Makine Öğrenmesi Algoritmaları ile Aritmilerin Sınıflandırılması

Yıl 2023, Cilt: 39 Sayı: 3, 394 - 402, 31.12.2023

Ahmet Özdemir

Öz

Bu çalışmada elektrokardiyografi (EKG) kayıtlarından aritmi türlerini belirlemek amacıyla modern makine öğrenme algoritmalarının kullanılanımı incelenmiştir. Amacımız, EKG sinyallerinin daha etkin bir şekilde analiz edilmesiyle aritmi sınıflandırmasında daha üstün sonuçların elde edilmesidir. Çalışmada kullanılan EKG verileri, MIT PhysioNet veri tabanındaki 203, 208, 210 ve 213 numaralı hasta kayıtlarından seçilmiştir. Bu kayıtlar, V, F ve N aritmi türleri ile etiketlenmiştir. Bagging Decision Tree (BDT), Random Forest (RF), Extra Tree (ET),
Gradient Boosting (GB) ve Support Vector Machine (SVM) makine öğrenmesi algoritmaları ile yapılan sınıflandırma işlemleri neticesinde en yüksek doğruluk %98,14 doğruluk ile ET algoritması kullanılarak başarılmıştır. Bununla birlikte ET sınıflandırıcısı 2,17 saniyede eğitilmiş ve 0,0269 saniyede cevap üretebilmiştir. Elde edilen sonuçlar, yeni makine öğrenme algoritmalarının EKG aritmi sınıflandırmasında klasik Yapay Sinir Ağları tabanlı sınıflandırıcılara göre daha etkili sonuçlar üretebildiğini göstermektedir. Bu algoritmalar, geleneksel yöntemlere kıyasla daha yüksek doğruluk, hassasiyet ve özgünlük değerleri sunmaktadır.

Anahtar Kelimeler

Makine Öğrenmesi, Bagging Decision Tree, Random Forest, Extra Tree, Gradient Boosting, Support Vector Machine

Kaynakça

• [1] Hammad, M., Meshoul, S., Dziwiński, P., Pławiak, P., Elgendy, I. A. 2022. Efficient Lightweight Multimodel Deep Fusion Based on ECG for Arrhythmia Classification. Sensors. 22. 9347.
• [2] Wasimuddin, M., Elleithy, K., Abuzneid, A.-S., Faezipour, M., Abuzaghleh, O. 2020. Stages-Based ECG Signal Analysis From Traditional Signal Processing to Machine Learning Approaches: A Survey. IEEE Access. 8, 177782-177803.
• [3] Özdemir, A.T. Erken Ventriküler Kasılmalarda YSA Tabanlı Bir Sınıflandırıcının FPGA ile Gerçekleştirilmesi. 2010. Doktora Tezi. Erciyes Üniversitesi.
• [4] Özdemir, A.T., Danışman, K. 2011 Fully parallel ANN-based arrhythmia classifier on a single-chip FPGA: FPAAC. Turk. J. Electr. Eng. Comput. Sci., 19(4). 667-687.
• [5] Ma, S., Cui, J., Xiao, W., Liu, L. 2022. Deep Learning-Based Data Augmentation and Model Fusion for Automatic Arrhythmia Identification and Classification Algorithms. Comput. Intell. Neurosci. 2022. 1577778.
• [6] Murat, F., Yildirim, O., Talo, M., Baloglu, U.B., Demir, Y., Acharya, U.R. 2020. Application of Deep Learning Techniques for Heartbeats Detection Using ECG Signals-Analysis and Review. Comput. Biol. Med. 120. 103726.
• [7] “Electrocardiogram Signal Classification Based on Deep Learning Techniques”, 26 Haziran 2023. https://www.researchsquare.com (erişim 09 Temmuz 2023).
• [8] Badrinath, R., Navada, A., Narahari, H., Datta, A., Sarojadevi, H. 2019. Deep Learning based Arrhythmia Classification with an ECG Acquisition System. Int. J. Innov. Technol. Explor. Eng. 9(2). 3849-3852.
• [9] Jain, R., Betrabet, P. R., Rao, B. A., Reddy, N.V.S. 2022. Classification of Cardiac Arrhythmia using improved Feature Selection methods and Ensemble Classifiers. J. Phys. Conf. Ser. 2161(1). 012003.
• [10] Kulkarni, V. Y., Sinha, P. K. 2012. Pruning of Random Forest classifiers: A survey and future directions. International Conference on Data Science & Engineering (ICDSE), 18-20 Temmuz, Cochin, Hindistan, 64-68.
• [11] Bonsignori, V., Guidotti, R., Monreale, A. 2021. Deriving a Single Interpretable Model by Merging Tree-Based Classifiers. Discovery Science: 24th International Conference, 11-13 Ekim, Halifax, Kanada, 347-357.
• [12] Dutta, S., Bandyopadhyay, S.K. 2020. Early Breast Cancer Prediction using Artificial Intelligence Methods. J. Eng. Res. Rep. 13(2). 48-54.
• [13] Özdemir, A.T., Barshan B. 2014. Detecting falls with wearable sensors using machine learning techniques. Sensors 14 (6), 10691-10708.
• [14] Özdemir, A.T. 2016. An analysis on sensor locations of the human body for wearable fall detection devices: Principles and practice. Sensors 16 (8), 1161.
• [15] Yildiz, F., Özdemir, A.T. 2019. Prediction of laser-induced thermal damage with artificial neural networks. Laser Physics 29 (7), 075205.
• [16] Kavuncuoğlu, E., Uzunhisarcıklı, E., Barshan, B., Özdemir, A.T. 2022. Investigating the Performance of Wearable Motion Sensors on recognizing falls and daily activities via machine learning. Digital Signal Processing 126, 103365.
• [17] Mohammednour, A.B, Özdemir A.T. 2020. GNSS positioning accuracy improvement based on surface meteorological parameters using artificial neural networks. International Journal of Communication Systems 33 (9), e4373.
• [18] Kavuncuoğlu, E., Yıldız, F., Özdemir, A.T. 2022. Artificial Intelligence (AI) algorithms for evaluation of optical fiber scintillation detector performance. Optik 258, 168791.