Uç öğrenme makineleri kullanarak EKG işaretlerinin sınıflandırma başarımlarının iyileştirilmesi

Elektrokardiyogram (EKG), kalbin elektriksel aktivitesi hakkında bilgi veren durağan olmayan biyomedikal işaretlerdir. Durağan olmama terimi, işaret işlemede genellikle işaretin spektrumunun zamanla değiştiği bir süreci tanımlamak için kullanılmaktadır. EKG işareti kardiyologlara, kalbin ritim ve çalışması hakkında yararlı bilgiler sunmaktadır. EKG işaretinin analizi, farklı kalp hastalıkları türlerinin belirlenmesi ve tedavi edilmesinde kullanılan etkili bir yöntemdir. Kardiyologlar, bir hastaya ait EKG işaretindeki tipik dalga formlarını belirlerler ve tanı için temel oluştururlar. EKG'nin kliniksel uygulamalarında, çeşitli kılavuzlarda belirtilen morfolojik özelliklerin çıplak gözle taranmasına bağlı olarak, öznel bir şekilde gerçekleştirilmektedir. Daha nicel ve tutarlı bir EKG işareti yorumunun yapılmasını sağlamak üzere bilgisayar destekli otomatik EKG analizi umut verici yöntem olarak görülmektedir. Bu nedenle, EKG işaretlerinin doğru tespiti ve yüksek bir başarı oranıyla sınıflandırılması önemlidir. Bu tez çalışmasında, durağan olmayan işaretlerden olan EKG işaretinin analizinde uç öğrenme makinesi sınıflandırıcı algoritmalarının kullanılması ve geliştirilmesi çalışması gerçekleştirilmiştir. EKG işaretlerinin analizi, ön işlem, özellik çıkarma ve sınıflandırma süreçleri olmak üzere üç aşamadan oluşmaktadır. Ön işlem sürecinde EKG işaretinin taban salınımı ve 60 (Hz) gürültüsü, dalgacık ailesinden Symlet10 dalgacığı, combo ve Savitzky-Golay filtreleri kullanılarak giderilmiştir. Özellik çıkarma ve sınıflandırma işlemleri için açık erişimli olan, PhysioNet veri tabanında bulunan Massachusetts Institute Technology Beth Israel (MIT-BIH) ve Physikalisch-Technische Bundesanstalt Diagnostic ECG Database (PTB) EKG veri setleri kullanılmıştır. Tez çalışmasında öncelikle EKG analizi için, geleneksel olarak kullanılan morfolojik özellikler dikkate alınmıştır. Aynı zamanda EKG işaretlerinin istatiksel özellikleri de çıkartılmıştır. EKG işaretinin morfolojik özellikleri, Pan-Tompkins ve Ayrık Dalgacık Dönüşümü kullanılarak elde edilmiştir. Bu kapsamda, EKG işaretlerinden toplam 11 adet özellik elde edilmiştir. Deneysel çalışmalar kapsamında sınıflandırma sürecini gerçekleştirmek için Yapay Sinir Ağları (YSA), Uç Öğrenme Makinesi (UÖM), Destek Vektör Makinesi (DVM), k-En Yakın Komşuluk (k-EK) ve Genetik Algoritma Tabanlı Dalgacık Çekirdeği Uç Öğrenme Makinesi (DÇUÖM), Diferansiyel Gelişim Tabanlı Dalgacık Çekirdeği Uç Öğrenme Makinesi (DGÇUÖM), Izgara arama (IA) ve Diferansiyel Gelişim Algoritması Uç Öğrenme Makinesi (DGA-UÖM) algoritmaları kullanılmıştır. Sınıflandırıcıların performans değerleri birbirleriyle karşılaştırılmıştır. Bu kapsamda, Genetik algoritma tabanlı dalgacık çekirdek UÖM metodu literatüre kazandırılmıştır. Dalgacık çekirdek UÖM'de kullanılan Genetik algoritma, Diferansiyel gelişim çekirdek algoritması UÖM ile kombine edilen ve dalgacık çekirdek UÖM'de bulunan α, β ve θ katsayılarını optimize ederek, son derece umut verici sonuçlara erişilmesinde önemli derecede katkı sağladığı görülmüştür. En verimli sonuçlara sırasıyla 3, 9 ve 4 optimum dalgacık değerleri ve % 90 doğruluk ile Diferansiyel gelişim çekirdek algoritması ve Izgara arama yöntemleriyle ulaşılmıştır. Ayrıca, Diferansiyel Gelişim Algoritması kullanılarak % 97.5 ile en yüksek sınıflandırma performans değerine ulaşılmıştır.