Makine Öğrenmesi Algoritmaları ile Aritmilerin Sınıflandırılması

Ahmet Özdemir

Makale detayları

Makine Öğrenmesi Algoritmaları ile Aritmilerin Sınıflandırılması

Yazarlar:

Ahmet Özdemir

Yayıncı:

Erciyes University

Ana Başlıklar:

Yapay Görme

Dergi:

Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi Vol.39 Issue 3, pp.394-402

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001308826

pISSN:

1012-2354

Anahtar kelimeler:

Özet:

 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.

 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.

 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.

 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.

Makale detayları

Makine Öğrenmesi Algoritmaları ile Aritmilerin Sınıflandırılması

Yazarlar: Ahmet Özdemir

Yayıncı: Erciyes University

Ana Başlıklar: Yapay Görme

Dergi: Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi Vol.39 Issue 3, pp.394-402

Belge Tipi: Makale

Yayın Tarihi: 12/2023

Belge Dili: Türkçe

Document ID (Org No.): 2001308826

pISSN: 1012-2354

Makine Öğrenmesi

Bagging Decision Tree

Random Forest

Extra Tree

Gradient Boosting

Support Vector Machine

Sayı

Yazarlar:

Ahmet Özdemir

Yayıncı:

Erciyes University

Ana Başlıklar:

Yapay Görme

Dergi:

Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi Vol.39 Issue 3, pp.394-402

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001308826

pISSN:

1012-2354