TEK BOYUTLU HİBRİT EVRİŞİMSEL SİNİR AĞLARI VE UZUN KISA SÜRELİ BELLEK MİMARİLERİ KULLANARAK EKG SİNYALLERİNİN SINIFLANDIRILMASI

Abstract

Alt sağlık sorununun etkin bir şekilde izlenmesine yönelik talep hızla artmaktadır. Kalp hastalıkları günümüzde önde gelen ölüm sebeplerindir. Bu sebepten ötürü son zamanlarda kalp atışlarının sınıflandırmasına yönelik çalışmalar büyük ilgi görmüştür. Elektrokardiyografi, kardiyak aritmiyi tanımlamanın, tespit etmenin ve teşhis etmenin kolay ve etkili bir yoludur. Elektrokardiyografik (EKG) sinyallerden kalp rahatsızlıklarına dair bilgi elde etmek zordur. Anormal EKG sinyallerini tespit etmek için doğru bir model, hastalığın erken teşhisini ve hastalara doğru tedavi sunulmasını sağlar. Bu çalışmada doğru, hızlı ve otomatik vuruşlu EKG sınıflandırması için konvolüsyonel sinir ağı (CNN) ve uzun kısa süreli bellek (LSTM) yöntemlerini birleştiren 1B derin öğrenme modelini kullanacağız. Amacımız ilgili EKG verikümelerine bu modeli uygulayarak modelimizin doğruluğunu tespit edip yüksek doğruluk oranına sahip sınıflandırmayı elde etmek. Anahtar Kelimeler: Derin Öğrenme, Elektrokardiyografi, Aritmi Tespiti, Konvolüsyonel Sinir Ağları(CNN), 1 Boyutlu Evrişimsel Sinir Ağları(1D CNN), Uzun Kısa Süreli Bellek(LSTM)The demand for effective monitoring of sub-health problems is rapidly increasing. Heart diseases are the leading causes of death today. For this reason, studies on the classification of heartbeats have recently attracted great attention. Electrocardiography is an easy and effective way to identify, detect and diagnose cardiac arrhythmia. It is difficult to obtain information about heart diseases from electrocardiographic (ECG) signals. An accurate model to detect abnormal ECG signals enables early diagnosis of disease and the right treatment for patients. In this study, we will use a 1D deep learning model combining convolutional neural network (CNN) and long short-term memory (LSTM) methods for accurate, fast and automatic beat ECG classification. Our goal is to determine the accuracy of our model by applying this model to the relevant ECG datasets and obtain a classification with high accuracy. Keywords: Deep Learning, Electrocardiography, Arrhythmia Detection, Convolutional Neural Networks (CNN), 1D Convolutional Neural Networks (1D CNN), Long Short Term Memory (LSTM)