TINYML tabanlı gömülü sistem ile EKG sinyalinden kardiyak aritmilerin tespiti

Bu çalışmada, bir dizi niceleme, özellik çıkarımı ve derin öğrenme algoritmaları kullanılarak STM32H750B kartı üzerinde TinyML ile EKG (elektrokardiyogram) aritmi sınıflandırması yapılmıştır. MIT-BIH Aritmi veri tabanından segmentasyon sonucu elde edilen EKG sinyallerine dalgacık dönüşümü uygulanmış ve elde edilen özellikler kullanılarak LSTM ağının eğitimi gerçekleştirilmiştir. Verinin ön işlenmesi ve modelin geliştirilmesi için MATLAB programı kullanılmıştır. Zaman serileri için tasarlanmış olan LSTM modeli ve sinyalin zaman ve frekans bilgisini aynı anda içeren Morlet dalgacığı fonksiyonunun birlikte kullanımı, ritmik ve ritmik olmayan EKG sinyallerindeki özelliklerin başarılı bir şekilde öğrenilmesini sağlamıştır. Elde edilen modelin kaynakları kısıtlı olan bir cihaz üzerinde (STM32H750B-DK) çalıştırılmasını sağlayacak optimizasyonlar için TinyML teknolojisi kullanılmıştır. Morlet dalgacık dönüşümü hesaplamalarının gömülü sistem üzerinde de yapılabilmesi için MATLAB CODER eklentisi kullanılarak, MATLAB kütüphanesi içerisinde tanımlı dalgacık dönüşümü algoritması, STM32H750B-DK geliştirme kartı için yeniden oluşturulmuştur. Geliştirme kartının ihtiyaç duyduğu hafızayı düşürecek bir dizi yazılım optimizasyondan sonra, Morlet dalgacık dönüşüm hesapları ve yapay zeka algoritmalarının STM32H750B-DK geliştirme kartı üzerinde birlikte çalıştırılmıştır. Çalışmanın temel hedefi, EKG verisinde bulunan aritmileri TinyML desteği ile yüksek doğrulukta sınıflandıran, gömülü sistemler üzerinden çalışan bir model geliştirmektedir. Çalışma sonunda gömülü sistem üzerinde çalışan modelin doğruluğu tatmin edici seviyelere ulaşmıştır. Bu çalışma, TinyML'in yalnızca fizyolojik sinyallerde değil, aynı zamanda karmaşık verilerin kaynak kısıtlı cihazlar üzerinde analiz edilmesindeki potansiyelini göstermektedir.