EKG Sinyallerini kullanarak Kalp Ritimlerinin Yapay Zekâ ile Sınıflandırılması
Abstract
Günümüzde teknolojinin hızla ilerlemesi ile birlikte yapay zekâ yöntemleri de birçok alanda sıklıkla kullanılmaktadır. Yapay zekanın önemli kullanım alanlarından birisi de sağlık sektörüdür. Sağlık sektöründe erken teşhis, insan kaynaklı hataların minimuma indirilmesi gibi birçok durumda yapay zekâ yöntemleri kullanılmaktadır. Çalışmada açık kaynak erişimli internet sitesinden (kaggle.com) elde edilen 127710 adet EKG sinyallerine ait veri seti kullanılmıştır. Veri seti 100.710 adet eğitim, 1.500 adet veri de test ve kalan 25.000 adet veri ise doğrulama verisi olarak kullanılmıştır. Eğitim verileri için tasarlanan CNN modeli normal sinüs ritmi, supraventriküler erken atım, erken ventriküler kasılma, ventriküler ve normal atımın karışımı ve sınıflandırılamayan atım olmak üzere toplam beş sınıf için eğitilmiştir. Tasarlanan CNN modelinde hata oranı %5,3, duyarlık oranı %94,4, hassasiyet oranı %94,6, F-değeri ise %94,4 ve %94,7 doğruluk oranı olmak üzere beş farklı performans kriterine göre değerlendirilmiştir.
Keywords
Yapay zeka, ECG Sinyalleri, Sağlık, CNN
Thanks
Çalışmada “MIT-BIH Aritmi Veri seti” ve “PTB Teşhis EKG” veri setlerini açık kaynak erişimli internet sitesine (kaggle.com) aktaran kişi/kişilere teşekkürlerimizi sunarız.
References
- [1] N. Buduma, Fundamentals of Deep Learning, USA: O’Reilly Media, 2015.
- [2] A.Salouhou, “El yazısı karakter tanıma ve resim sınıflandırmada derin öğrenme yaklaşımları,” Yüksek Lisans tezi, Lisansüstü Eğitim Enstitüsü, Fatih Sultan Mehmet Vakıf Üniversitesi, İstanbul, Türkiye, 2019.
- [3] U. Kaya ve A. Yılmaz, Derin Öğrenme, Türkiye: Kodlab, 2019.
- [4] S. Büyükgöze, E. Dereli, “Dijital sağlık uygulamalarında yapay zeka,” VI. Uluslararası Bilimsel ve Mesleki Çalışmalar Kongresi, Ankara, Türkiye, 2019.
- [5] M. Atalay ve E. Çelik, “Büyük veri analizinde yapay zekâ ve makine öğrenmesi uygulamaları-artificial ıntelligence and machine learning applications in big data analysis,” Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, c. 9, s. 22, ss. 155-172, 2017, doi: 10.20875/makusobed.309727.
- [6] U. Bilge, “Tıpta yapay zeka ve uzman sistemler,” Türkiye Bilişim Derneği Kongresi, İstanbul, Türkiye, 2007.
- [7] Y. Yücel, A. Aytekin A. Ayaz ve F. Tüminçin, “Bilişim sistemlerinin sağlık sektörü açısından önemi,” Avrasya Sosyal ve Ekonomi Araştırmaları Dergisi, c. 5, s. 8, ss. 147-155, 2018.
- [8] Y. Ozbay, R. Ceylan ve B. Karlik, “A fuzzy clustering neural network architecture for classification of EKG arrhytmia’s,” Computers in Biology and Medicine, c. 36, s. 4, ss. 376-388, 2006.
- [9] R. Ceylan, Y. Ozbay ve B. Karlik, “Classification of EKG arrhythmias using type-2 fuzzy clustering neural network,” 14th National Biomedical Engineering Meeting, İzmir, Türkiye, 2009.
- [10] A. Demirhan, Y. Kılıç ve G. İnan, “Tıpta yapay zeka uygulamaları,” Yoğun Bakım Dergisi, c. 9, s. 1, ss. 31-41, 2010.