en yakın komşu (k-NN), Destek Vektör Makineleri (SVM), Naive Bayes ve Bayes Ağları, EKG veri kümesine uygulanmıştır. Boyut indirgemek amacıyla ise, özyineli nitelik çıkarımı (RFE-SVM), korelasyon tabanlı nitelik seçimi (CFS), temel bileşen analizi (PCA) ve faktör analizi (FA) yöntemleri kullanılmıştır. Deney sonuçlarına göre, GA-YSA yöntemi, diğerlerinden daha iyi sonuç vermiştir.