Derin öğrenme ve chroma spektrogramlarına dayalı EKGsinyallerinin sınıflandırılması

EKG, kalbin ritmini ve elektriksel aktivitesini grafik olarak kaydeden, invazif olmayan bir tanı aracıdır ve kalbin zaman içindeki elektriksel aktivite değişikliklerini değerlendirir. Kalp fonksiyonunu analiz etmek için temel fizyolojik bilgileri içerir; bu nedenle kardiyologlar tarafından sağlık bozukluklarını tespit etmek amacıyla yaygın olarak kullanılmaktadır. Ancak, EKG sinyali lineer değildir ve düşük genliği nedeniyle çıplak gözle ihmal edilebilecek küçük değişiklikler içerebilir. Aritmi, her zaman insan sağlığını doğrudan tehdit etmese de, kalp hastalığı semptomlarına ve hızlı atriyal fibrilasyon, paroksismal supraventriküler taşikardi, persistan ventriküler taşikardi gibi daha şiddetli aritmilere yol açabilir. Aritmiler ayrıca çarpıntı, göğüste sıkışma, baş dönmesi, kan basıncında değişiklikler, terleme, senkop ve ani ölüm gibi belirtilere yol açabilir. Bu kalp hastalıkları tehlikelidir ve semptomatik ise acil tedavi gerektirir. Yapay zekanın gelişmesiyle birlikte bu tür hastalıklar kolaylıkla tespit edilebilir hale gelmiştir. Bu çalışmada, derin öğrenme yöntemleriyle EKG sinyalleri chroma spektrogramlarına dönüştürülerek sinyallerin harmonik yapısı görsel olarak temsil edilmiş, böylece modelin tanı doğruluğu artırılmıştır. Ardından, InceptionNet V3, GoogleNet , MobileNet V2, EfficientNet, AlexNet ve ResNet-50 gibi önceden eğitilmiş ağlar kullanılarak bu sinyallerden özellikler çıkarılmıştır. Tüm kullanılan ağlar 10 çapraz doğrulama, %70-%30 eğitim-test ve %80-%20 eğitim-test olarak veriler bölünüp doğrulama işlemi gerçekleştirildi. Sınıflandırma işlemi için ise LDVM, Q-DVM, C-DVM, K-NN, TA, LR sınıflandırıcılar ile aritmi sınıflandırması gerçekleştirildi. InceptionNet V3 modelinde %84,7, GoogleNet modelinde %85,9, MobileNet V2 modelinde %87,6, EfficientNet modelinde %87,5, AlexNet modelinde %87,3 ve ResNet-50 modelinde %87,2 doğruluk elde edilmiştir.