Derin öğrenme ile elektrokardiyogram ölçümlerinden otomatik aritmi sınıflandırma

EKG sinyalleri aritmilerin tespitinde önemli bir yere sahiptir. Aritmiler düzensiz kalp atışlarıdır. Bu alanda yapılan en popüler çalışmalardan biri de aritmilerin yapay sinir ağları ile sınıflandırılmasıdır. Tez çalışmasında EKG sinyalleri kullanılarak yapay sinir ağları ile aritmilerin sınıflandırılma çalışması yapılmıştır. Bu sayede EKG kaydı alınır alınmaz aritmi olup olmadığı doğrudan tespit edilebilmektedir. Çalışmada kullanılan veri kümesi, PTB-XL ve Chapman veri kümelerindeki EKG kayıtlarının birleştirilmesiyle elde edilmiştir. Her veri kümesindeki aritmilerin türleri ve sayıları farklılık gösterir. Tek bir veri kümesi üzerinde çalışırken, eğitilmiş modeller belirli aritmileri sınıflandırmada başarılı olabilmektedir. Ancak veri kümesinde yer almayan aritmileri sınıflandırmada başarısız olabilmektedir. Bu sorunu önlemek için tek bir veri kümesi üzerinde çalışmak yerine iki farklı veri kümesi birleştirilerek ortak bir veri kümesi üzerinde çalışıldı. Böylece aritmilerin sınıflandırılmasında genel başarıya sahip modeller elde edilmiştir. Bir EKG kaydında birden fazla aritmi bulunabilir. Bir EKG kaydı birden fazla aritmi içerebileceğinden, çok etiketli EKG kayıtlarının sınıflandırılmasında eşik değer yaklaşımı kullanılmıştır. Böylece eğitilen modeller, EKG kayıtlarında yer alan çoklu aritmileri tespit edebilmektedir. Bir EKG kaydında herhangi bir aritmi bulunmayadabilir. 'Aritmi yok' sınıfı, herhangi bir aritmi içermeyen EKG kayıtlarını sınıflandırmak için tanımlanmıştır. 'Aritmi yok' sınıfının tanımlanması yeni bir yaklaşımdır. 'Aritmi yok' sınıfı tanımlanarak EKG kayıtlarının herhangi bir aritmi içerip içermediği belirlenebilir. Aritmi içeren EKG kayıtlarında eşik değer yaklaşımıyla birden fazla aritmi tespit edilebilmektedir. EKG kayıtlarından tespit edilen aritmileri sınıflandırmak için SE-ResNet34 ve FCN yapay sinir ağları eğitildi. Sıkıştırma ve Uyarma (SE) katmanı, ağın dinamik kanal bazında özellik yeniden kalibrasyonu gerçekleştirmesini sağlar. Veri setindeki 12 derivasyonlu EKG kayıtlarından özellik çıkarımı için tek boyutlu evrişimsel ağ kullanıldı. Kullanılan evrişimli ağ 34 katmanlı ResNet'tir. Ağırlık fonksiyonu kullanılarak veri setinde daha sık meydana gelen aritmilere daha az, daha az sıklıkta meydana gelen aritmilere ise daha fazla ağırlık verilmiştir. Model eğitilirken ağırlık fonksiyonu parametre olarak verilmektedir. Çalışmalar 5, 10 ve 15. sınıf aritmi varlıkları için yürütüldü. Modeli 5 aritmi üzerinde eğitmek, çalışma süresi bakımından daha az nöron içerdiğinden, 10 ve 15 aritmiye göre daha az zaman almaktadır. Eşik değerinin değiştirilmesi modelin başarısını büyük ölçüde etkilemektedir. Düşük eşik değerlerinde birçok aritmi sınıflandırılırken, yüksek eşik değerlerinde yalnızca tek bir aritmi sınıflandırılmaktadır. Bunun nedeni eşik değerini aşan herhangi bir aritmi olmaması durumunda tahmin puanı en yüksek olan aritminin modelin çıktısı olarak dikkate alınmasıdır. FCN modelinde 5, 10 veya 15 aritmi ile çalışırken en iyi sonuçlar her zaman eşik değeri %55 olduğunda elde edilmiştir. ResNet modelinde en iyi sonuçlar 5 aritmi ile çalışırken %35 eşik değerlerinde, 10 ve 15 aritmi ile çalışırken ise %10 eşik değerlerinde elde edilmiştir. Tez çalışmasında FCN modelinin aritmileri tespit etmede ResNet modeline göre daha başarılı olduğu görülmüştür. Oluşturulan modellerde yüzde 60 ile yüzde 90 arasında değişen başarı oranlarıyla aritmiler tespit edilebilmektedir. Bu çalışma, EKG sinyallerinin yanlış yorumlanmasını önleyerek kardiyologların tanı koymasına yardımcı olabilir.