Elektrokardiyografi sinyallerinden aritmilerin yapay zeka destekli sınıflandırılması

Elektrokardiyografi (EKG) sinyallerinde kalbin belirli bir düzende ve düzenli aralıklarla atması sonucu oluşan normal sinüs ritimi dışında gözlenen ritimler aritmi olarak adlandırılır ve atımın bozuklukları normal olmayan bir durumun hatta hayati risklerin göstergesi olabilir. Bu nedenle aritmilerin bulunması ve hangi tür aritmi olduğunun belirlenmesi önemlidir. EKG sinyallerinden elde edilen öznitelikler ile eğitilen makine öğrenmesi modelleri ile aritmilerin sınıflandırılması uzun yıllardır araştırmacılar tarafından ilgi çeken konulardan olmuştur. Bununla birlikte uzun süren ön sinyal işleme adımlarının ve öznitelik çıkarma adımlarının olmadığı derin öğrenme tekniklerinin kullanılması da güncel konular arasındadır. Bu yöntemlerin performanslarının karşılaştırılması ve kullanılan model parametrelerinin belirlenmesi aşamaları önem taşımaktadır. Bu tez çalışmasında, EKG sinyallerinin analizi ile iki farklı ritim sınıflandırma yöntemi geliştirilerek bu yöntemlerin performansı değerlendirilmiştir. İlk yöntem kalp hızı değişkenliği analizi ile elde edilen özniteliklerle eğitilen makine öğrenmesi modellerinin kullanıldığı sınıflandırma yöntemidir. Sinyal ön işleme ve öznitelik çıkarımı olmadan EKG sinyallerinin spektogram ve skalogram görüntülerinin evrişimsel sinir ağlarına girdi olarak verilerek sınıflandırılması ikinci yöntemdir. Bu iki sınıflandırma yönteminin performans sonuçları karşılaştırılmıştır. Çalışmada MIT-BIH Aritmi Veri Tabanı kullanılmıştır. Çalışmada normal sinüs ritmi, atriyal fibrilasyon, sol dal bloğu, sağ dal bloğu, ventriküler begemini, pacemaker ritim sınıflandırılan ritimlerdir. Kalp hızı değişkenliği analizi tabanlı özniteliklerle gerçekleştirilen sınıflandırmada öncelikle sinyalde gürültü giderme işlemi uygulanmıştır. Filtrelenmiş sinyaller üzerinden R dalgası tepe noktalarının bulunması gerçekleştirilmiştir. R dalgası tepe noktaları ile kalp hızı değişkenliği analizi yapılmış ve öznitelikler çıkarılmıştır. Sonrasında ise makine öğrenmesi modelleri bu öznitelikler ile eğitilmiş ve model performansları değerlendirilmiştir. Tez kapsamında Karar Ağacı, Destek Vektör Makinesi, K-En Yakın Komşu, Topluluk Öğrenme modelleri çalışılmıştır. Derin öğrenme, evrişimsel sinir ağları tabanlı sınıflandırmada ise EKG sinyallerinde gürültü giderme işlemi yapılarak spektogram ve skalogram görüntüleri elde edilmiştir. Bu görüntüler farklı sinir ağlarına girdi olarak verilmiştir. Tez kapsamında GoogleNet, ResNet-50, AlexNet ve SqueezeNet çalışılan evrişimsel sinir ağlarıdır. Farklı sinir ağlarının performansının skalogram ve spektogram görüntüleri ile eğitildiğinde nasıl performans gösterdiği belirlenmiştir. Bu karşılaştırmaya ek olarak öznitelik çıkartma ve makine öğrenmesi modelleri ile gerçekleştirilen ritim sınıflandırma performansının derin öğrenme modelleri kullanılarak gerçekleştirilen sınıflandırma performansı karşılaştırılmıştır. Kalp hızı değişkenliği analizinde iki dakikalık sinyal uzunluğu ile gerçekleştirilen aritmi sınıflandırmasında en yüksek doğruluk değeri %87,91 ile topluluk öğrenme modeli ile elde edilmiştir. Beş dakikalık sinyal uzunluğunda ise destek vektör makinesi ile %90,48 doğruluğa ulaşılmıştır. Spektogram çıktıları kullanılarak gerçekleştirilen sınıflandırmada maksimum doğruluk AlexNet ile %91,90'dır. Skalogram çıktıları ile gerçekleştirilen sınıflandırmada ise maksimum doğruluk GoogleNet modeli ile %92,85 olarak elde edilmiştir. En yüksek sınıflandırma performansı skalogram görüntüleri ve evrişimsel sinir ağları kullanılarak elde edilmiştir. Gözlemlenen bulgular, değerlendirilen bu modellerin EKG sinyallerinde aritmilerin sınıflandırılmasında yüksek performans verdiğini göstermektedir.