Elektrokardiyografik Sinyallerin Sınıflandırılması İçin Farklı Öğrenme Algoritmaları Kullanılarak Eğitilmiş Yapay Sinir Ağı Modelinin Tasarlanması

Year 2022, , 74 - 78, 31.12.2022

İbrahim Çelik , Deniz Üstün , Doç. Dr. Ali Akdaglı

https://doi.org/10.31590/ejosat.1221450

Abstract

Bu çalışmada elektrokardiyografik sinyalleri sınıflandırmak için çeşitli öğrenme algoritmaları kullanılarak eğitilmiş bir yapay sinir ağı modeli tasarlanmıştır. Yapay sinir ağı modeli, ileri beslemeli geri yayılıma dayalı çok katmanlı bir algılayıcıdan oluşan yapı üzerine kurulmuştur. Yapay sinir ağı modelinde kullanılmak üzere 66 elektrokardiyografik veri kullanılmıştır. Yapay sinir ağı modelinin eğitim süreci 46 adet elektrokardiyografik veri ile gerçekleştirilmekte ve ardından 20 adet elektrokardiyografik veri ile modelin doğruluğu test edilmektedir. Yapay sinir ağı, sağlam bir model elde etmek için 3 farklı öğrenme algoritması ile eğitilmiştir. Yapay sinir ağı modelinin eğitiminde kullanılan öğrenme algoritmalarının performansı hata yüzdesine göre değerlendirilmiştir. Levenberg–Marquardt öğrenme algoritması ile eğitilen yapay sinir ağı modelinin diğer öğrenme algoritmalarına göre daha iyi sınıflandırma sonucu elde ettiğini göstermektedir. Önerilen yapay sinir ağı modeli, elektrokardiyografik sinyalleri sınıflandırmak için başarıyla kullanılabilir.

Keywords

Yapay sinir ağı, Elektrokardiyografik sinyal, Sınıflandırma, Öğrenme algoritmaları.

Designing of the Artificial Neural Network Model Trained by Using the Different Learning Algorithms to Classify the Electrocardiographic Signals

Abstract

An artificial neural network model trained by using various learning algorithms is designed to classify the electrocardiographic signals in this study. The model of artificial neural network is constructed on the structure consisting of a multilayered perceptron based on the feed forward back propagation. A data pool is built by using a dataset consists of 66 electrocardiographic data’s taken from the MIT BIH arrhythmia database to perform the training and testing processes of artificial neural network model. The training process of artificial neural network model is performed with 46 electrocardiographic data and then the accuracy of the model is tested via 20 electrocardiographic data. The artificial neural network is trained by 3 different learning algorithms to achieve a robust model. The performance of the learning algorithms used for training the model of the artificial neural network is evaluated according to percentage error. It illustrates that the artificial neural network model trained by Levenberg–Marquardt learning algorithm obtains the better classification result than other learning algorithms. The proposed artificial neural network model can be successfully used to classify the electrocardiographic signals.

Keywords

Artificial neural networks, Electrocardiographic signal, Classification, Learning algorithms

References

• Ceylan, M., & Ozbay, Y. (2009, May). Effects of complex wavelet transform with different levels in classification of ECG arrhytmias using complex-valued ANN. In 2009 14th National Biomedical Engineering Meeting (pp. 1-4). IEEE.
• Ceylan, R., Ozbay, Y., & Karlik, B. (2009, May). Classification of ECG arrhythmias using type-2 fuzzy clustering neural network. In 2009 14th National Biomedical Engineering Meeting (pp. 1-4). IEEE.
• Doğan, B., & Korürek, M. (2009). EKG vurularını sınıflamada radyal tabanlı fonksiyon yapay sinir ağının performans değerlendirmesi. BİYOMUT 2009, Dokuz Eylül Üniv. İzmir.
• Dokur, Z. (1999). Yapay sinir ağları ve genetik algoritmalar kullanılarak EKG vurularının sınıflandırılması (Doctoral dissertation, Fen Bilimleri Enstitüsü).
• Dokur, Z., Olmez, T., & Yazgan, E. (1999). Comparison of discrete wavelet and Fourier transforms for ECG beat classification. Electronics Letters, 35(18).
• Engin, E. Z., & Kuyucuoğlu, F. (2003). Sayısal Ses İşlemenin Tıbbi Tanıda Kullanılması. Bitirme Projesi Tezi, Ege Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği Bölümü, İzmir.
• İlerigelen, B., & Mutlu, H. (2006). EKG kurs kitapçığı, Cerrahpaşa Tıp Fakültesi Sürekli Tıp Eğitim Teknikleri.
• Kubat, M. (1999). Neural networks: a comprehensive foundation by Simon Haykin, Macmillan, 1994, ISBN 0-02-352781-7. The Knowledge Engineering Review, 13(4), 409-412.
• Kutlu, Y., Kuntalp, M., & Kuntalp, D. (2009, May). Topographic analysis of morphologic features of ECG beats. In 2009 14th National Biomedical Engineering Meeting (pp. 1-4). IEEE.
• Jang, J. S. R. (1992). Self-learning fuzzy controllers based on temporal backpropagation. IEEE Transactions on neural networks, 3(5), 714-723.
• Niwas, S. I., Kumari, R. S. S., & Sadasivam, V. (2005, August). Artificial neural network based automatic cardiac abnormalities classification. In Sixth International Conference on Computational Intelligence and Multimedia Applications (ICCIMA'05) (pp. 41-46). IEEE.
• Pingale, S. L., & Daimiwal, N. (2014). Detection of various diseases using ECG signal in Matlab. International Journal of Recent Technology and Engineering (IJRTE) ISSN, 2277-3878.