Bu çalışmalar genel olarak ya EKG kayıtlarından şekilsel özniteliklerin veya frekans alanındaki katsayılardan oluşan özniteliklerin sınıflandırılması şeklinde yapılmıştır. Literatürde birçok çalışma olmasına rağmen, araştırmacılar farklı aritmi türlerini sınıflandırmak için farklı öznitelikler, sınıflandırıcılar, eğitim ve test kümeleri kullanmaktadırlar. Çalışmaların sonucunda hangi öznitelik kullanılarak, hangi aritmi türünde hangi sınıflandırıcıların daha iyi sonuçlar verdiğini saptamak zordur. Bu tez çalışmasında amaç, zaman ve frekans alanı özniteliklerinden oluşan birçok farklı öznitelik grubu kullanılarak, Yapay Bağışıklık Sistemi'ne (YBS) dayalı yeni bir aritmi sınıflama tekniği geliştirmektir. Ek olarak, YBS'nin standart Klonlama Seçim Algoritması (KSA) orijinal adıyla Clonal Selection Algorithm (CSA) ve diğer sık kullanılan YSA ile sınıflandırma işlemleri yapıp, bu tez çalışması kapsamında geliştirilen Koşul Tabanlı Klonlama Seçim Algoritmasını (KT-KSA) mukayese etmektir. Bu tez kapsamında hem yeni geliştirilen algoritmanın güvenilirliği hem de hangi özniteliklerin daha iyi sonuçlar verdiği araştırılmıştır. Ayrıca 6 farklı sınıflandırıcı ve 15 farklı öznitelik grubu kullanıldığından dolayı hangi sınıflandırıcıların hangi öznitelik gruplarında nasıl bir başarı elde ettiği de ortaya çıkmıştır. Çalışma sonuçları ROC tabloları ve hata matrisi tablolarında verilmiş olup, ortalama hassasiyet tablosunun grafiğine göre KT-KSA'nın standart KSA'dan daha yüksek bir başarım elde ettiği açıkça görülmektedir. Ayrıca hem zaman hem de frekans özniteliklerinin birlikte kullanımının tüm sınıflandırıcılarda başarımı arttırdığı da ortaya çıkarılmıştır.