EKG VURU İMGELERİNDEN KARDİYAK ARİTMİLERİN MAKİNE ÖĞRENMESİ VE DERİN ÖĞRENME YÖNTEMLERİ İLE SINIFLANDIRILMASI

Abstract

Elektrokardiyogram (EKG), aritmi ve kalp hızı değişkenliği gibi çeşitli kardiyak koşulların izlenmesini sağlayan faydalı bir araçtır. EKG vuruları ritim bozuklukları, kalpteki bazı yapısal değişiklikler gibi çeşitli kalp bozukluklarının belirlenmesine yardımcı olur. Literatür incelendiğinde, EKG vuru sınıflandırması için çeşitli gelişmiş sinyal işleme, makine öğrenmesi teknikleri ve derin öğrenme algoritmalarının kullanıldığı görülmüştür. Bu yöntemler genellikle zaman alanına veya frekans alanına dayalıdır. EKG vuru sınıflandırması için zaman-frekans alanına dayalı teknikler de önerilmiştir. Bu tez çalışmasında EKG vuru sınıflandırması için farklı bir model önerilmiştir. Önerilen yaklaşımda EKG vuruları görüntülerle temsil edilmiştir. EKG sinyallerini EKG görüntülerine dönüştürmek için bir zaman-frekans yaklaşımı kullanmak yerine doğrudan sinyalden EKG vurularını görüntü olarak kaydedilip kullanılmıştır. Bu tez çalışmasında EKG vuru sınıflandırmasında üç derin evrişimsel sinir ağı (ESA) yaklaşımı dikkate alınmıştır. Bu yaklaşımlar derin öznitelikler ve destek vektör makineleri (DVM) ile sınıflandırma, önceden eğitilmiş ince ayarlı ESA ile sınıflandırma ve uçtan uca öğrenme modeli ile geliştirilen yeni bir ESA yaklaşımı ile sınıflandırma olarak değerlendirilmiştir. İyi bilinen MIT-BIH aritmi veri tabanı önerilen derin yaklaşımların değerlendirilmesinde dikkate alınmıştır. Veri tabanı sırasıyla % 75 ve % 25 oranlarında eğitim ve test verisi olmak üzere ikiye ayrılarak kullanılmıştır. Deneysel sonuçlar sınıflandırma doğruluk puanı kullanılarak değerlendirilmiştir. Sonuçlar önerilen yöntemlerin EKG vuru sınıflandırmasının kullanımında potansiyele sahip olduğunu göstermektedir.

Electrocardiogram (ECG) is a beneficial means, which enables to monitor various cardiac conditions, such as arrhythmia and heart rate variability (HRV). ECG beats help to determine various heart failures such as cardiac disease and ventricular tachyarrhythmia. When the literature was investigated, it was seen that various advanced signal processing, machine learning techniques, and deep learning algorithms have been employed for ECG beat categorization. These methods were generally based on either the time-domain or frequency domain. Time-Frequency (T-F) based techniques were also proposed for ECG beat classification. In this chapter, a different model is proposed for the ECG beat classification task. In the proposed approach, initially, the ECG beats are represented by images. Instead of using a time-frequency approach for converting the ECG beats to ECG images, we opted to use the ECG beats directly to construct the ECG images. In other words, the ECG beat figures are directly saved as ECG images. Three deep convolutional neural networks (CNN) approaches are considered in ECG beat classification. These approaches ensure an end-to-end learning schema, fine-tuning of pre-trained CNN models and extraction of deep features and classify them by using a traditional such as Support Vector Machines (SVM)or deep machine learning approach. The well-known MIT-BIH arrhythmia database is considered in the evaluation of the proposed deep approaches. The database was separated into two sets as the training and test with the rates of 75% and 25%, respectively. The experimental results were evaluated by using the classification accuracy score. The results show that the proposed methods have potential in the use of ECG beat classification.