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

Artificial Intelligence Classification of Heart Rhythms Using ECG Signals

Abstract

Today, with the fast advancement of technology, artificial intelligence methods are frequently used in many areas. One of the important uses of artificial intelligence is the health sector. Artificial intelligence methods are used in many situations such as early diagnosis and minimization of human-induced errors in the health sector. In the study, the data set of 127710 ECG signals obtained from an open source website (kaggle.com) was used. The data set was used as 100,710 training data, 1,500 data as test and the remaining 25,000 data as validation data. Designed for training data, the CNN model was trained for a total of five classes: normal sinus rhythm, supraventricular premature beats, premature ventricular contraction, mixed ventricular and normal beats, unclassified beats. In the designed CNN model, the error rate 5.3%, the sensitivity rate 94.4%, the specificity 94.6%, the F-value 94.4% and accuracy 94.7% was evaluated according to five different performance criteria. 

Keywords

• Artificial intelligence
• EKG Signals
• Health
• CNN

References

1. [1] N. Buduma, Fundamentals of Deep Learning, USA: O’Reilly Media, 2015.
2. [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. [3] U. Kaya ve A. Yılmaz, Derin Öğrenme, Türkiye: Kodlab, 2019.
4. [4] S. Büyükgöze, E. Dereli, “Dijital sağlık uygulamalarında yapay zeka,” VI. Uluslararası Bilimsel ve Mesleki Çalışmalar Kongresi, Ankara, Türkiye, 2019.
5. [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. [6] U. Bilge, “Tıpta yapay zeka ve uzman sistemler,” Türkiye Bilişim Derneği Kongresi, İstanbul, Türkiye, 2007.
7. [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. [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. [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. [10] A. Demirhan, Y. Kılıç ve G. İnan, “Tıpta yapay zeka uygulamaları,” Yoğun Bakım Dergisi, c. 9, s. 1, ss. 31-41, 2010.
11. [11] A. Nguyen, J. Yosinski and J. Clune, “Deep neural networks are easily fooled: High confidence predictions for unrecognizable images,” Proceedings of the IEEE conference on computer vision and pattern recognition, Boston, USA ,2015.
12. [12] C.D. Rodin, L.N. de Limade, F.A. de Alcantara, Andrade, D.B Haddad, T.A. Johansen ve R. Storvold, “Object classification in thermal ımages using convolutional neural networks for search and rescue missions with unmanned aerial systems,” International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018.
13. [13] İ. Özkan ve E. Ülker, "Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri," Gaziosmanpaşa Bilimsel Araştırma Dergisi, c. 6, s. 3, ss. 85-104, 2017.
14. [14] M. Anthimopoulos, S. Christodoulidis, L. Ebner, A. Christe ve S. Mougiakakou, “Lung pattern classification for interstitial lung diseases using a deep convolutional neural network,” IEEE Transactions on Medical Imaging, c. 35, s. 5, ss. 1207-1216, 2016.
15. [15] A.M. Šimundić, “Measures of diagnostic accuracy: Basic definitions,” The Electronic Journal of the International Federation of Clinical Chemistry and Laboratory Medicine, c. 19, s. 4, ss. 203, 2009.
16. [16] P. Eusebi, “Diagnostic accuracy measures,” Cerebrovascular Diseases, c. 36, s. 4, ss. 267-272, 2013.
17. [17] M. Sokolova ve G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Information Processing & Management, c. 45, s. 4, ss. 427-437, 2009.