Gömülü sistem tabanlı elektrokardiyogram holter cihazının tasarlanması ve yapay sinir ağıgenetik algoritma hibrit modeli ile aritmi tespiti

Abstract

Ülkemizde ve dünyada, insan nüfusunun giderek yaşlanması ve kalp rahatsızlıkları görülme oranının artışı, bu hayati önem taşıyan organımızın faaliyetlerini sürekli olarak kontrol altında tutma, tedavi süresi boyunca ve tedavi öncesinde tüm etkileri gözlemleme gibi ihtiyaçları doğurmaktadır. Çalışmanın temel amacı, gömülü sistem tabanlı taşınabilir bir Elektrokardiyografi (EKG) Holter cihazını gerçekleştirmek, sinyal işleme metotları uygulayarak alınan sonuçlara adaptif çözümler üretmek ve yapay sinir ağı, genetik algoritma hibrit modeli oluşturularak, atriyal fibrilasyon kalp aritmisinin tespit edilmesidir. Yapmış olduğumuz çalışma üç aşamadan meydana gelmektedir: İlk aşamada, bireyin EKG sinyalleri elektrotlar yardımı ile alınıp, tasarlamış olduğumuz biyoenstrümantasyon yükseltici devresi ile 251 kat kuvvetlendirilmiştir. EKG sinyallerine etki eden çevresel etmenler ve şebeke gürültüsünün olumsuz etkisini bastırmak için 50 Hz'lik çentik filtre ve 0,01-132 Hz frekans aralığında bant geçiren filtre uygulanmıştır. Filtrelenen EKG işareti analog dijital çeviriciler (ADC) kullanılarak sayısallaştırılıp SPI haberleşme protokolü kullanılarak gömülü sistem kartı ile bağlantısı kurulmuştur. İlk ara yüz yazılımı çok sayıda kütüphane desteği içerdiği için Python dilinde geliştirilmiş. Fakat Python dili gerçek zamanlı çalışırken, sinyal işleme algoritmalarını ve sinyali ara yüzde çizdirme işlemini gerçekleştirirken hızı yeterli olmadığı için C++ dilinde programlama yapılmıştır. Algoritmalar Raspberry Pi, Odroid ve Beaglebone black gömülü sistem kartlarında çalıştırılıp performans analizleri karşılaştırılıp sonuçları incelenmiştir. Beaglebone black gömülü sistem kartının örnekleme hızı 40 Hz'i geçemediği için EKG Holter cihazı için uygun değildir. Raspberry Pi gömülü sistem kartının örnekleme hızı 80 Hz civarındadır, nabız ve basit sinyal işleme algoritmalarını çalıştırmak için kullanılabileceği tespit edilmiştir. Odroid gömülü sistem kartında örnekleme hızı 260 Hz'lere kadar çıkabildiği için EKG analizleri, sinyal işleme algoritmaları ve yapay zekâ uygulamaları için kullanılabilir en uygun mikrobilgisayar olduğu belirlenmiştir. İkinci aşamada, sayısallaştırılmış olan EKG sinyalini analiz etmek için Fourier dönüşümü uygulanmıştır ve frekans analizi yapılmıştır. R tepesini güçlendirmek ve nabız hesaplamasında adaptif eşik değeri ayarlamak için sinyal işleme metotları uygulanarak sonuçları karşılaştırılmıştır. En uygun R bulma algoritması olarak sinyal enerjisi yöntemi olarak belirlenmiştir. EKG sinyaline dalgacık dönüşümü uygulanarak farklı Daubechies (db) dalgacık aileleri kullanılarak özellik çıkartımı gerçekleştirilmiştir ve yapay zekânın sonuçları tablo oluşturularak karşılaştırılmıştır. Üçüncü aşamada, istatistiksel özellik çıkarımı yapılarak yapay sinir ağının giriş katmanı oluşturularak yapay sinir ağı eğitilmiştir ve yapay sinir ağının ağırlık katsayıları genetik algoritma kullanılarak hata oranı azaltılmıştır.

The main goal of the study is to realize the embedded system based portable ECG Holter Device and by applying signal processing methods to provide adaptative solutions to the results and by the formation of artificial network of neurons, to determine the atrial fibrillation heart arythmia. The study herein, consists of threeparts. In the first part, the individual's Electro Cardiography (ECG) signals being obtained by the use of the electrodes, the bio-instrumentation booster circuit, has been reinforced 251 fold. The surrounding elements in effect on ECG signals and the ambient ones and in order to repress the network's noise, 50 Hz notch filter and 0,01132 Hz frequency space, band permeating filter has been put to use. The filtered ECG signal, for the analog- digital converters (ADC) through this, a connection between the system card has been set up. The algorithms Raspberry Pi Odroid and Beagle bone black embedded system cards have hosted these algorithms, the comparison of performance analyses and the results have been examined. The embedded Beagle bone black system card's reading can not exceed the 40 Hz frequency, for that matter it is not convenient for the ECG Holter device. Raspberry Pi embedded card's sampling rate is around 80 Hz, the pulse and simple signal processing algorithms can be put to good use. In the Odroid embedded system card's sampling rate can raise to 260 Hz. For that matter, the ECG analyses and the signal processing algorithms and for he artificial intelligence applications convenient stature, the most possible tool has been found out to be he micro-computer. During the sophomore stage, the digitalized ECG signals have been put to analysis by the applications of the Fourier Transform and the frequency analysis has been realised. To reinforce the R Crest and in the calculation of pulse rate, the threshold value have been applied to compare the results by the use of processing methods. The most convenient R Finding Algorithm has been found out to be the signal energy method. To the ECG signal, a wavelet transform has been applied and the feature documentation has been realized by the aid of discrete Daubechies (db) and the artificial intelligence results have been compared and contrasted on tabular data. During the third stage by statistical feature determination and theformation of the artificial network's entery layer, the neural network has been rectified and the neural network's weighted coefficients have been used by the genetic algorithm and thus the error possibilities have been decreased.